《Machines》：A Novel Field Routing Approach for Unmanned Ground Vehicles in Steep-Slope Vineyards
编辑推荐：
在陡坡葡萄园中运行的自主地面车辆必须共同考虑三个耦合因素：跨多个多边形子区域的航点顺序、路径穿越子区域边界的点，以及数字高程模型（DEM）中的地形感知旅行成本。现有规划器一次只处理一个方面：覆盖路径规划（CPP）库将每个区域孤立处理，葡萄园特定的A*变体在一个
在陡坡葡萄园中运行的自主地面车辆必须共同考虑三个耦合因素：跨多个多边形子区域的航点顺序、路径穿越子区域边界的点，以及数字高程模型（DEM）中的地形感知旅行成本。现有规划器一次只处理一个方面：覆盖路径规划（CPP）库将每个区域孤立处理，葡萄园特定的A*变体在一个葡萄园内考虑地形和侧翻安全性，而能量感知规划器在单个区域内优化覆盖。本文提出了一种新型田间尺度规划器，该规划器通过一个旅行商问题（TSP）优化所有子区域的航点路径，其旅行成本来自从DEM中采样的三维折线以及包括滚动阻力、爬坡功和差动驱动枢轴转向项的行进成本模型。子区域之间的过渡通过相邻子区域链进行路由。评估了四种策略：一种贪婪最近邻（NN）启发式算法和三种模拟退火（SA）TSP变体，分别最小化距离（SA-D）、能量（SA-E）或时间（SA-T）。在卢森堡的两个摩泽尔葡萄园进行评估，与最近邻基线相比，目标匹配变体将任务成本平均降低高达21%，最佳任务降低40%，这是在一个从公共地理数据到可执行地形感知路径的集成管道中实现的。
**论文解读文章**
**研究背景与问题**
农业机器人正从手动操作向自主控制过渡，无人地面车辆（UGV）在侦查、喷洒、收获及田间物流中扮演核心角色。陡坡葡萄园因其梯田结构、田块边界和狭窄的藤行间距，对自主导航提出独特挑战：田地产权碎片化为多个多边形子区域；车辆运动受限于稀疏的藤行间小巷和地头；地形坡度显著影响行驶能耗和侧翻风险。现有规划器通常孤立处理这些问题：覆盖路径规划（CPP）库仅针对单个田块；葡萄园专用的A*变体虽考虑地形和稳定性，但局限于一个子区域；能量感知规划器优化单田块内的覆盖，却未联合多个子区域。因此，需要一种能够同时优化跨子区域航点顺序、边界穿越点以及地形感知旅行成本的综合性方法。研究人员针对这一空白，设计了田间尺度规划器，旨在将多个子区域的航点整合为单一旅行商问题（TSP）进行全局优化，论文发表在《Machines》。
**研究方法概述**
研究人员采用五阶段技术流程：（1）从卢森堡公共地理数据获取数字地形模型（DTM）、正射影像和土地地块系统（LPIS）数据；（2）通过DeepLSD模型检测藤行线，并基于高斯混合模型（GMM）和分水岭变换构建操作性子区域多边形；（3）提取各子区域的藤行道网络，利用一维峰值检测精炼藤行线；（4）构建TSP成本矩阵：对于同一子区域内的路径，沿小巷和地头生成三维折线；对于跨子区域路径，通过相邻子区域链选择最优边界穿越点，并从DEM中采样高程计算三维距离；（5）采用四种优化策略：贪婪最近邻（NN）启发式作为基线，以及三种模拟退火（SA）变体——SA-D（最小化距离）、SA-E（最小化能量）和SA-T（最小化时间）。能量模型包括滚动阻力、爬坡功和差动驱动枢轴转向项，其中爬坡功仅在上坡时计入，导致成本矩阵不对称。评估在两个卢森堡摩泽尔葡萄园（mosel_south和mosel_north）进行，分别代表密集封闭型（ascents and descents offset each other）和开放链型（traversal order dominates climbing work）两种拓扑布局。研究样本来自这两个站点，共13个操作性子区域（7+6）和295条藤行线。
**研究结果**
**4.1 运行时配置**
研究人员设定UGV质量为250 kg，轮距0.8 m，巡航速度1.0 m/s，枢轴转向角速度0.5 rad/s，滚动阻力系数0.03，电机标称效率0.72等参数。在5种航点数量（N=10、15、20、25、30）下，每个站点随机生成10组航点集，所有策略均采用相同种子，可重复。
**4.2 跨航点数量的航点优化器对比**
在两个站点上，针对每种N值，NN启发式始终是成本最高的策略。在SA家族中，目标匹配变体在其对应的指标列中获得最低值。平均而言，SA-D在mosel_north的N=30时比NN降低距离最多达40%；SA-E在mosel_north的N=10时降低能量最多达21%（平均）；SA-T在mosel_north的N=10时降低时间最多达40%。最佳单次任务（在所有100个任务中）较NN降低距离40%、能量40%、时间40%。随着航点数量增加，SA相对于NN的优势扩大（尤其对距离和时间指标），表明贪婪策略随问题规模增大而性能退化。
**4.3 与元启发式航点优化器的比较**
为证明能量节省源于地形感知成本模型而非特定求解器，研究人员将SA与遗传算法（GA）和蚁群优化（ACO）在能量目标上进行对比。三种优化器从相同NN热启动，在相同计算预算下几乎达到相同平均航点能量（约340-350 kJ），远低于NN基线（约400-440 kJ）。SA在多数情况下能量最低，因此被保留为默认优化器。
**讨论与结论**
讨论指出：全局TSP优化始终优于贪婪路由，且优势随任务规模增长；能量是收益最大的目标（错误目标选择会导致能量大幅增加），且子区域拓扑决定收益大小——开放链型布局（mosel_north）中地形主导爬坡功，能量优化优势更显著（低航点数量时SA-E比SA-D和SA-T节能25-30%），而封闭密集布局（mosel_south）中上下坡互相抵消，能量优势较小（约10-15%）。研究还分析了实际操作中的目标选择：电池受限时首选SA-E，时间紧迫时选SA-T，减少轮胎磨损或参数不确定时选SA-D。电池预算和侧翻稳定性约束可被集成：能量预算可转化为多行程车辆路径问题（VRP），侧翻可通过限制DEM局部坡度（≤静稳定角）作为硬约束。局限性包括：时间和能量为模型预测而非实测；车辆限定为差动驱动，未考虑连续曲率轨迹；藤行检测未与人工标注定量对比；实验仅针对单一车辆无资源约束。未来方向包括实地校准、多UGV联合优化。
**研究结论翻译**
本文解决了跨多个不相邻葡萄园子区域的UGV路径规划问题，该系统中航点顺序、子区域边界穿越点选择以及地形感知旅行成本相互耦合，无法独立优化。研究人员提出了田间尺度规划器，其通过单一TSP优化所有子区域的航点路径，旅行成本基于从DEM采样的三维折线计算距离、能量或时间；将滚动阻力、爬坡功和差动驱动枢轴转向项的能量模型分解为标量旅行成本；并通过相邻子区域链（而非固定小巷端点）路由跨子区域过渡。航点路径由四种策略优化：贪婪NN启发式和三种匹配距离（SA-D）、能量（SA-E）和时间（SA-T）目标的SA变体，全部由从卢森堡公共地理数据到两个摩泽尔测试站点可执行路径的集成管道驱动。在两个卢森堡摩泽尔站点及所有评估的航点数量下，每个目标匹配的SA变体在其自身指标上获得最低成本，且最佳单次任务较NN基线降低距离40%、能量40%、时间40%。在两个评估站点中，能量规划优势在开放链型布局（爬坡功由沿山坡的遍历顺序主导）上大于封闭密集布局（上下坡相互抵消）。由于报告的能量和时间是模型预测而非实测，未来工作的首要方向是通过沿线车辆遥测校准能量和时间模型的实地观测，随后在多UGV车队联合优化中共享目标，使负载平衡与个体车辆路径协同优化。
