运行扰动下异构拖拉机车队的调度框架:兆光红星农场植保作业案例研究

《Computers and Electronics in Agriculture》:A scheduling framework for heterogeneous tractor fleets under operational disturbances: A case study of crop protection operations at Zhaoguang Red-Star Farm

【字体: 大 中 小 】 时间:2026年08月29日 来源:Computers and Electronics in Agriculture 10.3

编辑推荐:

   • 一种框架用于在作业不确定性下调度异构拖拉机车队。• 环境模块从目标田块和道路网络生成可执行任务和拖拉机-车辆路线。• LSTM-PPO策略联合选择任务、拖拉机和供应动作以实现协同作业。• 与PPO、GA和ACO相比,该方法减少了作业时间并使其趋于稳定。• 闭环策略能够动态

  

• 一种框架用于在作业不确定性下调度异构拖拉机车队。• 环境模块从目标田块和道路网络生成可执行任务和拖拉机-车辆路线。• LSTM-PPO策略联合选择任务、拖拉机和供应动作以实现协同作业。• 与PPO、GA和ACO相比,该方法减少了作业时间并使其趋于稳定。• 闭环策略能够动态响应协同拖拉机-车辆-仓库作业中的时间扰动。

**引言**

自动导航(Yao等,2024)、计算机视觉(Badgujar等,2024;Zoubek等,2025)和智能传感器技术(Aarif等,2025;Shaikh等,2022)的快速发展显著增强了农业拖拉机在现代农场管理中的能力。相机引导(Spaeth等,2024;Xu和Rai,2024)和基于GPS(Yang等,2020;He等,2021)等智能模块的集成,不仅减轻了操作员的工作负担,还提高了基本农业任务的精度和一致性。随着智能技术的快速发展,自主拖拉机在提高作业效率、缓解劳动力需求以及确保作物质量和产量稳定性方面发挥着日益重要的作用(Mann和K?nn?,2025;Mandal等,2024)。

作为自主田间作业的骨干,拖拉机路径直接影响总体效率和田块规模生产率(Spekken和de Bruin,2013)。在农场管理中,拖拉机路径可被表述为田块规模的覆盖路径规划问题,其中面积覆盖、转弯机动、能耗、田块几何形状和内部障碍物必须联合优化(Oksanen和Visala,2007;Karagiannis等,2025)。在过去二十年中,大量研究集中于优化单拖拉机的路线,用于耕作(Han等,2021)、播种(Hu等,2024)、喷洒(Xu等,2022a;Xu等,2022b)和收获(Wang等,2025a)等作业。Zhao等(2023)提出了一种考虑运动学和安全要求的自主拖拉机障碍物规避模型。Mier等(2025)开发了Soilt2Cover覆盖路径规划器以最小化土壤压实,这可能会损害土壤健康。Jeon等(2021)研究了稻田中自主拖拉机的出入口路径规划。然而,在大型农场或复杂任务中,单个自动化拖拉机的有效性往往趋于降低,因为一台机器可能难以覆盖区域或满足严格的时间窗口要求(Conesa-Mu?oz等,2016a;Conesa-Mu?oz等,2016b)。

对于大规模农场管理,特别是在时间敏感场景如抢收或病虫害防治中,拖拉机车队的协同作业最近成为提高作业效率和稳定作物生产的关键手段(Chen等,2025)。然而,协调自主拖拉机车队在路径规划和控制方面引入了新的挑战。关键问题包括最优任务分配(Wang等,2023)、车辆间通信(Ding等,2022)以及对田间扰动和不确定性的动态重新规划(Li等,2023)。联合集成任务分配、路径和时间安排的协同调度问题是NP-hard问题,对于实际规模的问题实例,精确优化在计算上是不行的(Pan等,2024)。在此背景下,基于元启发式的方法被广泛采用以获得高质量的可行解,并在扰动下实现快速重新规划(Andrade等,2024)。Cao等(2021)使用蚁群算法研究了多台收获拖拉机的任务分配。Conesa-Mu?oz等(2016a, 2016b)提出了一种拖拉机车队自主除草剂施用的通用路径方法。Jin等(2022)研究了具有多重约束的拖拉机车队受限编队跟踪控制。此外,许多商业产品如John Deere的场内数据共享(见图1a)和New Holland的IntelliField(见图1b),已经支持多拖拉机通信和协调,拖拉机车队作业目前在硬件层面已得到良好支持,并成为高效精准田间作业的关键趋势(Hornburg和Oksanen,2025)。

此外,大规模管理不仅需要考虑作业单元(如执行田间任务的拖拉机)的调度,还需要考虑供应单元的调度,例如收获-运输链中的运输车辆或用于作物保护和农药补充的支持车辆。异构车辆协调最近受到了广泛关注(López-Sánchez等,2025;Wang等,2025b)。John Deere开发了一套Machine Sync系统,用于在自组网中连接多台机器,包括拖拉机、联合收割机和自走式青贮收割机(见图2a和b)。它能够协调收获机与拖拉机以及拖拉机与拖拉机之间的协作,主要应用于运输场景。Gao等(2025)设计了一套液体农药补充管的自动对接系统,以提高大规模作物保护管理中拖拉机的效率(图2c)。Wang等研究了收获和运输作业中多机器的协同调度与规划方法,涉及车队任务分配、排序和调度(Wang等,2025c;Wang等,2025d)。Liu等(2025)研究了感知地形的收获机和谷物运输卡车调度与路径规划,以减少收获机等待和停机时间。移动供应单元的规划和调度对于维持大规模田间作业的连续性和效率至关重要,特别是当拖拉机需要及时的补充、维护或后勤支持时。然而,人工操作的变异性和田间环境扰动在拖拉机车队协调中往往被简化或忽略。这些扰动可能会改变任务执行时间、延迟供应车辆响应,并使预计算的任务优先级在实际田间实施中变得不最优。

在本研究中,我们提出了一种面向大规模病虫害防治作业中异构拖拉机车队协调的动态调度框架,该框架考虑作业扰动。该框架侧重于在现实作业约束下联合调度拖拉机、服务车辆和基于仓库的供应模块。我们开发了一个专门的基于深度强化学习的调度环境,集成了任务生成、自主路径规划、田间任务分配、服务车辆协调和补充物流。基于此环境,采用LSTM-PPO策略作为决策求解器,根据当前车队状态和田间实测的作业扰动更新任务分配和路径决策。本研究的创新性不在于提出新的循环PPO算法,而在于将异构拖拉机-服务车辆-仓库协同在实测作业不确定性下的田块规模动态调度问题进行建模。所提出的框架使车队能够适应不断变化的田间条件来调整任务分配和路径,从而提高大规模机械化农场作业中的作业效率、资源利用率和调度鲁棒性。主要贡献总结如下:(i)一个集成任务生成、路径规划、拖拉机-服务车辆协调和补充物流的动态调度环境;(ii)一种调度模型,纳入了田间实测的任务时长偏差、操作员熟练度效应、供应模块移动延迟、临时交通中断和预防性维护约束;以及(iii)基于实际农场数据和赵光红星农场机械作业的案例特定评估。

**拖拉机与仓库之间调度的描述**

在农田管理中,大规模分散的农业田块需要进行播种、耕作、施肥、农药喷洒和收获等作业。每种作业类型必须对每个田块访问一次。在此背景下,农业机械车队必须在时间窗口约束下并行作业,包括控制病虫害爆发或雨前抢收等时间关键场景。拖拉机群体的协调应解决以下调度问题:

**拖拉机车队调度的环境设置**

大规模农田管理中作业拖拉机和车辆的环境设置在图3中展示。它包含两个主要组成部分:(i)为拖拉机群体生成任务,以及(ii)通过道路网络对拖拉机和其他机械进行引导和导航。

**实验环境**

为评估所提出方法的性能,我们选择赵光红星农场(中国黑龙江省鹤岗市北安市;48°08′43″N,126°56′43″E)作为模拟场地(见图6)。农场的主要作物包括小麦、玉米和大豆。测试场地包含7个田块,总面积为388.01公顷,11个田间出入口(含一个仓库),以及由18个路段组成、总长35.62公里的道路网络。这些空间元素提供了……

**结论**

本文开发了一种基于深度强化学习的集成调度框架,用于大规模农场管理中拖拉机群体和服务车辆的协调。该框架由两个主要组成部分构成:(i)拖拉机-车辆群体的路径规划环境,以及(ii)基于LSTM-PPO的拖拉机-车辆-仓库作业系统决策模块。作业干扰包括任务执行时间偏差、操作员熟练度等……

**作者声明**

所有符合作者资格标准的人员均被列为作者,所有作者保证他们充分参与了研究工作,并对内容承担公共责任,包括参与概念、设计、分析、撰写或修改稿件。此外,每位作者保证本材料或类似材料在此出现在Computers and Electronics in之前未曾提交或发表在其他出版物中,也不会提交或发表。

**CRediT作者贡献声明**

Yang Xu:初稿撰写、验证、项目管理、方法论、调查、正式分析、数据管理、概念化。Qingzhi Liu:初稿撰写、方法论、调查、正式分析、概念化。Chen Cai:验证、调查、正式分析、数据管理、概念化。Wei Gu:资源、调查、数据管理。Zhu Sun:验证、软件。Yongkui Jin:可视化、验证、软件。Wuchang Qin:验证……

**利益冲突声明**

作者声明以下财务利益/个人关系,可能被视为潜在的利益冲突:本稿件提交不存在利益冲突,稿件已获所有作者批准发表。我们声明所描述的工作为原创研究,此前未曾发表,也未在其他地方(全部或部分)提交发表或正在审稿中。所有列出的作者均已批准该稿件。

**致谢**

本研究得到了中国国家重点研发计划(项目编号2022YFD2001600)、国家自然科学基金青年科学基金(项目编号32501817)、青年创新计划(项目编号Y2024QC30)、中国农业科学院创新工程(项目编号CAAS-SAE-202301)和中国留学基金管理委员会项目(项目编号202403250012)的支持。

Yang Xu | Qingzhi Liu | Chen Cai | Wei Gu | Zhu Sun | Yongkui Jin | Wuchang Qin | Yitian Sun | Longfei Cui | Chun Chang | Bedir Tekinerdogan | Xinyu Xue
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号