基于改进生物神经网络（BNN）的农业播种机完整覆盖路径规划

《Agriculture》：Complete Coverage Path Planning for Agricultural Sowing Machine Using Improved Biological Neural Network

　　

播种机械的完整覆盖路径规划具有挑战性，因为已播种区域不应被重复遍历，这是其与清洁机器人路径规划的主要区别。本文提出一种改进的生物神经网络（BNN）方法，该方法考虑了播种运动与非播种运动之间的作业模式切换机制。基于周围环境条件，下一节点状态被划分为播种节点、封闭节点或转移节点。在BNN神经活动景观引导下，播种机在播种节点处沿平行直线路径继续播种作业。一旦检测到封闭节点，播种机切换至非播种模式，并采用深度优先搜索算法搜索可能被封闭的区域。随后，播种机沿最短非播种路径移动到新的目标节点，并重新开始播种。这避免了播种路径诱导封闭（SPIE）问题。当检测到转移节点时，播种机同样切换至非播种模式，然后搜索并行驶至合理的新目标节点以重新开始播种，从而提高了播种路径的合理性。仿真结果表明，所提方法能够实现播种作业的完整覆盖，同时避免对已播种区域的重复遍历。在差速履带底盘平台上开展的实验验证了所提方法的可行性。

**研究背景与问题**
随着人工智能与自主导航技术发展，农业作业日益智能化和自主化。田间路径规划质量直接影响作业效率与质量，完整覆盖路径规划（CCPP）是播种、收获和植保等田间作业的典型模式。已有CCPP方法包括模板模型、栅格分解、元启发式优化和神经网络等方法，但这些方法通常允许路径自由重叠，主要适用于清洁机器人和收获机械。播种机械作业具有特殊性：播种运动必须保持平行直线路径以保证作物成行生长，同时应避免重复遍历已播种区域，以免影响种子萌发和根系生长。在某些情况下，不合理的播种路径会形成“播种路径诱导封闭”（SPIE）问题，使田间出现封闭区域，无法实现完整覆盖。因此，需要一种能够避免重复遍历已播种区域并解决SPIE问题的播种机械CCPP方法。

**研究内容、结论与意义**
研究人员提出一种基于改进生物神经网络（BNN）的方法，通过引入播种与非播种运动模式切换机制，将下一节点状态划分为播种节点、封闭节点和转移节点。当遇到封闭节点或转移节点时，播种机停止播种，并通过非播种模式移动到新目标节点后恢复播种。仿真结果表明，该方法能在不同复杂环境下实现100%播种覆盖，且对已播种区域的重复遍历次数为零。在差速履带底盘平台上的实验进一步验证了方法的可行性。该方法为播种机械的完整覆盖路径规划提供了有效解决方案，也为水稻插秧等需要避免重复遍历已作业区域的其他农业作业提供了参考。

**关键技术方法（不超过250字）**
研究人员采用以下关键技术：（1）改进生物神经网络（BNN）模型，分别构建用于播种运动与非播种运动的两个神经活动景观Γ_S和Γ_NS；（2）节点状态分类机制，根据邻近节点环境将下一节点判定为播种节点、封闭节点或转移节点；（3）深度优先搜索（DFS）算法，用于判断封闭节点并识别潜在封闭区域S_SPIE；（4）最短非播种路径生成策略，依据Γ_NS的神经元活性传播特性引导播种机到达新目标节点；（5）基于RTK-GNSS、IMU和编码器的差速履带底盘实验平台进行实验验证。此外，研究基于中国丹阳市试验农田（119.68°E，31.96°N）的真实场景构建了测试工作空间。

**研究结果**
**3.1 仿真结果**
在简单的15×15栅格环境中，播种机在遇到封闭节点时切换至非播种模式，利用DFS识别潜在封闭区域，然后移动到新目标节点恢复播种；在遇到转移节点时，同样切换至非播种模式并移动到合理目标节点。整个播种过程未重复遍历已播种区域。在障碍物更复杂的环境中，该方法仍实现100%播种覆盖且零重复遍历。在仅有一个出入口的场景中，播种机从入口进入后先以非播种模式移动到新目标节点，再沿Y方向播种，最终从同一出口离开，验证了该方法在封闭入口场景下的适用性。将初始播种方向改为沿X方向后，节点状态随播种区域变化而动态改变，但仍实现100%覆盖且无重复遍历。在基于真实农田卫星影像构建的工作空间中，该方法同样实现了100%覆盖并避免重复遍历已播种区域。

**3.2 对比评估**
研究人员在相同环境下将所提方法与标准BNN算法和经典栅格分解（BCD）方法进行比较。在两种测试环境中，三种方法均实现100%覆盖，且转弯次数相近。标准BNN的整体路径长度更短，但其允许机器穿越已播种区域；BCD方法存在区域间转移导致的多次重复遍历。所提方法的整体重复率分别为6.73%和3.61%，并非最低，但对已播种区域的重复遍历次数均为0；而标准BNN分别产生4次和3次重复遍历，BCD方法分别产生19次和44次重复遍历。上述结果表明，所提方法在避免重复遍历已播种区域方面具有明显优势。

**3.3 实验验证**
在差速履带底盘平台上开展的实验中，工作环境与仿真场景一致，控制器生成运动路径和策略并驱动底盘执行作业。实验中的覆盖率、整体路径长度、转弯次数、整体重复率及已播种区域重复遍历次数均与仿真结果一致。平台能够成功在播种与非播种模式间切换，并以非播种模式移动到目标节点。轨迹跟踪存在小幅偏差，但不影响平台沿规划路径行驶，验证了所提方法在实际条件下的可行性。

**总结讨论与结论**
讨论部分指出，标准BNN和BCD方法允许路径重叠，因此会产生对已播种区域的重复遍历；所提方法通过将节点状态分类和两种神经活动景观相结合，既保证了播种路径的平行直线特性，又生成了最短非播种转移路径，从而避免了SPIE问题并提高播种路径合理性。
本文结论可概括为：考虑农业播种机械的作业要求，研究人员提出一种基于改进生物神经网络的新型CCPP方法，并通过不同测试环境下的仿真和差速履带平台实验验证了其可行性和适用性。该方法的主要特征包括：第一，根据相邻节点状态将节点划分为三类，作为播种操作与非播种运动切换的决策依据；第二，构建两个神经活动景观，分别引导播种作业和非播种运动，确保播种路径为平行直线并生成到新目标节点的最短非播种转移路径；第三，通过确定新的转移目标节点并执行非播种运动，避免SPIE问题，有效提高播种路径合理性。结果表明，该方法在测试的复杂环境中能够实现播种机械的完整覆盖路径规划，并避免在已播种区域上重复行驶，为播种机械路径规划提供了有效方案，也为水稻插秧等其他需避免重复遍历已作业区域的农业作业提供了参考。