AgriPath：一种适用于农业机器人在动态田间环境中的强大多目标路径规划框架

　　本研究提出AgriPath多目标路径规划框架，集成改进卷积神经网络（CNN）实现短时轨迹预测，动态A*算法结合卡尔曼滤波提升全局规划适应性，改进型鲸鱼优化算法（IWOA）平衡路径长度、平滑度与规划时间，并采用改进Douglas-Peucker算法实现实时路径平滑。实验表明，AgriPath在简单、中等、复杂场景下路径长度分别缩短至971.34m、979.51m、1457.32m，平滑度达0.4033-0.5326，规划时间优化19%-22%，动态障碍规避成功率高达98.23%。

　　
农业机器人路径规划是精准农业领域的关键技术，其核心在于通过智能算法实现机器人在复杂农田环境中的高效、稳定导航。然而，传统方法如A*、Dijkstra或RRT在动态障碍物、密集植被和地形不平整等挑战面前存在显著局限性：A*算法依赖静态环境 heuristic 函数，难以应对实时变化的动态障碍；RRT等随机采样方法易陷入局部最优，且路径平滑性不足；多目标优化框架在路径长度、平滑度和规划效率之间难以取得平衡。针对这些问题，本研究提出了一种闭环式多目标路径规划框架AgriPath，通过融合改进的CNN、A*算法、鲸优化算法（IWOA）和Douglas-Peucker路径简化技术，实现了对动态环境的高效适应与多目标协同优化。

### 研究背景与核心挑战
精准农业的快速发展推动农业机器人从单一耕作向全流程自动化演进。当前，机器人需在密集作物种植区完成喷洒、病虫害检测等任务，而农田环境具有以下显著特征：
1. **静态与动态障碍并存**：固定作物行、沟渠与临时移动障碍（如工人、农机）交织；
2. **感知不确定性**：低反射率区域（如潮湿土壤）易导致LiDAR检测失效，植被遮挡影响摄像头数据；
3. **多目标冲突**：路径需同时满足最短长度、平滑度（减少急转弯）和实时规划时间；
4. **计算资源受限**：嵌入式系统（如Jetson Nano）要求算法在低延迟下运行，同时参数量需压缩至可管理范围。

### AgriPath框架设计
AgriPath通过分层协同机制解决上述问题，其架构包含五个核心模块（图2）：
1. **短期轨迹预测模块**：基于改进的CNN模型，利用因果卷积捕捉时间序列依赖，多注意力头机制强化关键节点（如转弯、障碍逼近）的建模能力。输入融合IMU（惯性测量单元）、NDVI植被指数和LiDAR点云，输出预测轨迹并注入高斯噪声以增强多样性。
2. **全局路径规划模块**：动态A*算法通过NDVI和湿度传感器数据更新启发函数，结合卡尔曼滤波预测动态障碍位置，实现全局路径的实时调整。
3. **多目标优化模块**：IWOA算法引入非线性收敛因子和差分进化策略，动态平衡路径长度、平滑度和规划时间。实验表明，该模块在复杂场景中可将路径长度缩短13.3%，同时保持平滑度提升14.6%。
4. **路径简化与平滑模块**：改进的Douglas-Peucker算法通过环境感知（NDVI、湿度）自适应调整简化阈值，结合三次B样条插值确保路径连续性，在50米×50米场景中将路径点数减少15%-20%。
5. **导航指令生成模块**：将优化后的路径转换为机器人可执行的指令（位置坐标、速度、转向角），并实时融合多源数据（如LiDAR点云更新）进行动态修正。

### 关键技术创新点
1. **动态感知与预测**：
- **改进的CNN**：采用双层级因果卷积（图3），第一层提取空间特征（如作物行间距），第二层捕获时间动态（如障碍物移动轨迹）。多注意力机制（4头）可识别不同类型的障碍特征，例如NDVI值突变的植被区域或湿度＞10%的水洼。
- **数据融合策略**：通过卡尔曼滤波将10Hz的IMU加速度与1Hz的NDVI数据对齐，降低低频数据噪声（实验显示GPS定位误差降低至0.05米）。

2. **全局-局部协同优化**：
- **A*算法的动态 heuristic**：启发函数结合NDVI（植被密度）和湿度（动态障碍概率），例如在NDVI低值区域（贫瘠地）提高 heuristic 权重以引导机器人避开无效区域。实验表明，动态权重使路径长度减少8%-12%。
- **路径融合机制**：采用自注意力加权融合（图2B），将CNN预测的局部轨迹（10步内）与A*的全局路径通过4维特征（位置、速度、转向、障碍风险）融合，生成初始优化路径。

3. **多目标自适应平衡**：
- **IWOA算法的改进**：引入非线性的弹性边界约束（图5），动态收缩搜索空间以避免无效迭代。例如，在复杂场景中，边界收缩速度提高20%，使算法收敛时间缩短至70步（传统方法需100步以上）。
- **权重动态调整**：根据环境数据（NDVI、湿度、LiDAR更新频率）实时调整多目标权重。实验显示，权重调整可使规划时间在动态障碍出现时减少30%-40%。

4. **轻量化实时执行**：
- **参数压缩技术**：通过通道剪枝和量化，将CNN和IWOA的参数量压缩至200以下，满足Jetson Nano的算力限制（实测规划延迟<0.1秒/点）。
- **预计算策略**：B样条基函数矩阵提前计算，Douglas-Peucker简化算法的路径点数减少至原始的30%-40%，同时保持曲率连续性（曲率波动幅度降低至±0.05 rad/m）。

### 实验验证与性能对比
在成都西华大学现代农业示范区（图8）的三个典型场景中，AgriPath的表现显著优于SBREA*、Ant Colony A*等算法：
1. **简单场景**（静态障碍占比40%）：AgriPath路径长度971.34米，接近理论最优值（950米），优于SBREA*（1,018.94米）和Greedy A*（1,026.34米）。平滑度（平均曲率0.4033）和规划时间（125.1 ms）均优于其他算法。
2. **中等场景**（动态障碍出现频率30%）：AgriPath规划时间141.6 ms，较SBREA*快12%，且动态避障成功率98.2%，高于Ant Colony A*的96.3%。
3. **复杂场景**（随机水洼、高密度植被）：AgriPath路径长度1,457.32米，较Ant Colony A*（1,623.95米）缩短10.5%。其多目标优化能力在Hypervolume指标上达到0.640（其他算法0.610-0.630），显示更优的全局搜索效率。

### 实际应用价值
AgriPath已部署于多个农场，日均作业面积达15公顷，效率提升40%以上。具体优势包括：
- **能耗优化**：通过路径缩短和规划时间降低，能耗减少18%-25%（表6）；
- **任务适应性**：支持喷洒（覆盖率达95%）、巡检（路径平滑度提升14%）和施肥（动态调整精度±0.05米）；
- **环境鲁棒性**：在暴雨后水洼分布（图9）和10m/s风速下的稳定作业能力。

### 局限与未来方向
当前研究存在以下局限：
1. **地形适应性**：实验 confined于平坦农田（坡度<3°），未验证山地或坡地场景；
2. **传感器依赖**：LiDAR在茂密植被（高度>2.5m）下检测率下降至75%，需结合RGB-D摄像头补充；
3. **计算延迟**：IWOA在Jetson Nano上的迭代时间（200 ms）略高于工业机器人要求（<100 ms），需进一步优化。

未来工作将：
- 开发基于LiDAR-Depthmap的植被穿透检测模块；
- 集成强化学习（RL）实现自主决策；
- 优化算法参数以适应低功耗边缘计算设备。

### 结论
AgriPath通过多模态感知、动态权重调整和轻量化优化，首次在农业机器人导航中实现了全闭环闭环系统。其实验数据表明，在动态障碍物场景中，其避障成功率比传统方法高5%-8%，且路径规划时间降低15%-20%，为精准农业提供了可靠的技术方案。该研究不仅填补了现有路径规划框架在动态多目标优化上的空白，更为机器人导航系统的小样本学习与实时性保障提供了新思路。