Dinamik headland-həssas əhatə yolunun planlaşdırılması, sahənin bütün sərhədi boyunca sabit enli dönmə sahəsi ayırmaq əvəzinə, yalnız iş zolaqlarının həqiqətən dönmə bağlantısına ehtiyac duyduğu sərhəd hissələrinə uyğun headland sahəsi ayıran həndəsi marşrut planlaşdırma yanaşmasıdır. Bu tədqiqatda metod iş istiqaməti və zolaq ofsetini birlikdə seçir, paralel iş zolaqları yaradır, qonşu zolaqları kubik Bézier U-dönüşləri ilə birləşdirir, dönmə məsafəsini, əhatə xətasını və headland nisbətini ECDF-midrank ilə normallaşdırır və yaranan diskret, qeyri-hamar axtarış məkanında yüksək keyfiyyətli həll tapmaq üçün DQN-SHADE adlı gücləndirici öyrənmə ilə dəstəklənən diferensial təkamül optimallaşdırmasından istifadə edir.

Tədqiqatın həndəsi simulyasiyaları Çinin Xinjiang bölgəsindəki Changji Huaxing Farm-dan UAV görüntülərindən çıxarılmış 24 real sahə sərhədində aparılmışdır. Maşının iş eni 19,5 m, minimum dönmə radiusu 5,0 m olaraq sabitlənmişdir. İş istiqaməti 0°–179,5° arasında 0,5° ayırdetmə ilə və zolaq ofseti \(\{0,0.25,0.50,0.75\}\) çoxluğundan seçilmiş; beləliklə hər sahə üçün 1440 diskret istiqamət–ofset kombinasiyası istinad məqsədli tam skanla qiymətləndirilmişdir.

Altı stoxastik optimallaşdırma alqoritminin bərabər namizəd-qiymətləndirmə büdcəsi ilə müqayisəsində DQN-SHADE orta \(S_{total}=0.9582\), istinad optimumuna orta gap \(=0.0034\) və \(SR_{5\times10^{-3}}=80.83\%\) ilə ən yüksək əsas axtarış performansını göstərmişdir. SHADE-6 üçün orta gap 0,0044 və uğur nisbəti %76,25; klassik DE üçün gap 0,0053 və uğur nisbəti %71,94 olmuşdur.

Dinamik headland ayrılması sabit tam-sərhəd headland yanaşması ilə müqayisədə orta headland nisbətini %13,30-dan %7,52-yə endirmiş, qorunan iş sahəsi nisbətini %86,67-dən %92,48-ə yüksəltmiş və hər sahə üzrə orta hesabla 16.378,23 m² əlavə əlaqəli iş sahəsi təmin etmişdir. Orta həndəsi əhatə nisbəti %98,16 səviyyəsində qorunmuşdur. Bunun müqabilində orta mütləq dönmə məsafəsi 1304,53 m-dən 1371,89 m-ə yüksəlmişdir. Deməli, metod bütün metrikləri eyni vaxtda yaxşılaşdırmır; daha çox istifadə edilə bilən sahə müqabilində bir qədər uzun ümumi dönmə yolu yaradır.

Bu nəticələr real nəqliyyat vasitəsinin sürülməsi və ya real çiləmə performansı deyil. Əhatə iş zolaqlarının 19,5 m enli həndəsi bufer sahələrindən hesablanmışdır; çiləmə damcılarının paylanması, küləklə sürüklənmə, boom dinamikası, real yol izləmə xətaları və real yanacaq sərfi simulyasiya və ya ölçülməmişdir. Mənbənin gəldiyi nəticə buna görə metodun qiymətləndirilən həndəsi simulyasiya şərtlərində sahə istifadəsini və marşrut keyfiyyətini yaxşılaşdırmasıdır.

Tədqiqat problemi niyə yalnız “ən qısa yolu tapmaq” deyil?

Yerüstü bitki mühafizə maşınlarında əhatə yolunun planlaşdırılması hədəf sahənin mümkün qədər tam işlənməsini, zolaqlar arasındakı lazımsız üst-üstə düşmənin azaldılmasını, maşının sahədən kənara çıxmamasını və qonşu zolaqlar arasında fiziki olaraq dönülə bilən bağlantıların yaradılmasını eyni vaxtda tələb edir.

Qeyri-müntəzəm sahədə iş istiqaməti dəyişdikdə yalnız zolaqların istiqaməti dəyişmir. Zolaqların sayı, zolaq uclarının hansı sahə sərhədinə çatdığı, dönmələrin hansı sərhəddə edilməli olduğu və dönmə üçün ayrılmalı sahə də dəyişir. Zolaqların başlanğıc ofseti də buraxılan və üst-üstə düşən sahələrə təsir edə bilər.

Buna görə mənbə iş istiqamətini, zolaq ofsetini, headland sahəsini və U-dönüşlərini ardıcıl müstəqil problemlər kimi deyil, bir-biri ilə əlaqəli həndəsi sistem kimi nəzərdən keçirir.

Dinamik Headland Nədir və Sabit Headland-dan Necə Fərqlənir?

Dinamik headland bütün sahə sərhədinə eyni dönmə buferini vermək əvəzinə, yalnız qonşu iş zolaqlarının həqiqətən dönmə bağlantısı qurduğu sərhəd hissələrinə, iş istiqaməti ilə sərhəd istiqaməti arasındakı bucağa görə headland sahəsi ayırır; bununla dönmə edilməyən kənarlardakı lazımsız işlənməyən sahə azaldıla bilər.

Sabit headland eni

Sabit tam-sərhəd headland eni mənbədə:

\[ W_{hfix}=2R_{min}+\alpha W \]

kimi müəyyən edilmişdir.

Burada \(R_{min}\) minimum dönmə radiusu, \(W\) maşının iş eni və \(\alpha\) təhlükəsizlik ehtiyatı əmsalıdır. Əsas təcrübələrdə:

• \(R_{min}=5.0\,m\)
• \(W=19.5\,m\)
• \(\alpha=0.25\)

istifadə edilmişdir. \(2R_{min}\) əsas dönmə sahəsini, \(\alpha W\) isə iş eni ilə mütənasib əlavə təhlükəsizlik ehtiyatını ifadə edir.

İş istiqaməti ilə sərhəd istiqamətinin əlaqəsi

Sərhəd hissəsinin istiqaməti \(\theta_i\), iş istiqaməti \(\theta\) olduqda aralarındakı 180° periodik nisbi bucaq:

\[ \phi_i=\min\left(|\theta_i-\theta|,\;180^\circ-|\theta_i-\theta|\right), \qquad \phi_i\in[0^\circ,90^\circ] \]

kimi hesablanır.

Dinamik headland üçün namizəd en:

\[ \widetilde{W}_{h,i}=2R_{min}+\alpha W|\sin\phi_i| \]

şəklindədir. \(|\sin\phi_i|\) termini sərhədin iş xəttinə nəzərən yanal dönmə sahəsi tələbatını miqyaslamaq üçün istifadə olunur.

Lakin mənbə bu eni hər sərhəd seqmentinə avtomatik tətbiq etmir. Sərhədin həqiqətən zolaqlararası dönmə bağlantısı daşıyıb-daşımadığı ayrıca müəyyən edilir:

\[ W_{h,i}^{DH}= \begin{cases} \widetilde{W}_{h,i}, & q_i(\theta,\delta)=1\\ 0, & q_i(\theta,\delta)=0 \end{cases} \]

\(q_i(\theta,\delta)\), müvafiq sərhədin dönmə tələbi daşıyıb-daşımadığını göstərən ikili göstəricidir. Zolaq ucları sərhədin təxminən bir iş eni daxilindəki qonşuluğuna düşür və qonşu zolaqların dönmə bağlantısını yaradırsa, sərhəd dönmə məqsədli hesab edilir.

İş istiqaməti və zolaq ofseti necə seçilir?

Namizəd həll:

\[ X=[\theta,\widetilde{\delta}] \]

kimi müəyyən edilir. \(\theta\) iş istiqamətidir və 0° ilə 180° arasındadır. Zolaq ofseti isə real marşrut istehsalında diskret çoxluqdan seçilir:

\[ C_\delta=\{0,\;0.25,\;0.50,\;0.75\} \]

Real yanal zolaq sürüşməsi:

\[ d=\delta W \]

ilə hesablanır. \(W=19,5\,m\) olduğuna görə dörd ofset seçimi eyni iş eninin müxtəlif başlanğıc fazalarını təmsil edir.

İş istiqaməti də 0,5° ayırdetmə ilə:

\[ \Theta=\{0^\circ,0.5^\circ,\ldots,179.5^\circ\} \]

çoxluğuna uyğunlaşdırılır. Beləliklə 360 istiqamət × 4 ofset = 1440 namizəd marşrut kombinasiyası yaranır.

Bézier U-dönüşü necə yaradılır?

Qonşu iş zolaqları arasındakı dönmə üç hissədən ibarətdir: çıxış düz xətti, kubik Bézier U-dönüşü və giriş düz xətti.

Kubik Bézier əyrisi:

\[ B(t)=(1-t)^3P_0+3(1-t)^2tP_1+3(1-t)t^2P_2+t^3P_3, \qquad t\in[0,1] \]

şəklindədir. \(P_0\) və \(P_3\) dönmənin başlanğıc və bitiş nöqtələridir. \(P_1\) və \(P_2\) idarəetmə nöqtələri əyrinin hər iki ucda iş zolaqlarının istiqamətinə toxunan olmasını təmin edəcək şəkildə yaradılır.

Hər Bézier dönməsi 64 nümunə nöqtəsi ilə qiymətləndirilir. Bu nöqtələr dönmə uzunluğunun hesablanması, minimum dönmə radiusunun yoxlanması və marşrutun ayrılmış headland sahəsi daxilində qalıb-qalmadığının yoxlanması üçün istifadə olunur.

Bir dönmənin uzunluğu:

\[ L_{turn,j}=l_{out,j}+L_{B,j}+l_{in,j} \]

və bütün marşrutun ümumi dönmə məsafəsi:

\[ D_{turn}=\sum_{j=1}^{N_s-1}L_{turn,j} \]

şəklindədir. \(N_s\), etibarlı iş zolaqlarının sayıdır.

Əhatə keyfiyyəti necə ölçülür?

Planlaşdırılan çiləmə sahəsi iş zolaqlarının mərkəz xətləri ətrafında ümumi eni \(W\) olan həndəsi buferlərin birləşməsi kimi müəyyən edilmişdir.

Əhatə xətası:

\[ E_{cov}=r_{miss}+r_{overlap}+r_{out} \]

ilə hesablanır. Burada:

• \(r_{miss}\): hədəf iş sahəsində əhatə olunmayan hissə,
• \(r_{overlap}\): bir dəfədən çox əhatə olunan hissə,
• \(r_{out}\): planlaşdırılmış əhatənin sahədən kənara çıxan hissəsi.

Bu metrik real damcı sıxlığını ölçmür. Tədqiqat açıq şəkildə küləklə sürüklənmənin, çiləmə paylanmasının və boom dinamikasının modelləşdirilmədiyini bildirir.

Headland nisbəti nəyi ölçür?

\[ H_{head}=\frac{A_{head}}{A_{field}} \]

\(A_{head}\) headland sahəsini, \(A_{field}\) ümumi sahə ərazisini göstərir. Daha aşağı dəyər sahənin daha böyük hissəsinin davamlı iş sahəsi kimi qorunması deməkdir.

ECDF-Midrank Niyə İstifadə Olunur?

ECDF-midrank metr ilə ifadə olunan dönmə məsafəsi, ölçüsüz əhatə xətası və headland nisbəti kimi fərqli miqyas və vahidlərdəki xərc meyarlarını hər sahə üçün öz namizəd paylanmasına görə ölçüsüz nisbi keyfiyyət ballarına çevirərək böyük və kiçik sahələrin eyni birləşik bal məntiqi ilə müqayisə edilməsini təmin edir.

\(z\) xərc metrikası üçün:

\[ ECDF^{mid}_f(z)= \frac{n_{<,f}(z)+\frac{1}{2}n_{=,f}(z)} {n_f} \]

hesablanır.

Burada \(n_{<,f}\), \(z\)-dən kiçik dəyərə malik namizədlərin sayını; \(n_{=,f}\), eyni dəyərə malik namizədlərin sayını; \(n_f\) isə həmin sahədəki ümumi istinad namizədlərinin sayını göstərir.

Xərc əsaslı meyarlar daha sonra:

\[ S_{turn}=1-ECDF^{mid}_f(D_{turn}) \]

\[ S_{cov}=1-ECDF^{mid}_f(E_{cov}) \]

\[ S_{head}=1-ECDF^{mid}_f(H_{head}) \]

şəklində keyfiyyət balına çevrilir. Beləliklə daha kiçik xərc daha yüksək bal yaradır.

Birləşik qiymətləndirmə:

\[ S_{total}=w_1S_{turn}+w_2S_{cov}+w_3S_{head} \]

və:

\[ w_1+w_2+w_3=1 \]

şərti ilə yaradılmışdır. Əsas təcrübədə:

• \(w_1=0.15\) — dönmə məsafəsi,
• \(w_2=0.75\) — əhatə keyfiyyəti,
• \(w_3=0.10\) — headland nisbəti.

Ən böyük çəkinin əhatə keyfiyyətinə verilməsi bitki mühafizə əməliyyatında çatışmayan, üst-üstə düşən və sahədən kənar çiləmə həndəsəsinin prioritet qəbul edilməsini əks etdirir.

DQN-SHADE Nə Edir?

DQN-SHADE, SHADE-6 diferensial təkamül axtarıcısının mutasiya və axtarış davranışlarını optimallaşdırma vəziyyəti durğunlaşdıqda Double Dueling DQN tərəfindən seçilən yüksək səviyyəli hərəkətlərlə zamanlayan hibrid optimallaşdırma mexanizmidir; DQN birbaşa sahə marşrutunu çəkmir, hansı axtarış davranışının istifadə ediləcəyini seçir və həndəsi marşrut ayrıca deterministik modulda yaradılır.

SHADE-6-nın altı mutasiya strategiyası

DQN nə vaxt işə düşür?

Qlobal ən yaxşı \(S_{total}\) balı 10 ardıcıl nəsil boyunca yaxşılaşmırsa, DQN işə salınır. Bundan başqa, standart SHADE-6 davranışı davam etdirilir.

DQN-nin vəziyyət girişi 26 ölçülüdür və aşağıdakı məlumat qruplarını ehtiva edir:

• axtarışın gedişi,
• populyasiya balı statistikaları,
• iş istiqaməti və ofset müxtəlifliyi,
• həndəsi tətbiqolunma,
• yaxın dövr optimum yaxşılaşması,
• uğurlu yeniləmələr,
• SHADE parametr tarixçəsi,
• strategiya uğur nisbətləri,
• mövcud ən yaxşı namizədin alt-hədəf balları.

DQN-nin yeddi yüksək səviyyəli hərəkəti vardır:

Test zamanı \(\varepsilon=0.05\) olan ε-greedy siyasət istifadə edilmişdir.

DQN-nin təlim mükafatı

Siyasətin öyrənilməsi mərhələsində onlayn mükafat:

\[ r_g=\Delta S_{best,g}+\Delta\bar{S}_g+p_{succ,g} \]

şəklindədir. Burada \(\Delta S_{best,g}\) mövcud ən yaxşı baldakı müsbət inkişafı, \(\Delta\bar{S}_g\) populyasiya ortalamasındakı müsbət inkişafı və \(p_{succ,g}\) həmin nəsildə uğurla yenilənən fərdlərin nisbətini ifadə edir.

Vacib olaraq, bu mükafat istinad optimumundan istifadə etmir. İstinad optimumu yalnız test performansındakı gap dəyərinin ölçülməsi üçün istifadə olunur.

Tədqiqatın Metodu və Nəticələri

Sahə məlumatları

Tədqiqat sahəsi Çinin Xinjiang bölgəsindəki Changji Huaxing Farm-dır və təxminən 44,22° N, 87,29° E koordinatındadır. UAV görüntüləri Mayıs–Haziran 2025 dövründə DJI Mavic 3 istifadə edilərək 110 m uçuş hündürlüyü və 15 m/s uçuş sürəti ilə toplanmışdır.

Əvvəlcə 26 sərhəd poliqonu əldə edilmiş; 6 və 24 nömrəli bölgələr kənd təsərrüfatı əməliyyatı sahəsi olmadığı üçün çıxarılmışdır. Son analizdə 24 sahə istifadə edilmişdir. Ümumi sahə təxminən 887,94 ha, ayrı-ayrı sahələrin ölçüsü 4,85–89,10 ha arasındadır.

Koordinatlar WGS84-dən UTM Zone 45N, EPSG:32645 sisteminə çevrilmişdir. Bütün həndəsi hesablamalar vektor poliqonlar üzərində aparılmışdır.

Maşın parametrləri

Hər alqoritm üçün 24 sahə × 30 müstəqil test = 720 iş qiymətləndirilmişdir. Statistik testlərdə pseudoreplication-ın qarşısını almaq üçün əvvəlcə eyni alqoritmin bir sahədəki 30 təkrarı orta hesablanmış və 24 sahə ortalaması cütləşdirilmiş blok kimi istifadə edilmişdir.

DQN təlim/test ayrımı

Tədqiqat sahə səviyyəsində beşqatlı cross-validation istifadə etmişdir. 24 sahə beş ayrı alt çoxluğa bölünmüş; hər fold-da DQN yalnız təlim sahələrində yenilənmişdir. Təlimdən sonra şəbəkə parametrləri dondurulmuş və held-out sahələrdə 30 random seed ilə test edilmişdir.

Bu ayrım vacibdir; test sahələri DQN siyasətinin çəki yenilənməsinə daxil edilməmişdir.

İstinad optimumu nə deməkdir?

Tədqiqatın “reference optimum” dəyəri davamlı riyazi məkanın sübut edilmiş qlobal optimumu deyil. 0,5° istiqamət ayırdetməsi və dörd ofsetdən ibarət 1440 namizəddən ibarət diskret məkanın tam skanı nəticəsində tapılan ən yaxşı marşrutdur.

Alqoritmin optimumdan uzaqlığı:

\[ gap_f(X)=S_{total}(X_f^*)-S_{total}(X) \]

kimi müəyyən edilir. \(X_f^*\), həmin sahə üçün 1440 namizəd arasındakı ən yaxşı istinad həllidir.

Uğur metrikası \(SR_{5\times10^{-3}}\), müstəqil testlərin nə qədərinin:

\[ gap\leq5\times10^{-3} \]

şərtini ödədiyini göstərir.

İstinad-optimal həndəsi marşrutlar

24 sahənin diskret istinad-optimal dinamik headland marşrutlarında:

Optimal iş istiqamətləri 2° ilə 171° arasında dəyişmişdir. Bu geniş diapazon tək bir sabit istiqamət qaydasının bütün sahə həndəsələri üçün uyğun olmadığını dəstəkləyir.

Altı optimallaşdırma alqoritminin müqayisəsi

24 sahənin ortalamaları üzrə Friedman testi alqoritmlər arasında əhəmiyyətli ümumi fərq göstərmişdir:

\[ \chi^2=50.820,\qquad p=9.42\times10^{-10} \]

DQN-SHADE ilə aparılan beş ikili Wilcoxon müqayisəsinin hamısı Holm düzəlişindən sonra əhəmiyyətli qalmışdır. DQN-SHADE ilə SHADE-6 müqayisəsi üçün \(W=20\) və düzəldilmiş \(p=0.00557\)-dir.

DQN-SHADE ilə SHADE-6 yaxınlaşması

İlk 20 nəsildə SHADE-6 bir qədər daha aşağı gap dəyərinə malikdir. DQN-SHADE üstünlüyü axtarışın daha sonrakı mərhələlərində ortaya çıxmışdır. Buna görə tədqiqatın şərhinə əsasən DQN komponentinin əsas töhfəsi başlanğıc sürətindən çox, axtarış durğunlaşdıqda davranışı dəyişdirə bilməsidir.

DQN-SHADE daha sürətlidirmi?

Ümumilikdə xeyr. Mənbə DQN-SHADE-nin töhfəsini hesablama sürəti deyil, axtarış sabitliyi kimi şərh edir.

Beş fold üçün DQN siyasətinin təliminin ümumi müddəti 841,52 saniyə, yəni təxminən 14,03 dəqiqədir. Bu birdəfəlik əlavə təlim xərci nəzərə alındıqda metod “ən sürətli alqoritm” deyil.

Dinamik və sabit headland müqayisəsi

Headland nisbətindəki azalma və qorunan iş sahəsindəki artım üçün cütləşdirilmiş Wilcoxon testləri Holm düzəlişindən sonra:

\[ p_{adj}=2.38\times10^{-7} \]

dəyərini vermişdir.

Burada mühüm güzəşt mütləq dönmə məsafəsidir. Dinamik metodda iş sahəsi genişləndiyi və zolaq ucları dəyişdiyi üçün ümumi dönmə məsafəsi təxminən %5,16 artmışdır. Buna baxmayaraq, daha böyük qorunan sahəyə normallaşdırılmış marşrut sıxlığı və yanacaq proqnozu azalmışdır.

Yanacaq sərfi ölçülübmü?

Xeyr. Yanacaq dəyəri real traktor yanacaq ölçümü deyil. Tədqiqat 62,5 kW mühərrik gücü, 242 g/kWh xüsusi yanacaq sərfi, 6,0 km/h iş sürəti və 3,0 km/h dönmə sürəti fərziyyələri ilə marşrut həndəsəsindən hesablanan modeldən istifadə etmişdir:

\[ M_{fuel}= \frac{P_r b_f}{1000} \left( \frac{L_{work}/1000}{v_{work}} + \frac{D_{turn}/1000}{v_{turn}} \right) \]

Ərazi meyli, torpaq müqaviməti, real mühərrik yükü və ya maşın dinamikası bu hesablamaya birbaşa daxil edilməmişdir. Buna görə 1,54 kg/ha ilə 1,56 kg/ha fərqi model altında nisbi müqayisədir.

Headland təhlükəsizlik əmsalına həssaslıq

Üç parametr arasındakı ümumi fərq əhəmiyyətlidir: Friedman \(\chi^2=36.083\), \(p=1.46\times10^{-8}\). \(\alpha=0.10\), 0,25-dən əhəmiyyətli dərəcədə daha pisdir; 0,25 ilə 0,50 arasındakı fərq Holm düzəlişindən sonra əhəmiyyətli deyil. Mənbə 0,25-i universal optimum kimi deyil, sınaqdan keçirilən diapazonda sahə istifadəsi və həndəsi tətbiqolunma arasında balanslı seçim kimi şərh edir.

Ofset ayırdetməsi daha da artırılsa nə baş verir?

İki, dörd və səkkiz səviyyəli zolaq-ofset çoxluqları müqayisə edilmişdir. Səkkiz səviyyə orta \(S_{total}\)-ı 0,9144-ə yüksəldərkən dörd səviyyəli əsas parametr 0,9057-dir. Lakin səkkiz səviyyə dörd səviyyə ilə müqayisədə qorunan sahəni orta hesabla yalnız 197,93 m², yəni təxminən %0,058 artırmış və əhatə nisbətini yalnız 0,063 faiz bəndi yüksəltmiş; əvəzində namizəd sayını ikiqat artırmışdır.

Tam 0,5° istiqamət şəbəkəsində dörd səviyyəli seçim 1440 namizəd, səkkiz səviyyəli seçim 2880 namizəd tələb edir. Buna görə tədqiqat dörd ofseti ayırdetmə–hesablama xərci balansı kimi istifadə etmişdir.

DQN hiperparametr həssaslığı

DQN siyasətinin öyrənmə sürətinə həssaslığı discount factor-a görə daha yüksəkdir. Əsas parametr \(2.5\times10^{-4}\) ilə orta gap 0,003365 və uğur %80,83 olduğu halda, sınaqdan keçirilən daha aşağı öyrənmə sürəti \(1.0\times10^{-4}\) ilə gap 0,002426 və uğur %86,39 olmuşdur.

Bu nəticə vacibdir: məqalədəki əsas DQN-SHADE parametri sınaqdan keçirilən bütün hiperparametrlər arasında ən yaxşı nəticə deyil. Əsas müqayisə əvvəlcədən müəyyən edilmiş parametrlə aparılmış və həssaslıq analizi daha aşağı öyrənmə sürətinin daha yaxşı nəticə verə bildiyini göstərmişdir.

İki Yeni Sahə Həndəsəsindəki %100 Uğur Universal Ümumiləşdirmə Deməkdirmi?

Xeyr. DQN-SHADE iki təlimdənkənar stress-test həndəsəsində bütün işə salmalarda \(SR_{5\times10^{-3}}=100\%\) əldə etsə də, SHADE-6 da eyni %100 uğura çatmışdır; mənbə yalnız iki süni stress həndəsəsinin sınaqdan keçirildiyini açıq şəkildə bildirərək bu nəticəni universal ümumiləşdirmə və ya DQN-SHADE-nin ümumi üstünlüyü kimi şərh etmir.

Birinci test həndəsəsinin en-boy nisbəti 7,24-dür; ilkin 24 sahədə maksimum dəyər 3,40-dır. İkinci həndəsə 11 re-entrant künc ehtiva edir, ilkin sahələrdə isə maksimum dörd belə künc vardır.

Xüsusilə çox sayda içbükey küncə malik həndəsədə tətbiq oluna bilən namizədlərin yalnız %40,56 olması mürəkkəb sərhədlərin axtarış məkanının həndəsi baxımdan böyük hissəsini etibarsız edə bildiyini göstərir.

CEC2022 testi nə göstərir?

Tədqiqatçılar DQN-SHADE-nin standart davamlı optimallaşdırma davranışını ayrıca CEC2022-nin 12 funksiyasında qiymətləndirmişlər. DQN-SHADE orta \(\log_{10}(\Delta f)=1.72\pm2.41\) və orta sıra 2,42 ilə altı alqoritm arasında ən yaxşı ümumi ortalamanı vermişdir.

Lakin CEC2022 funksiyaları sahə sərhədi clipping-i, dinamik headland, zolaq ucları və ya dönmə tətbiqolunmasını ehtiva etmir. Buna görə mənbə CEC2022-ni yalnız tamamlayıcı optimallaşdırma testi kimi istifadə edir; kənd təsərrüfatı CPP uğurunun əsas sübutu real sərhədlər üzərindəki həndəsi təcrübələrdir.

Tədqiqatın güclü tərəfləri

• Headland ayrılmasını iş istiqaməti və zolaq-ofset seçimindən müstəqil nəzərdən keçirmir.
• 24 real sahə sərhədindən istifadə edir.
• DQN təlimi ilə test sahələrini field-disjoint beşqatlı strukturdan istifadə edərək ayırır.
• Altı optimallaşdırma alqoritmini eyni namizəd-qiymətləndirmə büdcəsi və eyni həndəsi planlaşdırıcı altında müqayisə edir.
• Alqoritm müqayisəsində 30 təkrarı birbaşa müstəqil nümunə kimi saymaq əvəzinə əvvəlcə sahə səviyyəsində orta götürərək pseudoreplication riskini azaldır.
• Performans yalnız birləşik bal ilə deyil, əhatə, dönmə, dönmə sayı və model yanacağı ilə də hesabatlanmışdır.
• Dinamik headland yanaşmasının qazancı ilə artan mütləq dönmə məsafəsi arasındakı güzəşt gizlədilməmişdir.
• Həssaslıq analizləri təhlükəsizlik əmsalı, ofset ayırdetməsi və DQN hiperparametrləri üçün aparılmışdır.

Tədqiqatın dəstəklədiyi nəticələr

• Dinamik headland ayrılması qiymətləndirilən sahə həndəsələrində lazımsız işlənməyən sərhəd sahəsini azaltmışdır.
• 24 sahədə orta headland nisbəti %13,30-dan %7,52-yə enmişdir.
• Qorunan iş sahəsi hər sahə üzrə orta hesabla 16.378,23 m² artmışdır.
• Orta həndəsi əhatə %98-dən yuxarı saxlanılmışdır.
• DQN-SHADE eyni qiymətləndirmə büdcəsində sınaqdan keçirilən beş stoxastik baseline ilə müqayisədə daha aşağı mean gap və daha yüksək threshold success rate əldə etmişdir.
• DQN-SHADE-nin üstünlüyü xüsusilə axtarışın daha sonrakı nəsillərində ortaya çıxmışdır.
• Dinamik headland mütləq dönmə məsafəsini bir qədər artırsa da, sahə-normalizə edilmiş marşrut sıxlığını və model yanacaq sərfini azaltmışdır.
• İki təlimdənkənar həndəsi stress testində dondurulmuş DQN siyasətləri yenidən təlim olmadan tətbiq oluna bilən marşrutlar yaratmışdır.

Tədqiqatın dəstəkləmədiyi nəticələr və məhdudiyyətlər

• Real traktor və ya çiləyici maşınla sahə təcrübəsində marşrut izlənməsi təsdiqlənməmişdir.
• Real yanacaq sərfi ölçülməmişdir.
• Real çiləmə depozisiyası və ya damcı uniformluğu ölçülməmişdir.
• Küləklə sürüklənmə və boom dinamikası əhatə modelində yoxdur.
• Ərazi meyli və torpaq xüsusiyyətləri yanacaq modelinə daxil edilməmişdir.
• Sahədaxili ağac, elektrik dirəyi, ada və ya başqa maneələr modelləşdirilməmişdir.
• Model yalnız xarici sərhəd poliqonlarından istifadə edir.
• Zolaq ofseti davamlı deyil, dörd diskret səviyyədədir.
• “Reference optimum” davamlı qərar məkanının riyazi qlobal optimumu deyil, 1440 namizəddən ibarət diskret məkanın optimumudur.
• ECDF-midrank miqyası yeni sahə üçün offline exhaustive enumeration-a əsaslanır; metod hələ istinad skanı olmadan tam end-to-end onlayn hesablama qənaəti göstərmir.
• İki stress-test həndəsəsi universal həndəsi ümumiləşdirmənin sübutu deyil.
• DQN-SHADE-nin iki stress həndəsəsində uğur nisbəti SHADE-6-dan yüksək deyil; hər ikisi %100-ə çatmışdır.
• Əsas DQN öyrənmə sürəti həssaslıq testində ən yaxşı öyrənmə sürəti deyil.

Gələcək tədqiqat

Mənbə növbəti mərhələdə yüksək dəqiqlikli nəqliyyat vasitəsi dinamikası simulyasiyası, hardware-in-the-loop testləri və real sahə nəqliyyat vasitəsi təcrübələri planlaşdırır. Xüsusilə yol izləmə xətası, real əməliyyat müddəti, müxtəlif torpaq və ərazi şəraitində ölçülən yanacaq sərfi, dönmə performansı və spray-deposition uniformluğu təsdiqlənməlidir.

Həmçinin iş məkanının davamlı zolaq ofsetinə, giriş nöqtəsi seçiminə, müxtəlif dönmə tiplərinə, daxili maneələrə və çoxmaşınlı koordinasiyaya genişləndirilməsi təklif olunur. Damcı depozisiyası sensorları, spray-width overlap və wind-drift modelləri də həndəsi coverage metrikasını real çiləmə performansı ilə əlaqələndirə biləcək gələcək komponentlərdir.

Mənbə və Metod Qeydi

Orijinal tədqiqat: Dynamic-Headland-Aware Coverage Path Planning for Ground-Based Plant Protection Operations in Irregular Fields Using DQN-SHADE.

Müəlliflər: Tuo Sun, Xiaoyi Liu, Zhixin Yao, Taihong Zhang və Yanlin Xin.

Məsul müəlliflər: Zhixin Yao və Taihong Zhang.

Qurumlar: College of Computer and Information Engineering, Xinjiang Agricultural University; Xinjiang Agricultural Informatization Engineering Technology Research Center; Research Center for Intelligent Agriculture, Ministry of Education Engineering, Urumqi, China.

Jurnal: Agriculture.

Nəşriyyat: MDPI.

Cild / say / məqalə: 16(17), 1919.

DOI: 10.3390/agriculture16171919.

Təqdim: 14 Temmuz 2026.

Reviziya: 23 Ağustos 2026.

Qəbul: 28 Ağustos 2026.

Nəşr: 4 Eylül 2026.

Mənbə növü: Rəyçilərdən keçmiş tədqiqat məqaləsi.

Lisenziya: Creative Commons Attribution (CC BY).

Tədqiqat növü: Real UAV-mənşəli sahə sərhədləri üzərində həndəsi CPP simulyasiyası və optimallaşdırma alqoritmlərinin müqayisəsi.

UAV məlumat toplanması: DJI Mavic 3; 110 m uçuş hündürlüyü; 15 m/s sürət; Mayıs–Haziran 2025.

Sahə sayı: Xam məlumat 26 sahə; əməliyyat üçün istifadə olunmayan 6 və 24 nömrəli sahələr çıxarıldıqdan sonra 24 sahə.

Ümumi sahə: Təxminən 887,94 ha.

Tək sahənin ölçüsü: 4,85–89,10 ha.

Koordinat sistemi: WGS84 → UTM Zone 45N, EPSG:32645.

Maşın modeli: Həndəsi səviyyədə 19,5 m iş eni və 5,0 m minimum dönmə radiusu.

Alqoritmlər: DQN-SHADE, DE, SHADE-6, PSO, GA və HHO.

Proqram təminatı: Python 3.9.13; DQN modulu PyTorch 2.8.0.

Aparat təminatı: AMD Ryzen 7 7735H, 16 GB RAM, Windows 11.

DQN quruluşu: Double Dueling DQN; 26 ölçülü state; yeddi action; əsas öyrənmə sürəti \(2.5\times10^{-4}\); \(\gamma=0.99\); batch 32; replay buffer 10.000; test ε=0,05.

Cross-validation: Field-disjoint beşqatlı təlim/test quruluşu.

Statistika: Friedman testi; DQN-SHADE nəzarət olmaqla cütləşdirilmiş Wilcoxon signed-rank testləri; Holm çoxsaylı müqayisə düzəlişi.

Yanacaq modeli: Marşrut uzunluğundan hesablanan model-proqnozlu dəyər. Real yanacaq sensor ölçümü deyil.

Maliyyələşdirmə: Provincial Key S&T Program of Xinjiang, grant 2022A02011; National Key R&D Program of China, grant 2022ZD0115805; Master’s Student Research Innovation Project of Xinjiang Agricultural University, grant XJAUGRI2026023.

Məlumat əlçatanlığı: Məlumatlar məsul müəllifdən əsaslandırılmış tələb əsasında əldə edilə bilər.

Maraq toqquşması: Müəlliflər maraq toqquşmasının olmadığını bəyan etmişlər.

Etika: Institutional Review Board və informed consent tətbiq edilə bilən deyil.

Müəllif töhfələri: Konseptuallaşdırma Tuo Sun və Zhixin Yao; metodologiya və proqram təminatı Tuo Sun; doğrulama Tuo Sun, Zhixin Yao və Taihong Zhang; formal analiz Tuo Sun; tədqiqat Tuo Sun, Xiaoyi Liu və Yanlin Xin; məlumat kurasiyası Tuo Sun və Zhixin Yao; ilkin layihə Tuo Sun; nəzərdən keçirmə/redaktə Tuo Sun, Zhixin Yao və Taihong Zhang; vizuallaşdırma Tuo Sun; məsləhətçilik, layihə idarəetməsi və maliyyələşdirmənin əldə edilməsi Zhixin Yao və Taihong Zhang.

Əsas metodoloji məhdudiyyət: Tədqiqat real sahə sərhədlərindən istifadə etsə də, nəticələr həndəsi simulyasiyadır. Real nəqliyyat vasitəsinin yol izləmə performansı, ölçülmüş yanacaq, torpaq/ərazi təsiri və real spray deposition hələ sahə təcrübəsi ilə təsdiqlənməmişdir.

ECDF-midrank məhdudiyyəti: Qiymətləndirmə miqyası hər sahə üçün offline exhaustive enumeration ilə kalibrasiya olunur. Buna görə mövcud sistem yeni sahə üçün istinad skanı olmadan end-to-end hesablama üstünlüyü göstərmir.