Динамикалык headland-сезгич камтуу жолун пландаштыруу — талаанын бүт чек арасы боюнча туруктуу кеңдиктеги бурулуш аймагын бөлүп коюунун ордуна, иш тилкелери чындап бурулуш байланышын талап кылган чек ара бөлүктөрүнө гана ылайыктуу headland аймагын бөлгөн геометриялык маршрут пландаштыруу ыкмасы. Бул изилдөөдө ыкма иш багытын жана тилке офсетин бирге тандайт, параллелдүү иш тилкелерин түзөт, коңшу тилкелерди кубдук Bézier U-бурулуштары менен бириктирет, бурулуш аралыгын, камтуу катасын жана headland катышын ECDF-midrank аркылуу нормалдаштырат жана пайда болгон дискреттик, жылмакай эмес издөө мейкиндигинде жогорку сапаттагы чечим табуу үчүн DQN-SHADE деп аталган бекемдөөчү окутуу менен колдоого алынган дифференциалдык эволюция оптималдаштыруусун колдонот.

Изилдөөнүн геометриялык симуляциялары Кытайдын Xinjiang аймагындагы Changji Huaxing Farm чарбасынан UAV сүрөттөрүнөн алынган 24 чыныгы талаа чек арасында жүргүзүлгөн. Машинанын иш кеңдиги 19,5 m, минималдуу бурулуш радиусу 5,0 m болуп бекитилген. Иш багыты 0°–179,5° аралыгында 0,5° чечилиш менен, ал эми тилке офсети \(\{0,0.25,0.50,0.75\}\) топтомунан тандалган; ошентип ар бир талаа үчүн 1440 дискреттик багыт–офсет айкалышы маалымдама максатында толук сканерлөө менен бааланган.

Алты стохастикалык оптималдаштыруу алгоритмин тең талапкер-баалоо бюджети менен салыштырганда DQN-SHADE орточо \(S_{total}=0.9582\), маалымдама оптимумга орточо gap \(=0.0034\) жана \(SR_{5\times10^{-3}}=80.83\%\) менен негизги издөө көрсөткүчүнүн эң жогорку маанисин көрсөткөн. SHADE-6 үчүн орточо gap 0,0044 жана ийгилик көрсөткүчү %76,25; классикалык DE үчүн gap 0,0053 жана ийгилик көрсөткүчү %71,94 болгон.

Динамикалык headland бөлүштүрүү туруктуу толук-чек ара headland ыкмасына салыштырмалуу орточо headland катышын %13,30 дан %7,52 ге түшүргөн, сакталган иш аянтынын катышын %86,67 ден %92,48 ге жогорулаткан жана ар бир талаага орточо 16.378,23 m² кошумча байланышкан иш аянтын камсыз кылган. Орточо геометриялык камтуу катышы %98,16 деңгээлинде сакталган. Мунун ордуна орточо абсолюттук бурулуш аралыгы 1304,53 m ден 1371,89 m ге көбөйгөн. Демек, ыкма бардык метрикаларды бир учурда жакшыртпайт; көбүрөөк пайдаланууга боло турган талаа аянтынын эсебинен жалпы бурулуш жолун бир аз узартат.

Бул жыйынтыктар чыныгы унааны айдоо же чыныгы чачуу өндүрүмдүүлүгү эмес. Камтуу иш тилкелеринин 19,5 m кеңдиктеги геометриялык буфер аймактарынан эсептелген; чачуучу тамчылардын бөлүштүрүлүшү, шамал менен жылышы, boom динамикасы, чыныгы жолду ээрчүү каталары жана чыныгы күйүүчү май керектөөсү симуляцияланган же өлчөнгөн эмес. Ошондуктан булактын жыйынтыгы — ыкма бааланган геометриялык симуляция шарттарында талаа аянтын пайдаланууну жана маршрут сапатын жакшыртат.

Изилдөө маселеси эмне үчүн жөн гана “эң кыска жолду табуу” эмес?

Жер үстүндө жүрүүчү өсүмдүктөрдү коргоо машиналарында камтуу жолун пландаштыруу максаттуу аянтты мүмкүн болушунча толук иштетүүнү, тилкелер арасындагы керексиз кабатташууну азайтууну, машинанын талаадан сыртка чыкпоосун жана коңшу тилкелер арасында физикалык жактан бурула ала турган байланыштарды түзүүнү бир убакта талап кылат.

Туура эмес формадагы талаада иш багыты өзгөргөндө тилкелердин багыты гана өзгөрбөйт. Тилкелердин саны, тилке учтары кайсы талаа чек арасына жетери, бурулуштар кайсы чек арада жасалышы керектиги жана бурулуш үчүн бөлүнүшү керек болгон аянт да өзгөрөт. Тилкелердин баштапкы офсети да өтүп кеткен жана кабатташкан аянттарга таасир этиши мүмкүн.

Ошондуктан булак иш багытын, тилке офсетин, headland аймагын жана U-бурулуштарды ырааттуу көз карандысыз маселелер катары эмес, бири-бири менен байланышкан геометриялык система катары карайт.

Динамикалык Headland деген эмне жана туруктуу Headlandдан кандай айырмаланат?

Динамикалык headland бүт талаа чек арасына бирдей бурулуш буферин берүүнүн ордуна, коңшу иш тилкелери чындап бурулуш байланышын түзгөн чек ара бөлүктөрүнө гана, иш багыты менен чек ара багытынын ортосундагы бурчка жараша headland аймагын бөлөт; мунун аркасында бурулуш жасалбаган четтердеги керексиз иштелбеген аянт азайтылышы мүмкүн.

Туруктуу headland кеңдиги

Туруктуу толук-чек ара headland кеңдиги булакта:

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

деп аныкталган.

Бул жерде \(R_{min}\) минималдуу бурулуш радиусу, \(W\) машинанын иш кеңдиги жана \(\alpha\) коопсуздук запасынын коэффициенти. Негизги эксперименттерде:

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

колдонулган. \(2R_{min}\) негизги бурулуш аянтын, ал эми \(\alpha W\) иш кеңдигине пропорциялуу кошумча коопсуздук запас аймагын билдирет.

Иш багыты менен чек ара багытынын байланышы

Чек ара бөлүгүнүн багыты \(\theta_i\), иш багыты \(\theta\) болсо, алардын ортосундагы 180° мезгилдүү салыштырма бурч:

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

деп эсептелет.

Динамикалык headland үчүн талапкер кеңдик:

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

түрүндө. \(|\sin\phi_i|\) мүчөсү чек аранын иш сызыгына салыштырмалуу каптал бурулуш аянтына болгон муктаждыгын масштабдоо үчүн колдонулат.

Бирок булак бул кеңдикти ар бир чек ара сегментине автоматтык түрдө колдонбойт. Чек ара чындап тилкелер аралык бурулуш байланышын алып жүрөбү же жокпу өзүнчө аныкталат:

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

\(q_i(\theta,\delta)\) тиешелүү чек ара бурулуш талабын алып жүрөбү же жокпу көрсөткөн бинардык индикатор. Тилке учтары чек аранын болжол менен бир иш кеңдигинин ичиндеги коңшулугуна түшүп, коңшу тилкелердин бурулуш байланышын түзсө, чек ара бурулуш үчүн колдонулат деп эсептелет.

Иш багыты жана тилке офсети кандай тандалат?

Талапкер чечим:

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

деп аныкталат. \(\theta\) иш багыты жана 0° менен 180° аралыгында. Тилке офсети чыныгы маршрут түзүүдө дискреттик топтомдон тандалат:

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

Чыныгы каптал тилке жылышы:

\[ d=\delta W \]

менен эсептелет. \(W=19,5\,m\) болгондуктан төрт офсет варианты ошол эле иш кеңдигинин ар башка баштапкы фазаларын билдирет.

Иш багыты да 0,5° чечилиш менен:

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

топтомуна дал келтирилет. Ошентип 360 багыт × 4 офсет = 1440 талапкер маршрут айкалышы түзүлөт.

Bézier U-бурулушу кандай түзүлөт?

Коңшу иш тилкелеринин ортосундагы бурулуш үч бөлүктөн турат: чыгуу түз сызыгы, кубдук Bézier U-бурулушу жана кирүү түз сызыгы.

Кубдук Bézier ийри сызыгы:

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

түрүндө. \(P_0\) жана \(P_3\) бурулуштун башталыш жана аяктоо чекиттери. \(P_1\) жана \(P_2\) башкаруу чекиттери ийри сызык эки учунда тең иш тилкелеринин багытына тангенциалдуу болушун камсыз кылгандай түзүлөт.

Ар бир Bézier бурулушу 64 үлгү чекити менен бааланат. Бул чекиттер бурулуш узундугун эсептөө, минималдуу бурулуш радиусун текшерүү жана маршрут бөлүнгөн headland аймагынын ичинде калабы же жокпу текшерүү үчүн колдонулат.

Бир бурулуштун узундугу:

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

жана бүт маршруттун жалпы бурулуш аралыгы:

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

түрүндө. \(N_s\) — жарактуу иш тилкелеринин саны.

Камтуу сапаты кандай өлчөнөт?

Пландалган чачуу аянты иш тилкелеринин борбордук сызыктарынын айланасында жалпы кеңдиги \(W\) болгон геометриялык буферлердин бирикмеси катары аныкталган.

Камтуу катасы:

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

менен эсептелет. Бул жерде:

• \(r_{miss}\): максаттуу иш аянтындагы камтылбаган бөлүк,
• \(r_{overlap}\): бир нече жолу камтылган бөлүк,
• \(r_{out}\): пландалган камтуунун талаадан сыртка чыккан бөлүгү.

Бул метрика чыныгы тамчы тыгыздыгын өлчөбөйт. Изилдөө шамал менен жылуунун, чачуу бөлүштүрүлүшүнүн жана boom динамикасынын моделденбегенин ачык билдирет.

Headland катышы эмнени өлчөйт?

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

\(A_{head}\) headland аянтын, \(A_{field}\) жалпы талаа аянтын билдирет. Төмөнүрөөк мааниси талаанын көбүрөөк бөлүгү үзгүлтүксүз иш аянты катары сакталганын билдирет.

ECDF-Midrank эмне үчүн колдонулат?

ECDF-midrank метр менен өлчөнгөн бурулуш аралыгы, өлчөмсүз камтуу катасы жана headland катышы сыяктуу ар башка масштаб жана бирдиктеги чыгым критерийлерин ар бир талаа үчүн өз талапкерлеринин бөлүштүрүлүшүнө жараша өлчөмсүз салыштырма сапат упайларына айландырып, чоң жана кичине талааларды бирдей кошмо упай логикасы менен салыштырууга мүмкүндүк берет.

Чыгым метрикасы \(z\) үчүн:

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

эсептелет.

Бул жерде \(n_{<,f}\) \(z\) ден кичине мааниге ээ талапкерлердин санын; \(n_{=,f}\) бирдей мааниге ээ талапкерлердин санын; \(n_f\) ошол талаадагы жалпы маалымдама талапкерлеринин санын көрсөтөт.

Чыгымга негизделген критерийлер андан соң:

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

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

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

түрүндө сапат упайына айландырылат. Ошентип азыраак чыгым жогору упай берет.

Кошмо баалоо:

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

жана:

\[ w_1+w_2+w_3=1 \]

шарты менен түзүлгөн. Негизги экспериментте:

• \(w_1=0.15\) — бурулуш аралыгы,
• \(w_2=0.75\) — камтуу сапаты,
• \(w_3=0.10\) — headland катышы.

Эң чоң салмактын камтуу сапатына берилүүсү өсүмдүктөрдү коргоо операциясында жетишпеген, кабатташкан жана талаадан тышкары чачуу геометриясына артыкчылык берилерин чагылдырат.

DQN-SHADE эмне кылат?

DQN-SHADE — SHADE-6 дифференциалдык эволюция издегичинин мутация жана издөө жүрүм-турумдарын оптималдаштыруу абалы токтоп калганда Double Dueling DQN тандаган жогорку деңгээлдеги аракеттер менен убакыттап башкарган гибрид оптималдаштыруу механизми; DQN талаа маршрутун түздөн-түз чийбейт, кайсы издөө жүрүм-туруму колдонуларын тандайт, ал эми геометриялык маршрут өзүнчө детерминисттик модулда түзүлөт.

SHADE-6нын алты мутация стратегиясы

DQN качан ишке кирет?

Глобалдык эң жакшы \(S_{total}\) упайы 10 удаалаш муун бою жакшырбаса, DQN ишке кирет. Мындан тышкары демейки SHADE-6 жүрүм-туруму улантылат.

DQN абал киргизүүсү 26 өлчөмдүү жана төмөнкү маалымат топторун камтыйт:

• издөө прогресси,
• популяция упайларынын статистикасы,
• иш багыты жана офсет ар түрдүүлүгү,
• геометриялык ишке ашуучулук,
• жакын мезгилдеги оптимум жакшыртуусу,
• ийгиликтүү жаңыртуулар,
• SHADE параметр тарыхы,
• стратегиянын ийгилик көрсөткүчтөрү,
• учурдагы эң жакшы талапкердин суб-максат упайлары.

DQNнин жети жогорку деңгээлдеги аракети бар:

Тест учурунда \(\varepsilon=0.05\) болгон ε-greedy саясат колдонулган.

DQNнин окутуу сыйлыгы

Саясатты үйрөнүү этабындагы онлайн сыйлык:

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

түрүндө. Бул жерде \(\Delta S_{best,g}\) учурдагы эң жакшы упайдагы оң жакшыртууну, \(\Delta\bar{S}_g\) популяциянын орточо маанисиндеги оң жакшыртууну жана \(p_{succ,g}\) ошол муунда ийгиликтүү жаңыртылган индивиддердин үлүшүн билдирет.

Маанилүүсү, бул сыйлык маалымдама оптимумду колдонбойт. Маалымдама оптимум тест көрсөткүчүндөгү gap маанисин өлчөө үчүн гана колдонулат.

Изилдөөнүн Ыкмасы жана Жыйынтыктары

Талаа маалыматтары

Изилдөө аймагы Кытайдын Xinjiang аймагындагы Changji Huaxing Farm болуп, болжол менен 44,22° N, 87,29° E координатында жайгашкан. UAV сүрөттөрү Май–Июнь 2025 мезгилинде DJI Mavic 3 колдонулуп, 110 m учуу бийиктиги жана 15 m/s учуу ылдамдыгы менен чогултулган.

Башында 26 чек ара полигону алынган; 6 жана 24 номерлүү аймактар айыл чарба операциялык аянты болбогондуктан чыгарылган. Акыркы анализде 24 талаа колдонулган. Жалпы аянт болжол менен 887,94 ha, жеке талаа аянттары 4,85–89,10 ha аралыгында.

Координаттар WGS84 системасынан UTM Zone 45N, EPSG:32645 системасына өзгөртүлгөн. Бардык геометриялык эсептөөлөр вектордук полигондордо жүргүзүлгөн.

Машина параметрлери

Ар бир алгоритм үчүн 24 талаа × 30 көз карандысыз тест = 720 иш бааланган. Статистикалык тесттерде pseudoreplication болтурбоо үчүн адегенде ошол эле алгоритмдин бир талаадагы 30 кайталануусу орточолонуп, 24 талаанын орточо мааниси жупташкан блок катары колдонулган.

DQN окутуу/тест бөлүнүүсү

Изилдөө талаа деңгээлинде беш катмарлуу cross-validation колдонгон. 24 талаа беш өзүнчө топчого бөлүнгөн; ар бир fold ичинде DQN окутуу талааларында гана жаңыртылган. Окутуудан кийин тармак параметрлери тоңдурулуп, held-out талааларында 30 random seed менен тест жүргүзүлгөн.

Бул бөлүнүү маанилүү; тест талаалары DQN саясатынын салмактарын жаңыртууга киргизилген эмес.

Маалымдама оптимум эмнени билдирет?

Изилдөөдөгү “reference optimum” мааниси үзгүлтүксүз математикалык мейкиндиктин далилденген глобалдык оптимуму эмес. Ал 0,5° багыт чечилиши жана төрт офсеттен турган 1440 талапкерлик дискреттик мейкиндикти толук сканерлөө натыйжасында табылган эң жакшы маршрут.

Алгоритмдин оптимумдан алыстыгы:

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

деп аныкталат. \(X_f^*\) — ошол талаа үчүн 1440 талапкердин ичиндеги эң жакшы маалымдама чечим.

Ийгилик метрикасы \(SR_{5\times10^{-3}}\) көз карандысыз тесттердин канчасы:

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

шартын аткарарын көрсөтөт.

Маалымдама-оптималдуу геометриялык маршруттар

24 талаанын дискреттик маалымдама-оптималдуу динамикалык headland маршруттарында:

Оптималдуу иш багыттары 2° менен 171° арасында өзгөргөн. Бул кең диапазон бир гана туруктуу багыт эрежеси бардык талаа геометриялары үчүн ылайыктуу эмес экенин колдойт.

Алты оптималдаштыруу алгоритмин салыштыруу

24 талаанын орточо маанилери боюнча Friedman тести алгоритмдердин арасында маанилүү жалпы айырма көрсөткөн:

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

DQN-SHADE менен жүргүзүлгөн беш жуп Wilcoxon салыштыруунун баары Holm түзөтүүсүнөн кийин маанилүү бойдон калган. DQN-SHADE менен SHADE-6 салыштыруусу үчүн \(W=20\) жана түзөтүлгөн \(p=0.00557\).

DQN-SHADE менен SHADE-6 жакындашуусу

Алгачкы 20 муунда SHADE-6 бир аз төмөн gap маанисине ээ. DQN-SHADE артыкчылыгы издөө процессинин кийинки этаптарында пайда болгон. Ошондуктан изилдөөнүн түшүндүрмөсү боюнча DQN компонентинин негизги салымы баштапкы ылдамдыктан көрө издөө токтоп калганда жүрүм-турумун өзгөртө алышында.

DQN-SHADE ылдамыраакпы?

Жалпысынан жок. Булак DQN-SHADEнин салымын эсептөө ылдамдыгы эмес, издөө туруктуулугу катары түшүндүрөт.

Беш fold үчүн DQN саясатын окутуунун жалпы убактысы 841,52 секунд, башкача айтканда болжол менен 14,03 мүнөт. Бул бир жолку кошумча окутуу чыгымы эсепке алынганда ыкма “эң ылдам алгоритм” эмес.

Динамикалык жана туруктуу headland салыштыруусу

Headland катышынын азайышы жана сакталган иш аянтынын көбөйүшү үчүн жупташкан Wilcoxon тесттери Holm түзөтүүсүнөн кийин:

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

маанисин берген.

Бул жерде маанилүү компромисс — абсолюттук бурулуш аралыгы. Динамикалык ыкмада иш аянты кеңейип, тилке учтары өзгөргөндүктөн жалпы бурулуш аралыгы болжол менен %5,16 көбөйгөн. Ошого карабастан, чоңураак сакталган аянтка нормалдаштырылган маршрут тыгыздыгы жана күйүүчү май болжолу азайган.

Күйүүчү май керектөөсү өлчөндүбү?

Жок. Күйүүчү май мааниси чыныгы трактордун күйүүчү май өлчөөсү эмес. Изилдөө 62,5 kW кыймылдаткыч кубаты, 242 g/kWh өзгөчө күйүүчү май керектөөсү, 6,0 km/h иш ылдамдыгы жана 3,0 km/h бурулуш ылдамдыгы деген божомолдор менен маршрут геометриясынан эсептелген моделди колдонгон:

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

Жердин эңкейиши, топурактын каршылыгы, чыныгы кыймылдаткыч жүгү же машина динамикасы бул эсептөөгө түз киргизилген эмес. Ошондуктан 1,54 kg/ha менен 1,56 kg/ha айырмасы модель шартындагы салыштырма салыштыруу.

Headland коопсуздук коэффициентинин сезгичтиги

Үч жөндөөнүн ортосундагы жалпы айырма маанилүү: Friedman \(\chi^2=36.083\), \(p=1.46\times10^{-8}\). \(\alpha=0.10\), 0,25 тен маанилүү түрдө начар; 0,25 менен 0,50 ортосундагы айырма Holm түзөтүүсүнөн кийин маанилүү эмес. Булак 0,25 ти универсалдуу оптимум катары эмес, сыналган диапазондо аянтты пайдалануу менен геометриялык ишке ашуучулуктун ортосундагы тең салмактуу тандоо катары түшүндүрөт.

Офсет чечилиши дагы жогорулатылса эмне болот?

Эки, төрт жана сегиз деңгээлдүү тилке-офсет топтомдору салыштырылган. Сегиз деңгээл орточо \(S_{total}\) ды 0,9144 кө жогорулатса, төрт деңгээлдүү негизги жөндөө 0,9057. Бирок сегиз деңгээл төрт деңгээлге салыштырмалуу сакталган аянтты орточо болгону 197,93 m², башкача айтканда болжол менен %0,058 көбөйтүп, камтуу катышын болгону 0,063 пайыздык пункт жогорулаткан; анын ордуна талапкерлердин санын эки эсеге көбөйткөн.

Толук 0,5° багыт торунда төрт деңгээлдүү тандоо 1440 талапкерди, сегиз деңгээлдүү тандоо 2880 талапкерди талап кылат. Ошондуктан изилдөө төрт офсетти чечилиш–эсептөө чыгымынын тең салмагы катары колдонгон.

DQN гиперпараметр сезгичтиги

DQN саясатынын үйрөнүү ылдамдыгына сезгичтиги discount factor га караганда жогору. Негизги жөндөө \(2.5\times10^{-4}\) менен орточо gap 0,003365 жана ийгилик %80,83 болсо, сыналган төмөнүрөөк үйрөнүү ылдамдыгы \(1.0\times10^{-4}\) менен gap 0,002426 жана ийгилик %86,39 болгон.

Бул жыйынтык маанилүү: макаладагы негизги DQN-SHADE жөндөөсү сыналган бардык гиперпараметрлердин ичинен эң жакшы жыйынтык эмес. Негизги салыштыруу алдын ала белгиленген жөндөө менен жүргүзүлгөн жана сезгичтик анализи төмөнүрөөк үйрөнүү ылдамдыгы жакшыраак жыйынтык бере аларын көрсөткөн.

Эки Жаңы Талаа Геометриясындагы %100 Ийгилик Универсалдуу Жалпылоону Билдиреби?

Жок. DQN-SHADE окутуудан тышкаркы эки стресс-тест геометриясында бардык иштетүүлөрдө \(SR_{5\times10^{-3}}=100\%\) алганына карабастан, SHADE-6 да ошол эле %100 ийгиликке жеткен; булак болгону эки жасалма стресс геометриясы сыналганын ачык көрсөтүп, бул жыйынтыкты универсалдуу жалпылоо же DQN-SHADEнин жалпы артыкчылыгы катары түшүндүрбөйт.

Биринчи тест геометриясынын узундук-тууралык катышы 7,24; баштапкы 24 талаада максималдуу маани 3,40. Экинчи геометрия 11 re-entrant бурчту камтыйт, ал эми баштапкы талааларда максимум төртөө болгон.

Айрыкча ичкери кирген бурчтары көп геометрияда ишке ашуучу талапкерлердин болгону %40,56 болушу татаал чек аралар издөө мейкиндигинин геометриялык жактан чоң бөлүгүн жараксыз кыла аларын көрсөтөт.

CEC2022 тести эмнени көрсөтөт?

Изилдөөчүлөр DQN-SHADEнин стандарттуу үзгүлтүксүз оптималдаштыруу жүрүм-турумун кошумча түрдө CEC2022нин 12 функциясында баалашкан. DQN-SHADE орточо \(\log_{10}(\Delta f)=1.72\pm2.41\) жана орточо орун 2,42 менен алты алгоритмдин ичинде эң жакшы жалпы орточо көрсөткүчтү берген.

Бирок CEC2022 функциялары талаа чек арасынын clipping-ин, динамикалык headlandды, тилке учтарын же бурулуш ишке ашуучулугун камтыбайт. Ошондуктан булак CEC2022ни кошумча оптималдаштыруу тести катары гана колдонот; айыл чарба CPP ийгилигинин негизги далили — чыныгы чек аралардагы геометриялык эксперименттер.

Изилдөөнүн күчтүү жактары

• Headland бөлүштүрүүнү иш багыты жана тилке-офсет тандоосунан көз карандысыз карабайт.
• 24 чыныгы талаа чек арасын колдонот.
• DQN окутуу жана тест талааларын field-disjoint беш катмарлуу түзүлүш менен бөлөт.
• Алты оптималдаштыруу алгоритмин бирдей талапкер-баалоо бюджети жана бирдей геометриялык пландоочу астында салыштырат.
• Алгоритм салыштырууда 30 кайталоону түздөн-түз көз карандысыз үлгү катары эсептебестен, адегенде талаа деңгээлинде орточолоп, pseudoreplication тобокелдигин азайтат.
• Өндүрүмдүүлүк кошмо упай менен гана эмес, камтуу, бурулуш, бурулуш саны жана моделдик күйүүчү май менен да берилген.
• Динамикалык headland ыкмасынын пайдасы менен көбөйгөн абсолюттук бурулуш аралыгынын ортосундагы компромисс жашырылган эмес.
• Сезгичтик анализдери коопсуздук коэффициенти, офсет чечилиши жана DQN гиперпараметрлери үчүн жүргүзүлгөн.

Изилдөө колдогон жыйынтыктар

• Динамикалык headland бөлүштүрүү бааланган талаа геометрияларында керексиз иштелбеген чек ара аянтын азайткан.
• 24 талаада орточо headland катышы %13,30 дан %7,52 ге түшкөн.
• Сакталган иш аянты ар бир талаага орточо 16.378,23 m² көбөйгөн.
• Орточо геометриялык камтуу %98 ден жогору сакталган.
• DQN-SHADE бирдей баалоо бюджетинде сыналган беш стохастикалык baseline га салыштырмалуу төмөн mean gap жана жогору threshold success rate алган.
• DQN-SHADEнин артыкчылыгы өзгөчө издөө процессинин кийинки муундарында пайда болгон.
• Динамикалык headland абсолюттук бурулуш аралыгын бир аз көбөйткөнү менен, аянтка нормалдаштырылган маршрут тыгыздыгын жана моделдик күйүүчү май керектөөсүн азайткан.
• Окутуудан тышкаркы эки геометриялык стресс-тестте тоңдурулган DQN саясаттары кайра окутуусуз ишке ашуучу маршруттарды түзгөн.

Изилдөө колдобогон жыйынтыктар жана чектөөлөр

• Чыныгы трактор же чачуучу машина менен талаа экспериментинде маршрутту ээрчүү тастыкталган эмес.
• Чыныгы күйүүчү май керектөөсү өлчөнгөн эмес.
• Чыныгы чачуу депозициясы же тамчы бир тектүүлүгү өлчөнгөн эмес.
• Шамал менен жылуу жана boom динамикасы камтуу моделинде жок.
• Жер эңкейиши жана топурак касиеттери күйүүчү май моделине киргизилген эмес.
• Талаа ичиндеги дарак, электр мамысы, арал же башка тоскоолдуктар моделденген эмес.
• Модель тышкы чек ара полигондорун гана колдонот.
• Тилке офсети үзгүлтүксүз эмес, төрт дискреттик деңгээлде.
• “Reference optimum” үзгүлтүксүз чечим мейкиндигинин математикалык глобалдык оптимуму эмес, 1440 талапкерлик дискреттик мейкиндиктин оптимуму.
• ECDF-midrank масштабы жаңы талаа үчүн offline exhaustive enumeration га негизделет; ыкма азырынча маалымдама сканерлөөсүз толук end-to-end онлайн эсептөө үнөмүн көрсөтпөйт.
• Эки стресс-тест геометриясы универсалдуу геометриялык жалпылоонун далили эмес.
• DQN-SHADEнин эки стресс геометриясындагы ийгилик көрсөткүчү SHADE-6дан жогору эмес; экөө тең %100 ге жеткен.
• Негизги DQN үйрөнүү ылдамдыгы сезгичтик тестиндеги эң жакшы үйрөнүү ылдамдыгы эмес.

Келечектеги изилдөө

Булак кийинки этапта жогорку тактыктагы унаа динамикасынын симуляциясын, hardware-in-the-loop тесттерин жана чыныгы талаа унаасынын эксперименттерин пландаштырууда. Өзгөчө жолду ээрчүү катасы, чыныгы операция убактысы, ар башка топурак жана жер шарттарында өлчөнгөн күйүүчү май керектөөсү, бурулуш көрсөткүчү жана spray-deposition бир тектүүлүгү текшерилиши керек.

Мындан тышкары, иш мейкиндигин үзгүлтүксүз тилке офсетине, кирүү чекитин тандоого, ар башка бурулуш түрлөрүнө, ички тоскоолдуктарга жана көп машиналуу координацияга кеңейтүү сунушталат. Тамчы депозиция сенсорлору, spray-width overlap жана wind-drift моделдери да геометриялык coverage метрикасын чыныгы чачуу көрсөткүчүнө байланыштыра турган келечектеги компоненттер болушу мүмкүн.

Булак жана Ыкма Жөнүндө Эскертүү

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

Авторлор: Tuo Sun, Xiaoyi Liu, Zhixin Yao, Taihong Zhang жана Yanlin Xin.

Жооптуу авторлор: Zhixin Yao жана Taihong Zhang.

Мекемелер: 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.

Журнал: Agriculture.

Басмакана: MDPI.

Том / сан / макала: 16(17), 1919.

DOI: 10.3390/agriculture16171919.

Тапшыруу: 14 Июль 2026.

Ревизия: 23 Август 2026.

Кабыл алуу: 28 Август 2026.

Жарыялоо: 4 Сентябрь 2026.

Булак түрү: Рецензияланган изилдөө макаласы.

Лицензия: Creative Commons Attribution (CC BY).

Изилдөө түрү: Чыныгы UAV дан алынган талаа чек араларында геометриялык CPP симуляциясы жана оптималдаштыруу алгоритмдерин салыштыруу.

UAV маалымат чогултуу: DJI Mavic 3; 110 m учуу бийиктиги; 15 m/s ылдамдык; Май–Июнь 2025.

Талаа саны: Баштапкы маалыматта 26 аймак; операциялык эмес 6 жана 24 номерлүү аймактар алынгандан кийин 24 талаа.

Жалпы аянт: Болжол менен 887,94 ha.

Бир талаанын аянты: 4,85–89,10 ha.

Координат системасы: WGS84 → UTM Zone 45N, EPSG:32645.

Машина модели: Геометриялык деңгээлде 19,5 m иш кеңдиги жана 5,0 m минималдуу бурулуш радиусу.

Алгоритмдер: DQN-SHADE, DE, SHADE-6, PSO, GA жана HHO.

Программалык камсыздоо: Python 3.9.13; DQN модулу PyTorch 2.8.0.

Аппараттык камсыздоо: AMD Ryzen 7 7735H, 16 GB RAM, Windows 11.

DQN түзүлүшү: Double Dueling DQN; 26 өлчөмдүү state; жети action; негизги үйрөнүү ылдамдыгы \(2.5\times10^{-4}\); \(\gamma=0.99\); batch 32; replay buffer 10.000; test ε=0,05.

Cross-validation: Field-disjoint беш катмарлуу окутуу/тест түзүлүшү.

Статистика: Friedman тести; DQN-SHADE контролу менен жупташкан Wilcoxon signed-rank тесттери; Holm көп салыштыруу түзөтүүсү.

Күйүүчү май модели: Маршрут узундугунан эсептелген модель-болжолдуу маани. Чыныгы күйүүчү май сенсор өлчөөсү эмес.

Каржылоо: 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.

Маалыматтын жеткиликтүүлүгү: Маалыматтарды жооптуу автордон негиздүү суроо-талап боюнча алууга болот.

Кызыкчылыктардын кагылышы: Авторлор кызыкчылыктардын кагылышы жок экенин билдиришкен.

Этика: Institutional Review Board жана informed consent колдонулбайт.

Автордук салымдар: Концептуалдаштыруу Tuo Sun жана Zhixin Yao; методология жана программалык камсыздоо Tuo Sun; текшерүү Tuo Sun, Zhixin Yao жана Taihong Zhang; формалдык анализ Tuo Sun; изилдөө Tuo Sun, Xiaoyi Liu жана Yanlin Xin; маалыматтарды курациялоо Tuo Sun жана Zhixin Yao; алгачкы долбоор Tuo Sun; кароо/редакциялоо Tuo Sun, Zhixin Yao жана Taihong Zhang; визуалдаштыруу Tuo Sun; жетекчилик, долбоорду башкаруу жана каржылоону алуу Zhixin Yao жана Taihong Zhang.

Негизги методологиялык чектөө: Изилдөө чыныгы талаа чек араларын колдонгону менен жыйынтыктар геометриялык симуляция. Чыныгы унаанын жолду ээрчүү көрсөткүчү, өлчөнгөн күйүүчү май, топурак/жер таасири жана чыныгы spray deposition азырынча талаа эксперименти менен тастыкталган эмес.

ECDF-midrank чектөөсү: Баалоо масштабы ар бир талаа үчүн offline exhaustive enumeration менен калибрленет. Ошондуктан азыркы система жаңы талаа үчүн маалымдама сканерлөөсүз end-to-end эсептөө артыкчылыгын көрсөтпөйт.