一种全区域农机作业行驶方法

1.本发明涉及智能农机作业控制技术领域，特别是一种全区域农机作业行驶方法。


背景技术：

2.农机路径规划是农机自动驾驶系统的关键技术之一，是实现农机路径跟踪控制的基础，在复杂多变的农业环境条件下，不仅可为农机提供精准的导向信息，还有助于提高农机作业质量；随着农业生产朝着规模化、集约化、专业化方向发展，面对大规模农田，单机难以在规定的时间内完成作业，并且单机作业效率低，而多机协同作业可有效保障作业任务完成，利于农事的高效管理。在保证作业安全性、作业质量和作业精度的基础上，为各台农机规划一条最优路径，降低作业消耗，提高作业效率。
3.现有技术中，传统逐行作业方式相当于将单机作业的路径简单合并，得到多机作业路径，该方法大幅增加了转弯路径总长度和转弯总时间；通过传统算法和启发式算法规划多机协同作业路径，传统算法难以解决数据规模很大的问题，启发式算法容易陷入局部最优，并且算法寻路的随机性强，较难得到符合农机作业特点的作业路径；多机协同作业规划方法的优化目标不够完善，未将作业均衡率纳入优化范围，导致农机的作业任务和机手间的利益不平等，降低了农机的利用率。


技术实现要素：

4.本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本技术的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。
5.鉴于上述和/或现有的农机作业控制中存在的问题，提出了本发明。
6.因此，本发明的目的是提供一种全区域农机作业行驶方法，其通过全区域农机协同作业，降低作业消耗，提高作业效率。
7.为解决上述技术问题，本发明提供如下技术方案：一种全区域农机作业行驶方法，其包括以下步骤，
8.(s1)获取规则农田的位置信息；
9.(s2)根据农田的位置信息，计算农田的宽度和长度；
10.(s3)输入农机的作业幅宽，将农田划分为若干等宽的作业行；
11.(s4)对构成农田作业行的两端的中点按规则编号，建立全区域农田模型；
12.(s5)输入农机的最小转弯半径和农机数量，在全区域农田模型的基础上，建立全区域农机协同作业路径规划模型；
13.(s6)设计全区域农机协同作业路径规划算法，并求解农机协同作业路径规划模型；
14.(s7)输出各台农机的作业路径以及作业指标。
15.作为本发明的进一步改进，所述(s1)中，使用gps差分定位仪获取目标农田的四个
顶点的坐标。
16.作为本发明的进一步改进，所述(s4)中，建立全区域农机协同作业路径规划模型的具体步骤为，
17.(s401)定义变量
[0018][0019]
其中，x
pi
为第p台农机是否遍历坐标点i的决策变量；
[0020]rp
＝{i|x
pi
＝1}；
[0021]
其中，rp为第p台农机遍历的坐标点集合，构成该农机的作业路径；
[0022][0023]
(s402)设置3个不同的目标函数，包括目标函数一、目标函数二和目标函数三；
[0024]
(s403)设置约束条件。
[0025]
作为本发明的进一步改进，所述(s402)中，目标函数一具体为，
[0026][0027]
其中，y
p
为第p台农机的行驶路径长度；y
tp
为第p台农机的转弯路径长度；y
ts
为多机的转弯路径总长度，为第p台农机遍历的第q个坐标点到第q+1个坐标点之间的距离；
[0028]
所述目标函数二具体为，
[0029][0030]
考虑到农机直线作业速度和转弯速度不同，并忽略农机在转弯过程中速度的微小变化，
[0031][0032]
其中，t
fm
为多机的行驶总时间；t
pm
为第p台农机的行驶总时间；t
sp
是第p台农机的转弯时间；t
tm
为多机的转弯总时间，v
t
为农机转弯速度，β
p
为第 p台农机遍历的作业行数量；
[0033]
所述目标函数三具体为，
[0034][0035]
minμ为最小化作业均衡率，y
p’为第p’台农机的行驶路径长度，p’为农机的序号。
[0036]
作为本发明的进一步改进，所述约束条件为
[0037]
其中，n
pq
表示第p台农机遍历第q个坐标点的决策变量；n为构成农田的坐标点的数量；
[0038]
nq≥2；
[0039][0040][0041]
其中，x
pi
为第p台农机是否遍历坐标点i的决策变量，nq为每台农机遍历的坐标点数量，α
p
(q)为第p台农机遍历的第q个坐标点，r
p
为第p台农机遍历的坐标点集合，i为坐标点序号。
[0042]
作为本发明的进一步改进，所述全区域农机协同作业路径规划算法具体包括以下步骤，
[0043]
(s601)计算距离矩阵d；
[0044]
(s602)初始化参数，设置农机数量m，构成农田的坐标点数量n，虚拟点集合q，总坐标点数量m＝n+m-1；当前作业路径τ和新作业路径τ
′
；当前作业路径相邻坐标点间距离集合δ和新作业路径相邻坐标点间距离集合δ
′
，其中元素个数为p；当前作业路径累积长度集合f；各层已遍历坐标点集合φ1～фm，初始回溯坐标点数量h＝5；
[0045]
(s603)p＝q＝i＝1；
[0046]
(s604)从v中随机选取1个坐标点ci作为出发点，ci满足且ci∈v，将其存储进遍历序列τ和集合φq；
[0047]
(s605)将q+1后的值赋给新的q；
[0048]
(s606)农机遍历的下一坐标点为n+1-ci，将其存储进遍历序列τ和集合φq，计算坐标点ci和n+1-ci之间的距离，存储进δ(p)；
[0049]
(s607)判断τ中元素个数是否为m，若是，则证明已经得到一条完整的作业路径，根据δ计算当前作业路径的累积长度集合f，计算τ中最后h个坐标点中虚拟点的个数n，然后进入回溯阶段，回溯结束，转至步骤(s610)；若不是则继续向下遍历；
[0050]
(s608)n+1-ci是否来自集合h1，若是，将q+1后的值赋给新的q，下一坐标点c
i+1
满足且{c
i+1
∈{h1∪q}}，存储进τ和φq，转至下个步骤，若不是，将q+1后的值赋给新的q，下一坐标点c
i+1
满足且{c
i+1
∈{h2∪q}}，存储进τ和φq，转至下个步骤；
[0051]
(s609)判断c
i+1
是否属于集合q，若是，将q+1后的值赋给新的q，遍历下一坐标点c
i+2
，其满足{c
i+2
∈h1|n+1-ci∈h1}或{ci∈h2|n+1-ci∈h2}，存储进τ和φq，将p+1后的值赋给新的p，i+2后的值赋给新的i，返回步骤(s605)；若不是，将p+1后的值赋给新的p，计算坐标点n+1-c
i+1
和c
i+1
之间的距离，存储进δ(p)，再次将p+1后的值赋给新的p，i+1后的值赋给i，转至步骤(s605)；
[0052]
(s610)判断h是否等于m-1，若是，则继续判断φ1中的元素个数是否为n，若是，表示已完成所有遍历过程，输出最优作业路径及其长度；若不是，则表示需要更新原始出发
点，返回步骤(s603)。
[0053]
本发明与现有技术相比，具有以下技术效果：本发明通过建立全区域协同作业路径规划模型，避免了多机作业冲突，优化了作业路径均衡率，使得各台农机的作业任务更均衡，进一步合理地利用农机；全区域多机协同作业路径规划算法中，设置了若干约束条件，增加了剪枝策略，并分情况设置回溯的坐标点数量，以缩短寻找最优作业路径的时间，提高算法的运行效率。
附图说明
[0054]
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：
[0055]
图1为本发明中全区域农田示意图。
[0056]
图2为全区域多机协同作业路径规划算法流程图。
[0057]
图3为本发明中3台农机的全区域协同作业路径轨迹图。
[0058]
图4为本发明中4台农机的全区域协同作业路径轨迹图。
[0059]
图5为本发明中3台和4台农机的全区域协同作业和传统多机逐行作业方式的作业指标对比图。
[0060]
图6为本发明中3台和4台农机的全区域协同作业和单机作业方式的作业指标对比图。
[0061]
图7为本发明中3台和4台农机全区域协同作业与传统多机逐行作业方式、单机作业方式的作业效率对比图。
具体实施方式
[0062]
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明。
[0063]
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
[0064]
其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。
[0065]
实施例1
[0066]
参照图1，为本发明的第一个实施例，本实施例提供了一种全区域农机作业行驶方法，其使用动态试验实现机身的动态应力和动态位移测试，并根据动态载荷来调节仿真模型，保证设计的动态精度指标。
[0067]
一种全区域农机作业行驶方法，其包括以下步骤，
[0068]
(s1)获取规则农田的位置信息，使用gps差分定位仪获取目标农田的四个顶点的坐标；
[0069]
(s2)根据农田的位置信息，计算农田的宽度和长度；
[0070]
(s3)输入农机的作业幅宽，将农田划分为若干等宽的作业行；
[0071]
(s4)对构成农田作业行的两端的中点按规则编号，建立全区域农田模型；
[0072]
(s5)输入农机的最小转弯半径和农机数量，在全区域农田模型的基础上，建立全区域农机协同作业路径规划模型；
[0073]
建立全区域农机协同作业路径规划模型的具体步骤为，
[0074]
(s501)定义变量
[0075][0076]
其中，x
pi
为第p台农机是否遍历坐标点i的决策变量；
[0077]rp
＝{ix
pi
＝1}；
[0078]
其中，rp为第p台农机遍历的坐标点集合，构成该农机的作业路径；
[0079][0080]
(s502)设置3个不同的目标函数，包括目标函数一、目标函数二和目标函数三；
[0081]
目标函数一具体为，
[0082][0083]yp
为第p台农机的行驶路径长度；y
tp
为第p台农机的转弯路径长度；y
ts
为多机的转弯路径总长度，为第p台农机遍历的第q个坐标点到第 q+1个坐标点之间的距离；
[0084]
所述目标函数二具体为，
[0085][0086]
考虑到农机直线作业速度和转弯速度不同，并忽略农机在转弯过程中速度的微小变化，
[0087][0088]
其中，t
fm
为多机的行驶总时间；t
pm
为第p台农机的行驶总时间；t
sp
是第p台农机的转弯时间；t
tm
为多机的转弯总时间，v
t
为农机转弯速度，β
p
为第 p台农机遍历的作业行数量；
[0089]
所述目标函数三具体为，
[0090]
[0091]
minμ为最小化作业均衡率，y
p’为第p’台农机的行驶路径长度，p’为农机的序号；
[0092]
(s503)设置约束条件，约束条件为
[0093]
其中，n
pq
表示第p台农机遍历第q个坐标点的决策变量；n为构成农田的坐标点的数量；
[0094]
nq≥2；
[0095][0096][0097]
其中，x
pi
为第p台农机是否遍历坐标点i的决策变量，nq为每台农机遍历的坐标点数量，α
p
(q)为第p台农机遍历的第q个坐标点，r
p
为第p台农机遍历的坐标点集合，i为坐标点序号；
[0098]
农机的作业特点为，
[0099][0100]
(s6)设计全区域农机协同作业路径规划算法，求解农机协同作业路径规划模型；
[0101]
全区域农机协同作业路径规划算法具体包括以下步骤，
[0102]
(s601)计算距离矩阵d；
[0103]
(s602)初始化参数，设置农机数量m，构成农田的坐标点数量n，虚拟点集合q，总坐标点数量m＝n+m-1；当前作业路径τ和新作业路径τ
′
；当前作业路径相邻坐标点间距离集合δ和新作业路径相邻坐标点间距离集合δ
′
，其中元素个数为p；当前作业路径累积长度集合f；各层已遍历坐标点集合φ1～фm，初始回溯坐标点数量h＝5；
[0104]
(s603)p＝q＝i＝1；
[0105]
(s604)从v中随机选取1个坐标点ci作为出发点，ci满足且ci∈v，将其存储进遍历序列τ和集合φq；
[0106]
(s605)将q+1后的值赋给新的q；
[0107]
(s606)农机遍历的下一坐标点为n+1-ci，将其存储进遍历序列τ和集合φq，计算坐标点ci和n+1-ci之间的距离，存储进δ(p)；
[0108]
(s607)判断τ中元素个数是否为m，若是，则证明已经得到一条完整的作业路径，根据δ计算当前作业路径的累积长度集合f，计算τ中最后h个坐标点中虚拟点的个数n，然后进入回溯阶段，回溯结束，转至步骤(s610)；若不是则继续向下遍历；
[0109]
回溯阶段具体包括以下步骤，
[0110]
(s607-1)判断n是否为1，若是，删除τ中最后h个坐标点，更新为新作业路径τ’，判断τ’(m-h)是否在集合q中，若在，g＝(h-n)/2，转至步骤 (s607-2)，若不在，g＝(h-n)/2，将g+1后的值赋给新的g，转至步骤(s607-3)；若不是，将h+1后的值赋给新的h，删除τ中最后h个坐标点，更新为新作业路径τ’，判断τ’(m-h)是否在集合q中，若在，g＝(h-n)/2，将g+2后
的值赋给新的g，转至步骤(s607-4)，若不在，g＝(h-n)/2，将g+3后的值赋给新的g，转至步骤(s607-4)；
[0111]
(s607-2)删除f和δ中最后g个元素，更新新相邻坐标点距离集合δ’和f’，下一坐标点为τ’(m-h+1),{τ
′
(m-h+1)∈h
θ
|τ
′
(m-h)∈h
θ
，θ＝1,2}且，θ＝1,2}且并存储进τ’和φ
m-h+1
，下一坐标点为τ
’ꢀ
(m-h+2)＝n+1-τ’(m-h+1)，并存储进τ’和φ
m-h+2
，计算坐标点τ’(m-h+1)和τ’(m-h+2)之间的距离，存储进δ’(n-m-g+1)，更新f’，f’(n-m-g+1)＝f (n-m-g)+δ’(n-m-g+1)，判断f’(n-m-g+1)是否不小于f(n-m)，若是，转至步骤(s607-5)，若不是，转至步骤(s607-7)；
[0112]
(s607-3)删除f和δ中最后g个元素，更新新相邻坐标点距离集合δ’和f’，下一坐标点为τ’(m-h+1),{τ
′
(m-h+1)∈h
θ
∪q|τ
′
(m-h)∈h
θ
，θ＝1,2}且并存储进τ’和φ
m-h+1
，判断τ’(m-h+1) 是否在集合q中，若在，转至步骤(s607-8)，若不在，转至步骤(s607-10)；
[0113]
(s607-4)删除f和δ中最后g个元素，更新相邻坐标点距离集合δ’和f’，将h赋给h”，将h
”‑
1后的值赋给新的h”，下一坐标点为τ
’ꢀ
(m-h”)，{τ
′
(m-h
″
)∈h
θ
|τ
′
(m-h
″‑
2)∈h
θ
，θ＝1,2}且1,2}且并存储进τ’和φ
m-h”，转至步骤(s607-6)；
[0114]
(s607-5)将h+e后的值赋给新的h，删除τ中最后h个坐标点，更新为新作业路径τ’，判断τ’(m-h)是否在集合q中，若在，将g+1后的值赋给新的g，转至步骤(s607-2)，若不在，将g+2后的值赋给新的g，转至步骤(s607-3)；
[0115]
(s607-6)将h
”‑
1后的值赋给新的h”，下一坐标点为τ’(m-h”)＝n+1-τ’(m-h
”‑
1)，并存储进τ’和φ
m-h”，将g-1后的值赋给新的g，计算坐标点τ’(m-h
”‑
1)和τ’(m-h”)之间的距离，更新f’， f’(n-m-g)＝f’(n-m-g+1)+δ’(n-m-g)；判断g是否为0，若不为0，判断 f’(n-m-g+1)是否不小于f(n-m)，若是，转至步骤(s607-5)，若不是，转至步骤(s607-19)，若为0，转至步骤(s607-20)；
[0116]
(s607-7)将h赋给h’，将h
’‑
4后的值赋给h’，下一坐标点为τ
′
(m-h
′
)， {τ
′
(m-h
′
)∈h
θ
∪q|τ
′
(m-h
′‑
1)∈h
θ
，θ＝1,2}且并存储进τ
′
和ф
m-h
′
，，转至步骤(s607-15)；
[0117]
(s607-8)下一坐标点τ’(m-h+2),{τ
′
(m-h+2)∈h
θ
|τ
′
(m-h)∈h
θ
，θ＝1,2} 且并存储进τ’和φ
m-h+2
，下一坐标点τ’(m-h+3)＝n+1-τ’(m-h+2),并存储进τ’和φ
m-h+3
，计算坐标点τ’(m-h+2) 和τ’(m-h+3)之间的距离，存储进δ’(n-m-g+1)，更新f’，f’(n-m-g+1)＝ f(n-m-g)+δ’(n-m-g+1)；
[0118]
(s607-9)判断f’(n-m-g+1)是否不小于f(n-m)，若是，转至步骤 (s607-11)；若不是，转至步骤(s607-7)；
[0119]
(s607-10)将g赋给g’，将g
’‑
1后的值赋给新的g’，将h赋给h’，计算坐标点τ’(m-h)和τ’(m-h+1)之间的距离，存储进δ’(n-m-g)，更新f’， f’(n-m-g)＝f’(n-m-g+1)+δ’(n-m-g)，判断f’(n-m-g)是否不小于f(n-m)，若是，转至步骤(s607-9)，若不是，将h
’‑
2后的值赋给新的h’，下一坐标点为τ’(m-h)＝n+1-τ’(m-h-1)，并存储进τ’和φ
m-h’，将g
’‑
1后的值赋
给 g’，计算坐标点τ’(m-h-1)和τ’(m-h-)之间的距离，存储进δ’(n-m-g’)，更新f’，f’(n-m-g’)＝f’(n-m-g
’‑
1)+δ’(n-m-g’)，判断f’(n-m-g’) 是否不小于f(n-m)，若是，转至步骤(s610)，若不是，转至步骤(s607-15)；
[0120]
(s607-11)令e＝2，将h+e后的值赋给新的h，删除τ中最后h个坐标点，更新为新作业路径τ’，判断τ’(m-h)是否在集合q中，若在，令e＝3，转至步骤(s607-13)；若不在，将g+1后的值赋给新的g，转至步骤(s607-13)；
[0121]
(s607-12)将h赋给h’，h
’‑
4后的值赋给h’；
[0122]
(s607-13)下一坐标点τ’(m-h’)，{τ
′
(m-h
′
)∈h
θ
∪q|τ
′
(m-h
′‑
1)∈h
θ
，θ＝1,2}且并存储进τ’和φ
m-h’，转至步骤(s607-15)；
[0123]
(s607-14)将g+1后的值赋给新的g，转至步骤(s607-3)；
[0124]
(s607-15)判断τ’(m-h’)是否存在集合q，若是，将h
’‑
1后的值赋给 h’，下一坐标点为τ’(m-h’)，{τ
′
(m-h
′
)∈h
θ
|τ
′
(m-h
′‑
2)∈h
θ
，θ＝1,2}且，θ＝1,2}且并存储进τ’和φ
m-h’，再将h
’‑
1后的值赋给远离的h’，下一坐标点为τ’(m-h’)＝n+1-τ’(m-h
’‑
1)，存储进τ’和φ
m-h’，若不是，则转至步骤(s607-16)；
[0125]
(s607-16)将g
’‑
1后的值赋给g’，计算坐标点τ’(m-h
’‑
1)和τ’(m-h’) 之间的距离，存储进δ’(n-m-g’)，更新f’，f’(n-m-g’)＝f’(n-m-g
’‑
1)+ δ’(n-m-g’)，转至步骤(s607-17)；
[0126]
(s607-17)判断g’是否为0，若为0，判断f’(n-m-g’)是否不小于f (n-m)，若是，转至步骤(s607-11)，若不是，令f(n-m)＝f’(n-m-g’)，转至步骤(s610)；若不为0，将h
’‑
1后的值赋给h’，下一坐标点为点τ’(m-h’)，{τ
′
(m-h
′
)∈h
θ
∪q|τ
′
(m-h
′‑
1)∈h
θ
，θ＝1,2}且，θ＝1,2}且并存储进τ’和φ
m-h’，判断τ’(m-h’)是否在集合q 中，若不在，转至步骤(s607-18)；若在，将h
’‑
1后的值赋给新的h’，下一坐标点τ’(m-h’)，{τ
′
(m-h
′
)∈h
θ
|τ
′
(m-h
′‑
2)∈h
θ
，θ＝1,2}且，θ＝1,2}且存储进τ’和φ
m-h’，转至步骤(s607-21)；
[0127]
(s607-18)将g
’‑
1后的值赋给新的g’，计算坐标点τ’(m-h
’‑
1)和τ’(m-h’)之间的距离，存储进δ’(n-m-g’)，更新f’，f’(n-m-g’)＝ f’(n-m-g
’‑
1)+δ’(n-m-g’)，判断f’(n-m-g’)是否不小于f(n-m)，若是，转至步骤(s607-11)，若不是，转至步骤(s607-21)；
[0128]
(s607-19)将h
”‑
1后的值赋给h”，下一坐标点为τ’(m-h”)， {τ
′
(m-h
″
)∈h
θ
|τ
′
(m-h
″‑
2)∈h
θ
，θ＝1,2}且并存储进τ’和φ
m-h”，将g-1后的值赋给新的g，计算坐标点τ’(m-h
”‑
1) 和τ’(m-h”)之间的距离，存储进δ’(n-m-g)，更新f’，f’(n-m-g)＝f
’ꢀ
(n-m-g-11)+δ’(n-m-g)；判断f’(n-m-g)是否不小于f(n-m)，若是，转至步骤(s607-5)，若不是，转至步骤(s607-6)；
[0129]
(s607-20)判断f’(n-m-g)是否不小于f(n-m)，若是，转至步骤(s607-5)，若不是，令f(n-m)＝f’(n-m-g)，转至步骤(s610)；
[0130]
(s607-21)将h
’‑
1后的值赋给新的h’，下一坐标点为τ’(m-h’)＝n+1-τ’(m-h
’‑
1)，并存储进τ’和φ
m-h’，将g
’‑
1后的值赋给新的g’，计算坐标点τ’(m-h
’‑
1)和τ’(m-h’)之间的
距离，存储进δ
’ꢀ
(n-m-g’)，更新f’，f’(n-m-g’)＝f’(n-m-g
’‑
1)+δ’(n-m-g’)，转至步骤(s607-17)；
[0131]
(s608)n+1-ci是否来自集合h1，若是，将q+1后的值赋给新的q，下一坐标点c
i+1
满足且{c
i+1
∈{h1∪q}}，存储进τ和φq，转至下个步骤，若不是，将q+1后的值赋给新的q，下一坐标点c
i+1
满足且{c
i+1
∈{h2∪q}}，存储进τ和φq，转至下个步骤；
[0132]
(s609)判断c
i+1
是否属于集合q，若是，将q+1后的值赋给新的q，遍历下一坐标点c
i+2
，其满足{c
i+2
∈h1|n+1-ci∈h1}或{ci∈h2|n+1-ci∈h2}，存储进τ和φq，将p+1后的值赋给新的p，i+2后的值赋给新的i，返回步骤(s605)；若不是，将p+1后的值赋给新的p，计算坐标点n+1-c
i+1
和c
i+1
之间的距离，存储进δ(p)，再次将p+1后的值赋给新的p，i+1后的值赋给i，转至步骤(s605)；
[0133]
(s610)判断h是否等于m-1，若是，则继续判断φ1中的元素个数是否为n，若是，表示已完成所有遍历过程，输出最优作业路径及其长度；若不是，则表示需要更新原始出发点，返回步骤(s603)；
[0134]
(s7)输出各台农机的作业路径以及作业指标。
[0135]
本发明通过建立全区域协同作业路径规划模型，避免了多机作业冲突，优化了作业路径均衡率，使得各台农机的作业任务更均衡，进一步合理地利用农机；全区域多机协同作业路径规划算法中，设置了若干约束条件，增加了剪枝策略，并分情况设置回溯的坐标点数量，以缩短寻找最优作业路径的时间，提高算法的运行效率。
[0136]
实施例2
[0137]
参照图2～图7，为本发明的第二个实施例，本实施例和实施例1的不同之处在于，本实施例以18行农田为例，以科学实验的手段验证本技术具有的技术效果。
[0138]
本技术中的作业指标包括全区域多机协同作业时长和全区域多机协同作业效率，其中全区域多机协同作业时长可由下式计算：
[0139][0140]
式中，t
em
为全区域多机协同作业时长；vs为农机直线作业速度；
[0141]
全区域多机协同作业效率可由下式计算：
[0142][0143]
为全区域多机协同作业效率。
[0144]
图3和图4分别为3台和4台农机的全区域协同作业路径轨迹图；可以看出，规划后的作业路径不仅符合农机作业特点，还没有出现作业路径重复、遗漏和冲突的现象，同时算法为农机选择的转弯路径均为u形和弓形，减少了农机的转弯距离和时间。3台农机各自的作业轨迹为，1号农机：1
→
36
→
33
→4ꢀ→7→
30
→
27
→
10
→
13
→
24
→
21
→
16，2号农机：2
→
35
→
32
→5→8→
29
→
26
→
11
ꢀ→
14
→
23
→
20
→
17，3号农机：3
→
34
→
31
→6→9→
28
→
25
→
12
→
15
→
22
→
19
ꢀ→
18；4台农机各自的作业轨迹为，1号农机：27
→
10
→
13
→
24
→
21
→
16，2号农
机：18
→
19
→
22
→
15
→
12
→
25
→
28
→9→6→
31
→
34
→
3，3号农机：36
→1→4ꢀ→
33
→
30
→
7，4号农机：2
→
35
→
32
→5→8→
29
→
26
→
11
→
14
→
23
→
20
→
17；从作业轨迹可以看出，在符合农机作业特点的基础上，不仅优化了农机协同作业的作业方式和转弯路径，而且使各台农机的作业任务更均衡。
[0145]
图5、图6、图7分别为3台和4台农机的全区域协同作业和传统多机逐行作业、单机作业的作业指标对比图，作业指标包括转弯路径总长度、转弯总时间和作业效率；从图中可以看出，相比传统多机逐行作业和单机作业，本发明设计的全区域协同作业路径规划方法规划的3台和4台农机的转弯路径总长度、转弯总时间均有大幅下降，作业效率大幅上升。
[0146]
本发明与现有技术相比，通过建立全区域协同作业路径规划模型，避免了多机作业冲突，优化了作业路径均衡率，使得各台农机的作业任务更均衡，进一步合理地利用农机；设计全区域农机协同作业路径规划算法，进一步降低了农机的转弯路径总长度和转弯总时间，减少了作业成本，进一步提高了作业效率；可应用于大田智慧农业中的农机自动驾驶技术中。
[0147]
应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。