Autonomous Navigation of 4WIS4WID Agricultural Field Mobile Robot using Deep Reinforcement Learning

📄 arXiv: 2412.18865v1 📥 PDF

作者: Tom Baby, Mahendra Kumar Gohil, Bishakh Bhattacharya

分类: cs.RO

发布日期: 2024-12-25

💡 一句话要点

提出基于深度强化学习的4WIS4WID农业机器人自主导航方法

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)

关键词: 深度强化学习 农业机器人 自主导航 四轮转向 精准农业

📋 核心要点

  1. 农业机器人导航面临非几何障碍物、空间限制和复杂户外环境等多重挑战。
  2. 利用深度强化学习，对四轮转向配置进行参数化，实现机器人自主导航。
  3. 实验验证了该方法在作物行跟踪和多行导航中的有效性，并比较了不同DRL算法。

📝 摘要（中文）

本文提出了一种基于深度强化学习（DRL）的四轮独立转向四轮驱动（4WIS4WID）移动机器人在结构化农业环境中自主导航的方法，旨在解决农业4.0背景下机器人执行农药喷洒和水果采摘等任务时面临的非几何障碍物、空间限制和户外环境等复杂问题。论文包括三个部分：四轮转向配置的参数化、基于DRL的作物行跟踪以及基于DRL的4WIS4WID移动机器人通过多行作物的自主导航。研究展示了如何将四轮转向的各种配置参数化为两个变量，包括对称四轮转向、零转弯和允许4WIS4WID移动机器人横向移动的附加转向配置。利用DRL，实现了对不规则形状作物行的跟踪。在多行作物模拟环境中，借助航点，有效地执行了点对点导航。最后，对使用连续动作的各种DRL算法进行了比较分析。

🔬 方法详解

问题定义：论文旨在解决农业环境中4WIS4WID移动机器人的自主导航问题。现有方法在处理非几何障碍物、空间限制以及复杂户外环境时存在不足，难以实现高效稳定的导航。尤其是在作物行跟踪和多行导航方面，传统方法需要人工设计复杂的控制策略，泛化能力较差。

核心思路：论文的核心思路是利用深度强化学习（DRL）来学习最优的导航策略。通过将环境状态（例如，机器人位置、作物行信息）作为输入，将机器人的动作（例如，转向角度、速度）作为输出，DRL算法可以自动学习如何在复杂环境中进行导航。这种方法避免了人工设计控制策略的复杂性，并具有较强的泛化能力。

技术框架：整体框架包括三个主要部分：1) 四轮转向配置的参数化，将复杂的转向控制简化为两个变量；2) 基于DRL的作物行跟踪，训练机器人沿着不规则形状的作物行进行导航；3) 基于DRL的多行作物导航，利用航点引导机器人在多行作物中进行点对点导航。整个流程在模拟环境中进行，通过不断地与环境交互，DRL算法逐步优化导航策略。

关键创新：论文的关键创新在于将DRL应用于4WIS4WID移动机器人的自主导航，并提出了一种有效的四轮转向配置参数化方法。该方法能够将多种转向模式（包括对称四轮转向、零转弯和横向移动）统一表示为两个变量，简化了控制器的设计。此外，论文还探索了不同的DRL算法在农业导航中的性能表现。

关键设计：在四轮转向配置参数化方面，论文将转向角度映射到两个变量，简化了控制空间。在DRL算法选择方面，论文比较了多种使用连续动作的DRL算法，例如DDPG、TD3等，并根据实验结果选择合适的算法。在奖励函数设计方面，论文综合考虑了机器人与作物行的距离、前进速度以及转向平滑性等因素，设计了一个能够引导机器人沿着作物行稳定导航的奖励函数。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

论文通过模拟实验验证了所提出方法的有效性。实验结果表明，基于DRL的导航算法能够成功地引导4WIS4WID移动机器人在作物行中进行自主导航，并能够有效地跟踪不规则形状的作物行。此外，论文还比较了不同DRL算法的性能，为实际应用中算法的选择提供了参考。

🎯 应用场景

该研究成果可应用于精准农业领域，例如农药喷洒、施肥、作物监测和水果采摘等任务。通过自主导航，机器人可以减少人工干预，提高农业生产效率，降低劳动成本。未来，该技术有望推广到更复杂的农业环境，并与其他智能农业技术相结合，实现农业生产的全面自动化和智能化。

📄 摘要（原文）

In the futuristic agricultural fields compatible with Agriculture 4.0, robots are envisaged to navigate through crops to perform functions like pesticide spraying and fruit harvesting, which are complex tasks due to factors such as non-geometric internal obstacles, space constraints, and outdoor conditions. In this paper, we attempt to employ Deep Reinforcement Learning (DRL) to solve the problem of 4WIS4WID mobile robot navigation in a structured, automated agricultural field. This paper consists of three sections: parameterization of four-wheel steering configurations, crop row tracking using DRL, and autonomous navigation of 4WIS4WID mobile robot using DRL through multiple crop rows. We show how to parametrize various configurations of four-wheel steering to two variables. This includes symmetric four-wheel steering, zero-turn, and an additional steering configuration that allows the 4WIS4WID mobile robot to move laterally. Using DRL, we also followed an irregularly shaped crop row with symmetric four-wheel steering. In the multiple crop row simulation environment, with the help of waypoints, we effectively performed point-to-point navigation. Finally, a comparative analysis of various DRL algorithms that use continuous actions was carried out.