基于先验知识的无人机路径规划用于高效定位非均匀分布杂草：一种强化学习方法
机器人学
2025-06-30 v2
摘要
无人机在农业中日益普及，但通常采用耗时的逐行飞行路径。本文提出一种基于深度强化学习的路径规划方法，利用无人机以最小飞行路径长度高效定位农田中的杂草。该方法将包含不确定、低分辨率杂草位置的先验知识与飞行中的杂草检测相结合。搜索策略通过深度Q学习训练。我们在仿真中训练智能体，从而能够全面评估杂草分布、感知系统的典型误差、先验知识以及不同停止准则对规划器性能的影响。当杂草在田间非均匀分布时，智能体比逐行路径更快地找到它们，表明其学习和利用杂草分布的能力。检测误差和先验知识质量对性能影响较小，表明学习到的搜索策略对检测误差具有鲁棒性，且不需要详细的先验知识。智能体还学会了终止搜索。为测试学习策略向真实场景的可迁移性，规划器在真实世界图像数据上进行了测试（无需额外训练），结果显示路径长度比逐行路径缩短66%，但发现杂草的百分比降低了10%。全面讨论了规划器在实际应用中的优缺点，并提供了进一步发展的方向。总体而言，学习到的搜索策略能够提高使用无人机查找非均匀分布杂草的效率，并显示出在农业实践中的应用潜力。
引用
@article{arxiv.2412.11717,
title = {UAV-based path planning for efficient localization of non-uniformly distributed weeds using prior knowledge: A reinforcement-learning approach},
author = {Rick van Essen and Eldert van Henten and Gert Kootstra},
journal= {arXiv preprint arXiv:2412.11717},
year = {2025}
}