[发明专利]一种基于改进Q-learning的农机路径优化方法

说明书

本发明公开了一种基于改进Q‑learning的农机路径优化方法，步骤如下：S1：确定路径规划的初始参数；S2：将原始田块边界向田块边界内部平移距离L；S3：计算农机工作区域的最小跨度；S4：生成农机工作区域的平行路径；S5：计算转弯路径的长度；S6：基于改进的Q‑learning算法优化全局路径。本发明通过计算原始田块旋转最优旋转角度，然后生成农机工作区域平行于旋转最优旋转角度时的边界的平行路径，由于此时的平行路径与田块的其中一条边重合，因此极大的简化了计算，并且基于改进的Q‑learning算法优化全局路径，确定农机工作的最小总长度。使规划的农机全局路径最短、达到提高工作效率的目的。

技术领域

本发明涉及农机路径优化技术领域，尤其涉及一种基于改进Q-learning的农机路径优化方法。

背景技术

根据农机的工作特点，农机在工作区域的行驶路径通常是直线路径，并要求在最少重复的情况下覆盖整个工作区域。连接相邻两条直线路径的转弯路径通常由相邻直线路径间的距离和农机转弯半径的关系确定，不同转弯路径的距离往往不同。因为相比直线行驶，转弯会严重影响工作效率，并且农机的转弯过程可以近似看作匀速，因此可以通过减少转弯次数和优化转弯路径来提高农机工作效率。

对于简单的凸多边形田块，所有的直线路径都可以通过简单的转弯路径进行连接，影响农机路径长度的主要因素是直线路径的连接顺序。因此，在给定直线路径的情况下可以通过调整其顺序来优化全局路径，这就可以将农机路径优化的问题进一步转换为混合优化问题。混合优化问题是一个NP难的问题，传统的动态规划方法和回溯法等通过试错的方法计算量大，并且不好找到全局最优的解。

对于形状复杂或中间有障碍物的复杂田块，如果整个区域内的直线路径都按照同一个方向规划容易导致重复和遗漏的面积增加，降低工作效率。此外，转弯路径可能变得很复杂，给路径规划和路径跟踪都带来困难。

发明内容

本发明提供一种基于改进Q-learning的农机路径优化方法，以克服传统的动态规划方法和回溯法等通过试错的方法计算量大，并且不好找到全局最优的解的技术问题。

为了实现上述目的，本发明的技术方案是：

一种基于改进Q-learning的农机路径优化方法，包括如下步骤：

S1：确定路径规划的初始参数，所述初始参数包括原始田块边界点集P、农机每一行扫描的宽度w、和农机的最小转弯半径R；

S2：将所述原始田块边界点集P向所述田块边界内部平移距离L，以确定农机工作区域的边界；

S3：建立x-y轴直角坐标系，计算所述农机工作区域的最小跨度，以确定原始田块的边界相对于x轴的最优旋转角度；

S4：生成所述农机工作区域平行于最优旋转角度时的边界的平行路径，以确定农机的直线路径；

S5：确定转弯路径的类型，并计算转弯路径的长度；

S6：基于改进的Q-learning算法优化所述农机工作区域路径，以确定最优农机工作总长度。

进一步的，所述S3中，计算所述农机工作区域的最小跨度方法如下：

当农机工作区域的边界为凸多边形时，农机转弯的次数n为：

式中D是农机工作区域的一条边界到农机工作区域的顶点的距离，

y＝y_min,x∈[x_min,x_max] (2)