⚡ electrical engineering

Obstacle-aware multi-UAV scheduling for plant-protection operations using an enhanced walrus optimizer

Questo articolo propone un algoritmo di ottimizzazione del tricheco potenziato (CRWO) che integra la mutazione differenziale casuale, l'apprendimento basato sull'opposizione per l'imaging a lente e la ricerca discreta di vicinato per ottimizzare congiuntamente l'assegnazione dei compiti e l'ordine di visita per le operazioni di protezione delle piante multi-UAV, bilanciando efficacemente il carico di lavoro della flotta e garantendo la fattibilità del percorso consapevole degli ostacoli sotto vincoli di autonomia.

Autori originali: zhe sun, anchan liao, yunrui bi, zhixin sun

Pubblicato 2026-09-02

📖 5 min di lettura🧠 Approfondimento

CC BY 4.0

Autori originali: zhe sun, anchan liao, yunrui bi, zhixin sun

Articolo originale sotto licenza CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

Nelle file silenziose dei frutteti moderni, un nuovo tipo di lavoratore ha preso il volo: il veicolo aereo senza pilota, o drone. A differenza dei grandi trattori rumorosi del passato, queste macchine sono abbastanza agili da intrecciarsi tra gli alberi e abbastanza precise da colpire solo le foglie malate o i rami carenti di nutrienti che necessitano di attenzione. Questo passaggio dalla copertura totale alla cura mirata promette di risparmiare prodotti chimici e proteggere l'ambiente. Tuttavia, un singolo drone non può svolgere tutto il lavoro da solo. La sua batteria si esaurisce e il suo serbatoio per trasportare il pesticida liquido si riempie rapidamente. Per proteggere un grande campo, una flotta di questi droni deve lavorare insieme, alternandosi per volare verso un punto specifico, spruzzare una zona precisa, tornare a una base centrale per rifornirsi e volare di nuovo. La sfida consiste nel decidere quale drone vada verso quale albero, in quale ordine e quanti viaggi debba compiere ciascuno. Se il piano è scadente, alcuni droni saranno esausti mentre altri rimarranno inerti, o peggio, un drone potrebbe essere inviato su un percorso che appare breve su una mappa ma che è in realtà bloccato da un albero o da una zona proibita, costringendolo a schiantarsi o a sprecare preziosa energia.

I ricercatori della Nanjing University of Posts and Telecommunications e della Nanjing Institute of Technology hanno affrontato questo complesso puzzle di pianificazione sviluppando un nuovo metodo per coordinare queste flotte. Hanno creato un sistema che non si limita a guardare la distanza in linea retta tra gli alberi, ma calcola invece il percorso sicuro effettivo che un drone deve seguire per evitare ostacoli come rami, edifici e aree ristrette. Per trovare il miglior piano possibile per una flotta di droni, hanno progettato un nuovo algoritmo informatico ispirato al comportamento dei morse. In natura, i morse si muovono in gruppi, bilanciando la necessità di esplorare nuovi terreni di foraggiamento con la sicurezza di rimanere vicini allo stormo. I ricercatori hanno tradotto questi comportamenti sociali in regole matematiche che aiutano un computer a cercare attraverso milioni di possibili piani di volo per trovarne uno che mantenga ogni drone in funzione in modo equilibrato e sicuro.

Il team ha testato il loro nuovo algoritmo, che chiamano "enhanced walrus optimizer" (ottimizzatore di morse potenziato), contro diversi altri metodi esistenti utilizzati per problemi simili. Hanno simulato un ambiente di frutteto realistico, completo di terreni ondulati, alberi di varie altezze e zone di divieto di volo in cui i droni non possono entrare. In queste simulazioni, il nuovo algoritmo ha superato costantemente gli altri. È riuscito a ridurre la distanza totale che la flotta doveva percorrere di un margine piccolo ma significativo, ma il suo traguardo più importante è stato nel bilanciare il carico di lavoro. Nei migliori risultati, la differenza nella distanza percorsa tra il drone più impegnato e quello meno impegnato è stata ridotta di quasi la metà rispetto al metodo successivo migliore. Ciò significa che, in uno scenario reale, i droni si usureranno all'incirca nello stesso momento e la flotta potrà operare più a lungo senza dover sostituire le macchine esauste.

Una parte cruciale di questo successo è stata il modo in cui i ricercatori hanno gestito la realtà del frutteto. Molti sistemi di pianificazione assumono che un drone possa volare in linea retta da un albero al successivo. I ricercatori hanno dimostrato che questa assunzione è pericolosa. Utilizzando una tecnica di ricerca del percorso collaudata per mappare i detour effettivi necessari per aggirare gli ostacoli, hanno garantito che il programma generato dall'algoritmo fosse fisicamente possibile da volare. Hanno anche aggiunto una terza dimensione alla pianificazione, assicurandosi che i droni mantenessero un'altezza sicura sopra il suolo e la chioma degli alberi, e che non salissero o scendessero troppo ripidamente, il che potrebbe essere pericoloso per l'aeromobile. Ogni percorso di volo generato dal loro sistema è stato controllato per garantire che rimanesse entro i limiti della batteria del drone e le regole di sicurezza.

Lo studio conferma che questo nuovo approccio funziona bene per ambienti statici dove gli alberi e gli ostacoli non si muovono. I ricercatori hanno scoperto che il loro metodo era particolarmente efficace nel prevenire che un drone venisse sovraccaricato mentre altri riposavano, un problema comune che può rallentare l'intera operazione. Sebbene il sistema non gestisca ancora ostacoli in movimento o cambiamenti meteorologici, e assuma che tutti i droni siano identici, esso fornisce una solida base per il futuro dell'agricoltura automatizzata. Trattando il frutteto come uno spazio complesso e tridimensionale piuttosto che come una mappa piatta, e utilizzando un intelligente algoritmo ispirato alla natura per gestire la flotta, i ricercatori hanno offerto un modo pratico per mantenere questi lavoratori robotici sicuri, efficienti e bilanciati. Il risultato è un metodo di pianificazione che trasforma un mix caotico di voli in un'operazione coordinata e affidabile, garantendo che il frutteto sia protetto senza sovraccaricare le macchine che svolgono il lavoro.

Sintesi Tecnica: Programmazione Multi-UAV Consapevole degli Ostacoli per Operazioni di Protezione delle Piante Utilizzando un Ottimizzatore del Morsicato Migliorato

Problematica
Il documento affronta la sfida della programmazione di velivoli senza pilota (UAV) cooperativi per la protezione delle piante in ambienti di frutteti caratterizzati da terreni complessi e ostacoli. A differenza della pianificazione tradizionale del percorso di copertura, questo studio si concentra sul trattamento mirato di discrete chiazze di malattie o siti di carenza di nutrienti. Il problema centrale è un compito di programmazione multi-UAV, multi-sortita, con deposito singolo vincolato da:

Autonomia e Carico Utile: Autonomia limitata della batteria e capacità del pesticida che richiedono ritorni ripetuti a un deposito centrale.
Evitamento degli Ostacoli: La presenza di alberi, edifici e zone di divieto di volo che rendono imprecati i percorsi basati sulla distanza euclidea (linea retta).
Bilanciamento del Carico di Lavoro: La necessità di distribuire i compiti equamente tra una flotta omogenea per evitare il sovraccarico di specifici UAV.
Fattibilità 3D: Il requisito di generare percorsi eseguibili che rispettino la distanza dal terreno, i limiti dell'angolo di salita e le specifiche altitudini di lavoro sopra la chioma.

I metodi esistenti spesso valutano i programmi utilizzando distanze in linea retta, il che può portare a percorsi ineseguibili o inefficienti quando vengono introdotti ostacoli. Inoltre, pochi studi ottimizzano simultaneamente l'assegnazione dei compiti, l'ordine di visita e la realizzazione del percorso sotto questi specifici vincoli 2.5-dimensionali.

Metodologia
Gli autori propongono un framework a due stadi che combina uno strato deterministico di realizzazione del percorso con un ottimizzatore di programmazione metaeuristico.

Modello di Programmazione:
- Obiettivo: Una funzione multi-obiettivo che minimizza la distanza totale percorsa aggregata, la distanza massima cumulativa per singolo UAV (makespan) e la deviazione standard delle lunghezze dei percorsi tra gli UAV (bilanciamento del carico di lavoro).
- Costi dei Bordi: Invece della distanza euclidea, i costi dei bordi ( $c_{ij}$ ) sono derivati da una ricerca A* su un grafo di occupazione statico. Ciò garantisce che l'algoritmo di programmazione tenga conto delle deviazioni orizzontali attorno agli ostacoli e alle zone di divieto di volo.
- Vincoli: Il modello impone limiti di carico utile, lunghezza massima della sortita e vincoli di ritorno al deposito singolo. Un decoder costruisce le sortite raggruppando i compiti finché non vengono raggiunti i limiti di capacità o di autonomia.
Realizzazione del Percorso (2.5-Dimensionale):
- Orizzontale: A* ricostruisce percorsi privi di collisioni tra i compiti basandosi sulla programmazione.
- Verticale: Un modello di altitudine 2.5D assegna i profili di elevazione. L'UAV mantiene un'altezza di crociera ( $H_c$ ) sopra il terreno, scende fluidamente a un'altitudine di lavoro ( $H_{min}$ ) sopra la chioma degli alberi nei siti dei compiti e aderisce a un angolo di salita massimo ( $20^\circ$ ).
- Verifica di Fattibilità: La distanza spaziale 3D realizzata viene calcolata post-programmazione e verificata rispetto al limite di autonomia dell'UAV.
Ottimizzatore del Morsicato Migliorato (CRWO):
Per risolvere il problema di programmazione combinatoria NP-hard, gli autori migliorano lo standard Walrus Optimizer (WO) con tre strategie specifiche:
- Mutazione Differenziale Casuale: Utilizza la differenza tra la migliore soluzione storica e gli individui casuali per dirigere la perturbazione, bilanciando esplorazione e sfruttamento.
- Apprendimento per Opposizione basato sull'Immagine della Lente: Genera soluzioni candidate simmetriche attraverso lo spazio di ricerca per sfuggire agli ottimi locali.
- Ricerca di Vicinato Discreto: Applicata alle soluzioni d'élite per raffinare le riassegnazioni dei compiti e le priorità di visita.
- Codifica: Una rappresentazione a doppia chiave casuale codifica sia l'assegnazione del compito all'UAV sia la priorità di visita, permettendo agli operatori di ottimizzazione continua di risolvere problemi discreti.

Contributi Chiave

Formulazione Consapevole degli Ostacoli: Il documento formula un modello di programmazione in cui i costi dei bordi sono pre-calcolati tramite A* anziché tramite distanza euclidea, garantendo che l'obiettivo di ottimizzazione sia allineato con i costi dei percorsi eseguibili.
Algoritmo CRWO: Lo sviluppo di un metaeuristico potenziato (CRWO) specificamente progettato per la programmazione multi-UAV ad alta dimensionalità e vincolata, dimostrando prestazioni superiori rispetto a WO standard, PSO, GWO e altri.
Framework di Realizzazione 2.5D: Un approccio sequenziale che disaccoppia la ricerca del percorso 2D dalla realizzazione del percorso 3D, garantendo che le programmazioni generate soddisfino i vincoli di distanza dal terreno e di angolo di salita senza complicare lo spazio di ricerca con una dinamica 3D completa.
Valutazione Completa: Un rigoroso benchmarking contro otto algoritmi attraverso densità di ostacoli basse, medie e alte, inclusi studi di ablazione per isolare il contributo dei componenti specifici di CRWO.

Risultati Sperimentali
Gli esperimenti sono stati condotti su una mappa di un frutteto di 800m × 800m con 50 compiti e 6 UAV.

Performance rispetto ai Baseline: Nello scenario con ostacoli medi, CRWO ha superato il baseline più forte (PSO) riducendo il valore obiettivo medio del 3,71%, la distanza spaziale massima cumulativa per UAV del 3,70% e la deviazione standard della lunghezza del percorso tra gli UAV del 47,62%.
Bilanciamento del Carico di Lavoro: CRWO ha costantemente ottenuto la variazione di carico di lavoro più bassa (deviazione standard) in tutte le densità di ostacoli, indicando un utilizzo superiore della flotta.
Fattibilità: Tutte le sortite realizzate hanno soddisfatto i vincoli di autonomia, evitamento degli ostacoli, distanza dal terreno (minimo 5,52 m) e angolo di salita ( $\le 20^\circ$ ).
A* vs. Euclideo: L'uso dei costi dei bordi A* non ha ridotto significativamente la distanza totale aggregata rispetto alla programmazione euclidea, ma ha migliorato significativamente il bilanciamento del carico di lavoro (riducendo la deviazione standard della lunghezza del percorso da 50,43 m a 23,11 m nelle esecuzioni accoppiate).
Ablazione: Lo studio ha confermato che la combinazione di mutazione differenziale, apprendimento per opposizione e ricerca di vicinato discreto era necessaria per ottenere le prestazioni finali; rimuovere qualsiasi componente ha degradato i risultati.

Significatività e Rivendicazioni
Il documento sostiene che il CRWO offra un metodo di programmazione pratico per operazioni di protezione delle piante a deposito singolo e statico, dove l'evitamento degli ostacoli e il bilanciamento della flotta sono critici. Gli autori sottolineano che il metodo è uno "schedulatore bilanciato" piuttosto che un puro algoritmo di percorso minimo; il suo valore primario risiede nel distribuire equamente il carico di lavoro e garantire che i vincoli di sicurezza siano rispettati senza richiedere un complesso accoppiamento 3D durante la fase di ottimizzazione.

Gli autori mantengono un ambito modesto, riconoscendo che l'attuale framework è limitato a mappe statiche, domande deterministiche e flotte omogenee. Dichiarano esplicitamente che il metodo non garantisce un ottimo globale e che sono necessari lavori futuri per affrontare la riassegnazione dinamica, le flotte eterogenee e l'incertezza nelle condizioni di volo. Lo studio conclude che, sebbene i guadagni nella distanza totale siano marginali, i significativi miglioramenti nel bilanciamento del carico di lavoro e nella conformità alla sicurezza rendono il CRWO una soluzione valida per la protezione mirata dei frutteti.

Articoli simili