⚡ electrical engineering

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

Dit artikel stelt een verbeterd walrusoptimalisatiealgoritme (CRWO) voor dat willekeurige differentiële mutatie, lens-imaging opposition-based learning en discrete buurtzoekopdrachten integreert om gezamenlijk taaktoewijzing en bezoekvolgorde te optimaliseren voor plantbeschermingsoperaties met meerdere UAV's, waarbij de werklast van de vloot effectief wordt gebalanceerd en de obstakelbewuste routehaalbaarheid onder uithoudendheidsbeperkingen wordt gewaarborgd.

Oorspronkelijke auteurs: zhe sun, anchan liao, yunrui bi, zhixin sun

Gepubliceerd 2026-09-02

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: zhe sun, anchan liao, yunrui bi, zhixin sun

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

In de stille rijen van moderne boomgaarden heeft een nieuw soort werker de lucht veroverd: het onbemande luchtvaartuig, of de drone. In tegen wege de grote, brommende tractoren uit het verleden, zijn deze machines wendbaar genoeg om tussen bomen door te weven en precies genoeg om alleen de zieke bladeren of nutriënt-arme takken te richten die aandacht nodig hebben. Deze verschuiving van algemene dekking naar gerichte zorg belooft chemicaliën te besparen en het milieu te beschermen. Echter, een enkele drone kan niet het hele werk alleen doen. De batterij raakt leeg en de tank voor het dragen van vloeibaar pesticide raakt snel vol. Om een groot veld te beschermen, moet een vloot van deze drones samenwerken, door om de beurt uit te vliegen, een specifieke plek te besproeien, terug te keren naar een centrale basis om bij te vullen, en weer uit te vliegen. De uitdaging ligt in het beslissen welke drone naar welke boom gaat, in welke volgorde, en hoeveel ritten elke drone maakt. Als het plan slecht is, raken sommige drones uitgeput terwijl anderen stilzitten, of erger nog, een drone wordt op een pad gestuurd dat op een kaart kort lijkt maar in werkelijkheid geblokkeerd is door een boom of een verboden zone, waardoor de drone crasht of kostbare energie verspilt.

Onderzoekers aan de Nanjing University of Posts and Telecommunications en de Nanjing Institute of Technology hebben dit complexe planningsraadsel aangepakt door een nieuwe methode te ontwikkelen om deze vloten te coördineren. Ze creëerden een systeem dat niet alleen kijkt naar de rechte afstand tussen bomen, maar in plaats daarvan het werkelijke veilige pad berekent dat een drone moet vliegen om obstakels zoals takken, gebouwen en restrictiegebieden te vermijden. Om het best mogelijke schema voor een vloot drones te vinden, ontwierpen ze een nieuw computeralgoritme geïnspireerd door het gedrag van walrussen. In het wild bewegen walrussen in groepen, waarbij ze de balans zoeken tussen de behoefte om nieuwe voedselgebieden te verkennen en de veiligheid van het dicht bij de kudde blijven. De onderzoekers vertaalden deze sociale gedragingen naar wiskundige regels die een computer helpen door miljoenen mogelijke vluchtplannen te zoeken om een plan te vinden dat ervoor zorgt dat elke drone gelijkmatig en veilig werkt.

Het team testte hun nieuwe algoritme, dat ze de 'enhanced walrus optimizer' noemen, tegen verschillende andere bestaande methoden die worden gebruikt voor vergelijkbare problemen. Ze simuleerden een realistische boomgaardomgeving, compleet met glooiend terrein, bomen van variërende hoogtes en no-fly zones waar drones niet naar binnen mogen gaan. In deze simulaties presteerde het nieuwe algoritme consequent beter dan de anderen. Het slaagde erin de totale afstand die de vloot moest afleggen met een kleine maar betekenisvolle marge te verminderen, maar zijn meest significante prestatie lag in het balanceren van de werklast. In de beste resultaten werd het verschil in afgelegde afstand tussen de drukste drone en de minst drukke drone met bijna de helft verminderd vergeleken met de op één na beste methode. Dit betekent dat in een real-world scenario de drones ongeveer tegelijkertijd zouden slijten, en de vloot langer kan opereren zonder dat uitgeputte machines vervangen hoeven te worden.

Een cruciaal onderdeel van dit succes was hoe de onderzoekers de realiteit van de boomgaard aanpakten. Veel planningssystemen gaan ervan uit dat een drone in een rechte lijn van de ene boom naar de volgende kan vliegen. De onderzoekers toonden aan dat deze aanname gevaarlijk is. Door een bewezen padvindtechniek te gebruiken om de werkelijke omwegen in kaart te brengen die nodig zijn om om obstakels heen te gaan, zorgden ze ervoor dat het door het algoritme gegenereerde schema fysiek mogelijk te vliegen was. Ze voegden ook een derde dimensie toe aan de planning, waarbij ze ervoor zorgden dat de drones een veilige hoogte boven de grond en de boomkruinen behielden, en dat ze niet te steil op- of afstegen, wat gevaarlijk zou kunnen zijn voor het toestel. Elk door hun systeem gegenereerd vliegpad werd gecontroleerd om te garanderen dat het binnen de batterijlimieten en veiligheidsregels van de drone bleef.

De studie bevestigt dat deze nieuwe aanpak goed werkt voor statische omgevingen waar de bomen en obstakels niet bewegen. De onderzoekers vonden dat hun methode bijzonder goed was in het voorkomen dat één drone overbelast werd terwijl anderen rustten, een veelvoorkomend probleem dat de gehele operatie kan vertragen. Hoewel het systeem nog geen bewegende obstakels of veranderend weer kan verwerken, en ervan uitgaat dat alle drones identiek zijn, biedt het een solide fundament voor de toekomst van de geautomatiseerde landbouw. Door de boomgaard te behandelen als een complexe, driedimensionale ruimte in plaats van een platte kaart, en door een slim, door de natuur geïnspireerd algoritme te gebruiken om de vloot te beheren, hebben de onderzoekers een praktische manier geboden om deze robotische werkers veilig, efficiënt en gebalanceerd te houden. Het resultaat is een planningsmethode die een chaotische mix van vluchten verandert in een gecoördineerde, betrouwbare operatie, waardoor de boomgaard beschermd wordt zonder de machines die het werk doen te overbelasten.

Technische Samenvatting: Obstakelbewuste Multi-UAV Planning voor Plantbeschermingsoperaties met een Verbeterde Walrus Optimizer

Probleemstelling
Het artikel behandelt de uitdaging van het plannen van de inzet van coöperatieve plantbeschermings-UAV's (Unmanned Aerial Vehicles) in boomgaardomgevingen die worden gekenmerkt door complex terrein en obstakels. In tegenstelling tot traditionele dekkingstrajectplanning (coverage path planning), richt deze studie zich op gerichte behandeling van discrete ziekteplekken of locaties met nutriëntentekorten. De kern van het probleem is een single-depot, multi-UAV, multi-sortie planningstaak die wordt beperkt door:

Autonomie en Payload: Beperkte batterijduur en pesticidencapaciteit die herhaalde terugkeer naar een centraal depot vereisen.
Obstakelvermijding: De aanwezigheid van bomen, gebouwen en no-fly zones die Euclidische (rechte lijn) afstanden onnauwkeurig maken voor routeplanning.
Werkbelastingbalans: De noodzaak om taken gelijkmatig te verdelen over een homogene vloot om te voorkomen dat specifieke UAV's overbelast raken.
3D-Haalbaarheid: De vereiste om uitvoerbare routes te genereren die rekening houden met terreinvrijheid, klimhoeklimieten en specifieke werkhoogtes boven het bladerdak.

Bestaande methoden evalueren schema's vaak aan de hand van rechte lijnafstanden, wat kan leiden tot onhaalbare of inefficiënte routes wanneer obstakels worden geïntroduceerd. Bovendien zijn er weinig studies die gelijktijdig taaktoewijzing, volgorde van bezoeken en route-realisatie optimaliseren onder deze specifieke 2,5-dimensionale beperkingen.

Methodologie
De auteurs stellen een tweestapsframework voor dat een deterministische route-realisatielaag combineert met een metaheuristische planning-optimizer.

Planningsmodel:
- Doelstelling: Een multi-objectieve functie die de totale reisafstand, de maximale cumulatieve afstand per UAV (makespan) en de standaarddeviatie van de routelengtes tussen UAV's (werkbelastingbalans) minimaliseert.
- Randkosten: In plaats van de Euclidische afstand worden randkosten ( $c_{ij}$ ) afgeleid van een A*-zoekopdracht op een statische bezettingsgraaf. Dit zorgt ervoor dat het planningsalgoritme rekening houdt met horizontale omwegen rond obstakels en no-fly zones.
- Beperkingen: Het model handhaaft payload-limieten, maximale sortie-lengte en single-depot retourbeperkingen. Een decoder construeert sorties door taken te verpakken totdat de capaciteit- of bereiklimieten worden bereikt.
Route-realisatie (2,5-Dimensionaal):
- Horizontaal: A* reconstrueert botsingsvrije paden tussen taken op basis van het schema.
- Verticaal: Een 2,5D hoogtemodel wijst elevatieprofielen toe. De UAV behoudt een kruishoogte ( $H_c$ ) boven het terrein, daalt vloeiend af naar een werkhoogte ( $H_{min}$ ) boven het bladerdak op de taallocaties, en houdt zich aan een maximale klimhoek ( $20^\circ$ ).
- Haalbaarheidscontrole: De gerealiseerde 3D ruimtelijke afstand wordt na de planning berekend en getoetst aan de autonomielimiet van de UAV.
Enhanced Walrus Optimizer (CRWO):
Om het NP-harde combinatorische planningsprobleem op te lossen, verbeteren de auteurs de standaard Walrus Optimizer (WO) met drie specifieke strategieën:
- Random Differential Mutation: Gebruikt het verschil tussen de historische beste oplossing en willekeurige individuen om de verstoring te sturen, wat exploratie en exploitatie in evenwicht brengt.
- Lens-Imaging Opposition-Based Learning: Genereert symmetrische kandidaat-oplossingen over de zoekruimte om lokale optima te vermijden.
- Discrete Neighbourhood Search: Toegepast op elite-oplossingen om taakherverdeling en bezoekprioriteiten te verfijnen.
- Codering: Een dual-random-key representatie codeert zowel de taak-naar-UAV toewijzing als de bezoekprioriteit, waardoor continue optimalisatie-operatoren discrete problemen kunnen oplossen.

Belangrijkste Bijdragen

Obstakelbewuste Formulering: Het artikel formuleert een planningsmodel waarbij randkosten vooraf worden berekend via A* in plaats van de Euclidische afstand, waardoor de optimalisatiedoelstelling overeenkomt met de uitvoerbare routekosten.
CRWO Algoritme: De ontwikkeling van een verbeterde metaheuristiek (CR�WO) die specifiek is afgestemd op hoog-dimensionale, beperkte multi-UAV planning, wat een superieure prestatie laat zien ten opzichte van standaard WO, PSO, GWO en anderen.
2,5D Realisatieframework: Een sequentiële aanpak die de 2D planning-zoektocht ontkoppelt van de 3D route-realisatie, waardoor wordt gegarandeerd dat gegenereerde schema's voldoen aan terreinvrijheid en klimhoekbeperkingen zonder de zoekruimte te compliceren met volledige 3D dynamica.
Uitgebreide Evaluatie: Een rigoureuze benchmarking tegen acht algoritmen over lage, medium en hoge obstakel-densiteiten, inclusief ablatie-studies om de bijdrage van specifieke CRWO-componenten te isoleren.

Experimentele Resultaten
Experimenten werden uitgevoerd op een 800m × 800m boomgaardkaart met 50 taken en 6 UAV's.

Prestaties vs. Baselines: In het scenario met gemiddelde obstakel-densiteit presteerde CRWO beter dan de sterkste baseline (PSO) door de gemiddelde objectieve waarde met 3,71% te verlagen, de maximale cumulatieve ruimtelijke afstand per UAV met 3,70% te verlagen en de standaarddeviatie van de routelengte tussen UAV's met 47,62% te verlagen.
Werkbelastingbalans: CRWO behaalde consistent de laagste werkbelastingvariatie (standaarddeviatie) over alle obstakel-densiteiten, wat duidt op superieure vlootbenutting.
Haalbaarheid: Alle gerealiseerde sorties voldeden aan de autonomie, obstakelvermijding, terreinvrijheid (minimaal 5,52 m) en klimhoek ( $\le 20^\circ$ ) beperkingen.
A* vs. Euclidisch: Het gebruik van A* randkosten verminderde de totale geaggregeerde afstand niet significant vergeleken met Euclidische planning, maar verbeterde de werkbelastingbalans aanzienlijk (het verlagen van de standaarddeviatie van de routelengte van 50,43 m naar 23,11 m in gepaarde runs).
Ablatie: De studie bevestigde dat de combinatie van differentieel mutatie, opposition learning en discrete buurtzoektochten noodzakelijk was om de uiteindelijke prestaties te bereiken; het verwijderen van een component verslechterde de resultaten.

Betekenis en Claims
Het artikel beweert dat CRWO een praktische planningsmethode biedt voor statische, single-depot plantbeschermingsoperaties waarbij obstakelvermijding en vlootbalans cruciaal zijn. De auteurs benadrukken dat de methode een "gebalanceerde planner" is in plaats van een puur kortste-pad algoritme; de primaire waarde ligt in het gelijkmatig verdelen van de werkbelasting en het waarborgen dat veiligheidsbeperkingen worden nageleefd zonder complexe 3D-koppeling tijdens de optimalisatiefase te vereisen.

De auteurs hanteren een bescheiden reikwijdte en erkennen dat het huidige framework beperkt is tot statische kaarten, deterministische eisen en homogene vloten. Ze geven expliciet aan dat de methode geen globaal optimum garandeert en dat toekomstig werk vereist is om dynamische herverdeling, heterogene vloten en onzekerheid in vluchtomstandigheden aan te pakken. De studie concludeert dat hoewel de winsten in geaggregeerde afstand marginaal zijn, de significante verbeteringen in werkbelastingbalans en veiligheid naleving CRWO een levensvatbare oplossing maken voor gerichte boomgaardbescherming.

Meer zoals dit