Hibrit Yol Planlama (Hybrid Path Planning, HPP), orman biçme robotlarında geniş alan kapsamasını ağaç gövdelerinin çok yakınında güvenli biçme hareketiyle birleştirmek için küresel Boustrophedon kapsama yolu ile iki-cisim mekaniğinden esinlenen yerel yörünge kontrolünü bir araya getiren bir yol planlama çerçevesidir. Sistem, bütün ormanı bir yörünge problemi olarak modellemez; yalnızca o anda işlenen ağacı yerel bir sanal çekim merkezi kabul ederek robotu gövdenin çevresinde yörünge benzeri bir hareketle yönlendirir. Biçme ilerledikçe ağacın sanal kütlesi azaltılır, çekim zayıflatılır ve sonlu durum makinesi robotu yeniden küresel kapsama yoluna bağlar. MATLAB tabanlı simülasyonlarda HPP, aynı küresel tarama iskeleti üzerinde değerlendirilen APF ve RFP gibi itme-temelli yerel kaçınma yöntemlerine göre ağaç gövdesi yakınındaki biçilmiş alanı artırırken gövde penetrasyonunu önlemiştir. Bununla birlikte sonuçlar idealize edilmiş holonomik nokta robot modeline dayanmaktadır ve gerçek orman sahasındaki performansı tek başına kanıtlamaz.

50 simülasyon koşusunun ortalamasında HPP toplam alanın %95,3'ünü biçmiş, ağaca yakın değerlendirme bandında %55,9 kapsama sağlamış ve sıfır gövde çarpışması üretmiştir. Minimum gövde açıklığı 0,29 m olarak kalmıştır. Buna karşın güvenlik marjının −0,34 m olması, robotun gövdeye girmemesine rağmen tanımlanan nominal güvenlik tamponunun her durumda tam korunmadığını gösterir. Dolayısıyla yöntemin temel sonucu “tam güvenlik sağlandı” değildir; daha doğru yorum, test edilen simülasyonlarda ağaç çevresinde daha güçlü biçme ile gövde penetrasyonundan kaçınma arasında daha elverişli bir denge kurulabildiğidir.

Orman biçmede temel kontrol çatışması

Bir orman biçme robotunun görevi yalnız açık alanı dolaşmak değildir. Robotun geniş bir çalışma alanındaki bitki örtüsünü sistematik biçimde temizlemesi, aynı zamanda korunması gereken ağaç gövdelerine zarar vermemesi gerekir. Bu iki hedef özellikle gövde çevresinde birbirine karşıt hale gelir.

Klasik engelden kaçınma algoritmaları genellikle robot ile engel arasındaki uzaklığı artırmaya çalışır. Artificial Potential Field (APF) veya benzeri itme-temelli yaklaşımlar açısından bir ağaç gövdesi, robota yaklaşılmaması gereken bir engeldir. Ancak biçme görevi açısından gövdenin hemen çevresindeki bitki örtüsünün de kaldırılması gerekir. Robot çok erken uzaklaşırsa güvenliği artırabilir fakat ağacın çevresinde geniş bir biçilmemiş bant bırakabilir.

HPP'nin çıkış noktası bu çatışmadır: ağaç, yalnız kaçınılacak bir engel olarak değil, belirli bir güvenlik mesafesi içinde çevresinde kontrollü biçimde hareket edilmesi gereken yerel bir hedef olarak ele alınır.

HPP Orman Biçme Robotunda Nasıl Çalışır?

HPP, geniş alan için Boustrophedon tabanlı bir Coverage Path Planning yolunu izler; robot aktif bir ağacın etki bölgesine girdiğinde sonlu durum makinesi denetimi yerel yörünge moduna aktarır, robot sanal çekim, teğetsel dolaşım ve kısa menzilli itme bileşenlerinin birleşimiyle gövdenin çevresinde hareket eder ve yerel biçme tamamlanınca en yakın uygun noktadan küresel kapsama yoluna geri bağlanır.

Küresel kapsama iskeleti

Çalışma yeni bir küresel Complete Coverage Path Planning algoritması önermemektedir. Bunun yerine Boustrophedon decomposition yaklaşımına dayanan mevcut CPP yapısını ortak bir küresel referans olarak kullanır. Çalışma alanı, sistematik ileri-geri taramalarla kapsanacak alt bölgelere ayrılır ve ortaya çıkan referans yol:

\[ P_{\mathrm{CPP}}=\{p_k\in\mathbb{R}^2\mid k=1,\ldots,N\} \]

biçiminde gösterilir. Yol noktaları arasındaki aralık, etkin kesme genişliği \(w_{\mathrm{cut}}\) ve istenen örtüşme miktarına göre belirlenir.

HPP'nin yeniliği bu küresel yolun yerine başka bir yol koymak değildir. Asıl katkı, robot bir ağacın yakınında çalışırken devreye giren yerel gövde-yakın manevra katmanıdır.

İki-cisim mekaniğinden gelen fikir

Klasik iki-cisim probleminde iki kütle arasındaki çekim Newton'un kütleçekim yasasıyla ifade edilir:

\[ \mathbf{F}_{ij} = G\frac{m_i m_j}{\|\mathbf{r}_{ij}\|^3}\mathbf{r}_{ij} \]

Burada \(G\) kütleçekim sabiti, \(m_i\) ve \(m_j\) iki cismin kütleleri, \(\mathbf{r}_{ij}\) ise cisimler arasındaki göreli konum vektörüdür. Uygun başlangıç koşullarında bu etkileşim sınırlı yörüngeler oluşturabilir.

Araştırmacılar bu fiziksel ilişkiyi doğrudan robot dinamiğinin gerçek kütleçekimi olarak kullanmamaktadır. Bunun yerine iki-cisim davranışını bir kontrol analojisi olarak yeniden yorumlamaktadır. Aktif hedef ağaç sabit merkez, robot ise bu merkezin oluşturduğu sanal çekim alanından etkilenen hareketli sistem olarak modellenir.

Ağaç gövdesinden sanal kütle üretimi

Her ağacın kontrol üzerindeki sanal etkisi, algılanan gövde geometrisinden türetilir. Çekici potansiyel:

\[ U_{\mathrm{att}}(r) = -G_v\frac{m_{\mathrm{tree}}}{r} \]

olarak tanımlanır.

Ağacın sanal kütlesi ise:

\[ m_{\mathrm{tree}} = \rho\pi \left(\frac{\mathrm{DBH}}{2}\right)^2 H_{\mathrm{ref}} \]

biçimindedir.

Burada:

• \(G_v\): sanal çekim kazancıdır.
• \(r\): robot ile hedef ağacın merkezi arasındaki Öklid uzaklığıdır.
• DBH: LiDAR tarafından tahmin edilen göğüs yüksekliğindeki gövde çapıdır.
• \(\rho\): sanal yoğunluk parametresidir.
• \(H_{\mathrm{ref}}\): algılama ve kontrol ölçeklendirmesinde kullanılan referans gövde yüksekliğidir.

\(H_{\mathrm{ref}}\) tüm biçme robotları için fiziksel olarak optimum kabul edilen evrensel bir ağaç yüksekliği değildir. Kaynak, uygun değerin LiDAR konfigürasyonu, görüş alanı, bitki yapısı ve robot geometrisine bağlı olabileceğini açıkça belirtmektedir.

Sanal çekim ivmesi

Çekici potansiyelin negatif gradyanı robotu hedef ağaca yönelten sanal ivme komutunu oluşturur:

\[ \mathbf{a}_{g} = -G_v\frac{m_{\mathrm{tree}}}{r^3}\mathbf{r} \]

\(\mathbf{r}\), hedef ağacın merkezinden robota uzanan göreli konum vektörüdür. Matematiksel olarak robot ağaca yaklaştıkça \(r^{-3}\) terimi sanal etkileşimin kuvvetlenmesine yol açar. Ancak sistem robotu doğrudan ağaca çekmek üzere tasarlanmamıştır; çekimin yanında itici güvenlik alanı ve teğetsel dolaşım bileşeni bulunur.

Güvenlik için itici potansiyel

Ağacın çevresinde kısa menzilli bir itici potansiyel tanımlanmıştır:

\[ U_{\mathrm{rep}}(r) = \begin{cases} \frac{1}{2}K_{\mathrm{rep}} \left( \frac{1}{r}-\frac{1}{r_0} \right)^2, & r<r_0 \\ 0, & r\geq r_0 \end{cases} \]

\(K_{\mathrm{rep}}\) itme kazancıdır. \(r_0\), güvenlik açıklığı ile kesici geometrisini birlikte hesaba katan etki yarıçapıdır:

\[ r_0 = r_{\mathrm{safe}} + \frac{1}{2}w_{\mathrm{cut}} \]

Burada \(r_{\mathrm{safe}}\) ağaç için güvenlik uzaklığı, \(w_{\mathrm{cut}}\) ise kesme genişliğidir. Dolayısıyla \(r_0\), doğrudan hedef yörünge yarıçapı değildir; güvenlik ve kesici geometrisinin itme alanında etkili olduğu sınırı temsil eder.

Çekim ve itme arasındaki denge

Yerel yörünge enerjisi:

\[ E_{\mathrm{orb}}(r) = U_{\mathrm{att}}(r) + U_{\mathrm{rep}}(r) \]

olarak tanımlanır. Hedef yörünge yarıçapı \(r_{\mathrm{tgt}}\), aktif itme bölgesinde bu birleşik enerjinin durağan noktasına karşılık gelecek biçimde belirlenir.

Yaklaşık radyal kuvvet dengesi:

\[ \frac{\partial E_{\mathrm{orb}}}{\partial r}=0 \]

koşuluyla:

\[ G_v m_{\mathrm{tree}} = K_{\mathrm{rep}} \left( \frac{1}{r_{\mathrm{tgt}}} - \frac{1}{r_0} \right) \]

ilişkisi elde edilir. Böylece hedef gövde uzaklığı, çekim ve güvenlik bariyerinin birbirini dengelediği kontrol düzeyi bir geometrik hedef haline gelir.

Yörünge hareketi neden doğrudan ağaca düşmez?

Yalnız çekici alan kullanılsaydı robot hedef merkeze doğru hareket ederdi. Yörünge benzeri davranış oluşturmak için algoritma ayrıca teğetsel bir dolaşım terimi uygular:

\[ \mathbf{a}_{\mathrm{circ}} = \omega^2r_{\mathrm{tgt}}\hat{\mathbf{t}} \]

\(\omega\) açısal hız parametresi, \(\hat{\mathbf{t}}\) ise ağaca göre teğetsel birim vektördür. Kaynak özellikle bu terimin klasik iki-cisim fiziğinden doğrudan türetilmiş katı bir fiziksel teğetsel ivme eşitliği olarak değil, yörünge benzeri hareketi sürdürmek amacıyla kullanılan kontrol odaklı bir dolaşım terimi olarak yorumlanması gerektiğini belirtmektedir.

Yerel toplam ivme komutu:

\[ \mathbf{a} = \mathbf{a}_{g} + \mathbf{a}_{\mathrm{circ}} + \mathbf{a}_{\mathrm{rep}} \]

şeklindedir. Çekim ağaca yaklaşmayı, teğetsel bileşen çevresinde dolaşmayı, itme bileşeni ise sınırın aşılmasını önlemeyi amaçlar.

Gövde çapı ile hareket kontrolünün bağlanması

LiDAR taramasında gövdeye ait yatay açısal açıklık \(\Delta\phi\), tahmini gövde uzaklığı ise \(R_{\mathrm{det}}\) olarak alınır. Gövde çapı:

\[ D_{\mathrm{est}} \approx 2R_{\mathrm{det}}\sin\left(\frac{\Delta\phi}{2}\right) \approx R_{\mathrm{det}}\Delta\phi \]

ile tahmin edilir. İkinci yaklaşım küçük açı varsayımına dayanır.

Bu tahmin daha sonra:

\[ m_{\mathrm{tree}} = \rho \frac{\pi D_{\mathrm{est}}^2}{4} H_{\mathrm{ref}} \]

ilişkisiyle sanal kütleye dönüştürülür. Böylece algılanan ağaç geometrisi yalnız harita üzerinde bir engel noktası olarak kalmaz; yerel hareket denetleyicisinin sanal çekim ölçeğini belirleyen girdilerden biri olur.

Kaynak, bu geometrik değerlerin kesin fiziksel ölçümler gibi değerlendirilmemesi gerektiğini de belirtmektedir. Tahmin kalitesi LiDAR çözünürlüğünden, kısmi örtülmeden, gövdenin görünürlüğünden ve saha koşullarından etkilenebilir.

Yörünge hızının geometrik bağlantısı

Aktif hedef için sanal çekimle uyumlu dairesel hız yaklaşık olarak:

\[ v_{\mathrm{circ}} = \omega r_{\mathrm{tgt}} \approx \sqrt{\frac{G_vm_{\mathrm{tree}}}{r_{\mathrm{tgt}}}} \]

şeklinde tanımlanmıştır.

Gövde geometrisiyle ilişki kurulduğunda:

\[ v_{\mathrm{circ}} \propto D_{\mathrm{est}} \sqrt{\frac{\rho H_{\mathrm{ref}}}{r_{\mathrm{tgt}}}} \]

elde edilir. Bu ifade algılanan gövde boyutunun sanal kütle üzerinden yerel kontrol davranışına nasıl bağlandığını gösterir.

Sanal Kütle Neden Zamanla Azaltılıyor?

Sanal kütle, gerçek ağacın fiziksel kütlesini değiştirmek için değil, yerel biçme görevinin ilerlemesini kontrol sistemine temsil etmek için azaltılır; \(m_{\mathrm{tree}}\) küçüldükçe sanal çekim zayıflar, hedef yörünge yarıçapı \(r_{\mathrm{tgt}}\) dışarı doğru büyür ve robotun yakın-yörünge modundan çıkıp küresel kapsama yoluna dönmesi kolaylaşır.

Ayrık zamanda sanal kütle:

\[ m_{\mathrm{tree}}(k+1) = \alpha(k)m_{\mathrm{tree}}(k), \qquad 0<\alpha(k)<1 \]

ile azaltılır.

Çalışmanın simülasyonlarında kütle azalma faktörü \(\alpha=0{,}95\) olarak sabitlenmiştir.

Sürekli zaman için verilen kavramsal karşılık:

\[ \dot{m}_{\mathrm{tree}}(t) = -\alpha \left( m_{\mathrm{tree}}(t)-m_{\min} \right) \]

şeklindedir. \(m_{\min}\), yerel görevin tamamlandığını belirlemek için kullanılan alt kütle eşiğidir.

Güncellenen hedef yörünge yarıçapı:

\[ \frac{1}{r_{\mathrm{tgt}}(k)} = \frac{1}{r_0} + \frac{G_vm_{\mathrm{tree}}(k)} {K_{\mathrm{rep}}+\varepsilon} \]

ve eşdeğer biçimde:

\[ r_{\mathrm{tgt}}(k) = \left( \frac{1}{r_0} + \frac{G_vm_{\mathrm{tree}}(k)} {K_{\mathrm{rep}}+\varepsilon} \right)^{-1} \]

olarak ifade edilir. \(\varepsilon\) sayısal kararlılık için kullanılan küçük pozitif sabittir. Sanal kütle azaldıkça ikinci terim küçülür ve \(r_{\mathrm{tgt}}\) değeri \(r_0\)'a doğru büyür. Böylece sistem, ağacın çevresindeki yakın yörüngeden giderek uzaklaşır.

Sonlu durum makinesi

Finite State Machine (FSM) üç temel çalışma modunu yönetir:

1. Küresel geçiş: Robot CPP referans yolunu izler.
2. Yerel yörünge: Bir ağaç aktivasyon bölgesine girdiğinde sanal çekim, teğetsel dolaşım ve itme bileşenleriyle gövde yakınında hareket edilir.
3. Yola yeniden birleşme: Yerel biçme tamamlandığında robot en yakın uygulanabilir küresel yol segmentine bağlanır ve kapsama görevine devam eder.

Yerel görev, sanal kütle \(m_{\min}\) altına düştüğünde veya yörünge sayısı \(N_{\mathrm{th}}\) eşiğini geçtiğinde tamamlanmış kabul edilir. Tamamlanan ağacın merkezi \(T_{\mathrm{done}}\) kümesine eklenir.

Daha sonra tamamlanmış ağaçların çevresindeki itici alanlar robotun aynı işlenmiş bölgeye hemen geri girmesini engellemeye yardımcı olur. Küresel yola dönüş, bütün alan için yeniden maliyetli bir optimizasyon yapmak yerine en yakın uygulanabilir Boustrophedon yol noktasına kısa bir bağlantı hareketiyle sağlanır.

Robot hareketinin sayısal güncellenmesi

Simülasyonda hız sönümü ve maksimum hız sınırı uygulanmıştır:

\[ \dot{\mathbf{v}} = \left( \mathbf{a}_{g} + \mathbf{a}_{\mathrm{circ}} + \mathbf{a}_{\mathrm{rep}} \right) - c_d\mathbf{v}, \qquad \|\mathbf{v}\|\leq v_{\max} \]

Ayrık zaman güncellemesi:

\[ \mathbf{v}(t+\Delta t) = \mathbf{v}(t) + \left[ \mathbf{a}_{g} + \mathbf{a}_{\mathrm{circ}} + \mathbf{a}_{\mathrm{rep}} - c_d\mathbf{v}(t) \right]\Delta t \]

ve konum güncellemesi:

\[ \mathbf{r}_r(t+\Delta t) = \mathbf{r}_r(t) + \mathbf{v}(t+\Delta t)\Delta t \]

biçimindedir. Böylece kontrol alanından elde edilen ivme bileşenleri, her zaman adımında robotun hız ve konumuna dönüştürülmektedir.

Çalışmanın Yöntemi ve Bulguları

Simülasyon ortamı

HPP algoritması MATLAB R2024b kullanılarak sayısal ortamda değerlendirilmiştir. Simülasyon bilgisayarında Intel Core i7-12700 işlemci, 12 çekirdek ve 32 GB RAM bulunmaktadır.

Karşılaştırma, farklı ağaç yerleşimlerine sahip birden fazla 50 × 50 m orman sahası üzerinde gerçekleştirilmiştir. Her ağaç silindirik engel olarak temsil edilmiştir. Çalışmanın iç simülatörü orman geometrisini başlatmış, rastgele veya kullanıcı tanımlı ağaç konumları oluşturmuş ve LiDAR tabanlı çevre algılamasını simüle etmiştir.

LiDAR modeli için maksimum algılama menzili 10 m, derinlik çözünürlüğü 0,1 m, görüş alanı 360° ve açısal çözünürlük 1° olarak belirlenmiştir. Her simülasyon koşusu yaklaşık 3000–4000 ayrık zaman adımı içermiştir.

Karşılaştırılan yöntemler

Bütün yöntemler aynı üst düzey küresel kapsama iskeleti altında değerlendirilmiştir:

• HPP: önerilen iki-cisim esinli yerel gövde-yakın manevra yöntemi.
• CPP: ağaç duyarlı yerel manevra içermeyen sabit tarama referansı.
• CPP+GapFollow: küresel taramayla yerel boşluk izlemeyi birleştiren reaktif varyant.
• APF: itme-temelli Artificial Potential Field yerel engelden kaçınma yaklaşımı.
• RFP: çalışmada kullanılan diğer itme-merkezli yerel kaçınma referansı.

Bu kurulumun amacı farklı küresel rota planlayıcılarını yarıştırtmaktan çok, aynı kapsama iskeleti üzerinde farklı yerel ağaç etkileşimlerinin sonuçlarını karşılaştırmaktır.

Üç aşamalı davranış doğrulaması

Kaynak Şekil 1, HPP'nin üç temel davranışını gösterir: ağacın çevresinde yörünge benzeri yerel manevra, küresel referans yoluna yeniden bağlantı ve küresel kapsamanın devam ettirilmesi.

Bu örnekte robotun yaklaşık üç tur atması için bazı azalma parametreleri görsel açıklığı artıracak biçimde ayarlanmıştır. Kaynak bunun evrensel veya zorunlu “üç tur” kuralı olmadığını özellikle belirtmektedir. Bu örnek yalnız durum geçişlerini görünür kılmak amacıyla kullanılmıştır.

Farklı orman düzenlerindeki yollar

Kaynak Şekil 2, üç farklı orman yerleşiminde HPP, CPP, CPP+GapFollow, APF ve RFP yollarını yan yana gösterir. HPP, aktif ağacın yakınında dairesel/yörünge benzeri hareket oluşturduktan sonra küresel referans yola geri döner.

APF ve RFP'nin yolları daha korumacı ayrılma davranışı gösterdiğinden ağaç çevresinde daha geniş biçilmeyen bölgeler oluşmaktadır. Buna karşılık yalnız traversal sürekliliğini önceleyen CPP tabanlı referanslar gövdeye fazla yaklaşabilmektedir.

Kapsama haritaları ne gösteriyor?

Kaynak Şekil 3 ve Şekil 4, biçilen ve biçilmeyen alanları farklı orman düzenleri için görselleştirir. HPP, APF ve RFP'ye göre gövde çevresinde daha fazla alan işlerken, CPP ve CPP+GapFollow yöntemlerindeki ciddi gövde penetrasyonu davranışını göstermemektedir.

Bu görseller nicel tablonun önemli yorumunu destekler: yalnız toplam kapsama yüzdesine bakmak yeterli değildir. Bir yöntem yüksek kapsama sağlarken ağacın korunan bölgesine girebilir; başka bir yöntem sıfır çarpışma sağlarken gövde çevresinde büyük miktarda bitki bırakabilir.

50 simülasyon koşusunun nicel sonuçları

Toplam kapsama neden tek başına yeterli bir ölçüt değildir?

CPP %100,0 ve CPP+GapFollow %98,6 toplam kapsama sağlamıştır. İlk bakışta bu değerler HPP'nin %95,3 değerinden daha yüksek görünür. Ancak aynı yöntemlerin minimum gövde açıklıkları negatiftir ve 563 ile 57 gövde penetrasyonu kaydedilmiştir.

Bu nedenle yüksek nominal kapsamanın bir bölümü korunması gereken ağaç gövdesi sınırlarının ihlali pahasına elde edilmiştir. HPP'nin değerlendirilmesinde kapsama ile çarpışma bilgisinin birlikte okunması gerekir.

Ağaç çevresindeki biçme etkinliği

HPP'nin ağaç çevresi bant kapsaması %55,9'dur. Sıfır çarpışma sağlayan yöntemler arasında bu en yüksek değerdir.

APF'de aynı metrik yalnız %3,3'tür. APF'nin minimum gövde açıklığı 1,12 m ve güvenlik marjı 0,39 m'dir. Bu sonuç, yöntemin gövdeden oldukça korumacı biçimde uzak kaldığını ve bunun karşılığında ağacın çevresinde geniş bir biçilmeyen alan bıraktığını gösterir.

RFP ise %42,7 ağaç çevresi bant kapsaması, 0,81 m minimum açıklık ve 0,32 m pozitif güvenlik marjı sağlamıştır. RFP bu nedenle APF'den daha fazla gövde-yakın alanı biçmiş, ancak HPP'nin %55,9 değerine ulaşmamıştır.

HPP'de sıfır çarpışma ile negatif güvenlik marjı nasıl birlikte olabilir?

Çarpışma sayısı ile güvenlik marjı aynı şeyi ölçmez. HPP simülasyonlarında robotun gövde sınırını fiziksel olarak geçmesi anlamındaki gövde penetrasyonu görülmemiş ve çarpışma sayısı sıfır kalmıştır; ancak −0,34 m güvenlik marjı, yöntemin tanımlanan nominal koruma tamponunun içine bazı durumlarda girdiğini gösterir. Bu nedenle çalışma HPP'nin bütün güvenlik tamponunu kusursuz koruduğunu değil, gövdeye çarpmadan daha yakın biçme yapabildiğini desteklemektedir.

Yol uzunluğu

HPP'nin ortalama yol uzunluğu 2706,2 m'dir. APF, RFP ve CPP+GapFollow yaklaşık 2489–2490 m civarında daha kısa yollar üretirken CPP 4449,2 m ile belirgin biçimde daha uzun bir toplam yol oluşturmuştur.

Dolayısıyla HPP'nin yakın-gövde biçme başarısı ek yerel yörünge hareketleri nedeniyle yol uzunluğunu bazı karşılaştırma yöntemlerine göre artırmaktadır. Çalışmanın sonuçları, yalnız minimum yol uzunluğunu optimize eden bir yöntem iddiası değildir.

Çalışmanın desteklediği sonuçlar

• HPP, test edilen MATLAB simülasyonlarında aktif ağaçların çevresinde yörünge benzeri yerel manevralar oluşturabilmiştir.
• FSM, yerel biçme tamamlandığında robotu küresel Boustrophedon kapsama yoluna yeniden bağlayabilmiştir.
• HPP, sıfır gövde çarpışması sağlayan karşılaştırma yöntemleri arasında en yüksek ağaç çevresi bant kapsamasını üretmiştir.
• HPP, APF ve RFP'ye göre ağaç çevresinde daha güçlü biçme sağlamıştır.
• CPP ve CPP+GapFollow yüksek nominal kapsama üretmiş ancak gövde penetrasyonları ve negatif güvenlik marjları göstermiştir.
• HPP'nin nominal güvenlik tamponu bütün koşullarda tam korunmamıştır.

Bu Simülasyon Gerçek Orman Sahasındaki Performansı Kanıtlar mı?

Hayır. Çalışmada robot holonomik nokta platform olarak modellenmiş ve sonuçlar idealize edilmiş MATLAB simülasyonlarından elde edilmiştir; gerçek biçme robotlarında holonomik olmayan direksiyon sınırları, tekerlek kayması, engebeli arazi, süspansiyon, aktüatör doygunluğu, LiDAR belirsizliği, kısmi örtülme, lokalizasyon sürüklenmesi ve değişken zemin eğimi ayrıca fiziksel deneylerle doğrulanmalıdır.

Modelin temel sınırlılıkları

• Robot gerçek biçme makinesi geometrisi yerine holonomik nokta robot olarak temsil edilmiştir.
• Holonomik olmayan direksiyon kısıtları modellenmemiştir.
• Tekerlek kayması ve engebeli zeminden kaynaklanan dinamik bozucular ayrıntılı araç modeli içinde bulunmamaktadır.
• Süspansiyon ve düşük seviyeli aktüatör sınırları simülasyonun ana modeli değildir.
• Algılama başarısızlıkları ve kısmi LiDAR örtülmeleri tam saha doğrulamasına tabi tutulmamıştır.
• Lokalizasyon sürüklenmesi değerlendirmeye dahil edilmemiştir.
• Farklı gerçek arazi eğimleri üzerinde fiziksel biçme testi yapılmamıştır.
• HPP'nin güvenlik tamponu bütün koşullarda tam korunmamıştır.

Bu sınırlılıklar yöntemin değersiz olduğu anlamına gelmez; fakat sonuçların doğru bilimsel ölçeğini belirler. Çalışmanın gösterdiği şey gerçek bir ticari biçme robotunun hazır ve doğrulanmış saha performansı değil, iki-cisim esinli yerel yörünge kontrolünün küresel kapsama planına eklenmesinin algoritmik olarak uygulanabilir olduğudur.

Gelecek çalışma

Yazarlar yöntemin daha yüksek doğruluklu araç modellerine, gerçek biçme platformlarına ve engebeli orman ortamlarına taşınmasını önermektedir. Gelecek doğrulamalarda daha gerçekçi LiDAR belirsizliği ve yoğun çok-ağaç durumlarının da incelenmesi planlanmaktadır.

Çalışmanın genel konumlandırmasına göre HPP, gelecekte gelişmiş küresel CPP yöntemlerinin yerine geçecek bağımsız bir sistem olmaktan çok, bu planlayıcıların üzerine eklenebilen ağaç-gövdesi farkındalığına sahip yerel manevra modülü olarak değerlendirilebilir.

Kaynak ve Yöntem Notu

Bu Verianla içeriği, Sun-Ho Jang, Woo-Jin Ahn, Yong-Jun Lee ve Myo-Taeg Lim tarafından hazırlanan A Hybrid Path Planning Framework for Forest Mowing Using Two-Body-Inspired Orbital Control başlıklı akademik çalışma temel alınarak bağımsız biçimde oluşturulmuştur.

Çalışma Actuators dergisinde 2026 yılında, Cilt 15, Makale 179 olarak yayımlanmıştır. DOI: 10.3390/act15040179. PDF kayıtlarına göre yayın tarihi 25 Mart 2026'dır. Yayıncı MDPI'dır ve çalışma Creative Commons Attribution (CC BY) açık erişim lisansı altında yayımlanmıştır.

Yazar afiliyasyonları Korea Institute of Robotics Technology Convergence, Korea University School of Electrical Engineering ve Inha University Department of Artificial Intelligence kurumlarını kapsamaktadır. Yong-Jun Lee ve Myo-Taeg Lim corresponding author olarak belirtilmiştir.

Çalışmanın temel yöntemi, Boustrophedon tabanlı bir küresel Coverage Path Planning iskeleti üzerine iki-cisim mekaniğinden esinlenen yerel gövde-yakın yörünge kontrolünün ve sonlu durum makinesi tabanlı görev geçişlerinin eklenmesidir. Ağacın LiDAR ile tahmin edilen geometrisi sanal kütleye dönüştürülmekte; sanal çekim, teğetsel dolaşım ve itme bileşenleri robotun yerel hareketini oluşturmaktadır. Sanal kütlenin zamanla azaltılması, robotun yakın yörüngeden ayrılmasını ve küresel kapsama yoluna yeniden katılmasını desteklemektedir.

Değerlendirme MATLAB R2024b ortamında gerçekleştirilmiş ve farklı orman yerleşimlerinde 50 koşunun ortalama sonuçları HPP, CPP, CPP+GapFollow, APF ve RFP yöntemleri arasında karşılaştırılmıştır. Çalışma gerçek saha deneyi değildir. Robot holonomik nokta robot olarak modellenmiş ve gerçek biçme makinelerindeki direksiyon, kayma, arazi, süspansiyon, aktüatör ve algılama sınırlılıklarının tamamı modellenmemiştir.

Kaynakta sunulan şekiller bu metinde birebir yeniden yayımlanmamıştır. Yöntemin matematiksel ilişkileri, simülasyon parametreleri ve Tablo 2'deki nicel değerler kaynak sadakati korunarak öğretici bir Türkçe yapı içinde yeniden açıklanmıştır.

Çalışma, Korea Forest Service tarafından sağlanan Forest Science Technology R&D Programı kapsamında IRIS RS-2025-02213970 projesiyle ve National Research Foundation of Korea Basic Science Research Programı kapsamında RS-2025-24523431 hibesiyle desteklenmiştir. Yazarlar çıkar çatışması bulunmadığını bildirmiştir. Veri erişilebilirliği bölümünde bu çalışmada yeni veri oluşturulmadığı veya analiz edilmediği ve veri paylaşımının uygulanabilir olmadığı belirtilmiştir.

Bu metindeki “çekim”, “kütle” ve “yörünge” kavramları gerçek ağacın fiziksel kütleçekim alanını ifade etmez. Bunlar iki-cisim mekaniğinden esinlenen kontrol modelinin sanal değişkenleridir. HPP'nin simülasyonda sıfır gövde çarpışması üretmesi de tanımlanan güvenlik tamponunun bütünüyle korunduğu anlamına gelmez; HPP için raporlanan güvenlik marjı −0,34 m'dir.