मिश्रिता मार्गयोजना (Hybrid Path Planning, HPP) इति वनप्रदेशे लवनकार्यं कुर्वतां robot-यन्त्राणां कृते निर्मितः मार्गयोजनायाः एकः प्रारूपः अस्ति। अस्य उद्देशः विस्तीर्णस्य क्षेत्रस्य आवरणं वृक्षकाण्डस्य अतीव समीपे सुरक्षितेन लवनगतिना सह संयोजयितुम्। अस्मिन् प्रारूपे वैश्विकः Boustrophedon Coverage Path तथा द्वयोः पिण्डयोः यान्त्रिकीभ्यः प्रेरिता स्थानीय कक्षासदृशगतिः एकत्र उपयुज्यते। व्यवस्था सम्पूर्णं वनं कक्षागतेः समस्यारूपेण न प्रतिरूपयति; यः वृक्षः तस्मिन् क्षणे क्रियते, तम् एव स्थानीयस्य काल्पनिक-गुरुत्वाकर्षणस्य केन्द्ररूपेण स्वीकृत्य robot-यन्त्रं तस्य काण्डस्य परितः कक्षासदृशेन मार्गेण नयति। लवनकार्ये प्रगच्छति सति वृक्षस्य काल्पनिकं द्रव्यमानं शनैः न्यूनीक्रियते, गुरुत्वाकर्षणप्रभावः दुर्बलीक्रियते, तथा Finite State Machine (FSM) robot-यन्त्रं पुनः वैश्विक-आवरणमार्गे संयोजयति। MATLAB-आधारितेषु simulation-परीक्षणेषु HPP, तस्मिन्नेव वैश्विक-स्कैन-आधारे परीक्षितयोः APF तथा RFP इत्यादीनां प्रतिकर्षणाधारितानां स्थानीय-परिहारपद्धतीनां तुलनया, वृक्षकाण्डस्य समीपे लवितं क्षेत्रं वर्धयन् काण्डे प्रवेशं निरोधयामास। तथापि परिणामाः आदर्शीकृतस्य holonomic point robot-प्रतिरूपस्य आधारे सन्ति; अतः ते वास्तविके वनक्षेत्रे समानां कार्यक्षमतां स्वयमेव न प्रमाणयन्ति।

50 simulation-चालनानां औसते HPP सम्पूर्णस्य क्षेत्रस्य %95,3 भागं लवितवान्, वृक्षसमीपस्थे मूल्याङ्कन-पट्टे %55,9 आवरणं प्राप्तवान्, तथा काण्ड-संघट्टानां संख्या शून्या आसीत्। काण्डात् न्यूनतमं अन्तरं 0,29 m आसीत्। किन्तु सुरक्षा-सीमायाः −0,34 m इति मानं सूचयति यत् robot-यन्त्रेण काण्डे प्रवेशः न कृतः, तथापि निर्दिष्टः nominal सुरक्षा-buffer सर्वासु स्थितिषु पूर्णतया न रक्षितः। अतः अस्याः पद्धतेः मुख्यः निष्कर्षः “पूर्णा सुरक्षा सिद्धा” इति नास्ति; अधिकं युक्तं व्याख्यानम् इदं यत् परीक्षितेषु simulation-परिस्थितिषु वृक्षस्य समीपे अधिक-लवनस्य तथा काण्ड-प्रवेशस्य परिहारस्य मध्ये अधिकः अनुकूलः समतोलः स्थापयितुं शक्यते।

वनलवने मुख्यः नियन्त्रण-विरोधः

वनप्रदेशे लवनकार्यं कुर्वतः robot-यन्त्रस्य कार्यं केवलं विवृत-क्षेत्रे सञ्चरणं नास्ति। तेन विस्तीर्णे कार्यक्षेत्रे वनस्पतयः क्रमबद्धतया छेत्तव्याः, तथा रक्षणीयानां वृक्षाणां काण्डे क्षतिः न कर्तव्या। एते द्वे लक्ष्ये विशेषतः काण्डस्य परितः परस्परविरोधिनी भवतः।

परम्परागताः obstacle-avoidance algorithms सामान्यतः robot-यन्त्रस्य तथा बाधायाः मध्ये अन्तरं वर्धयितुं प्रयतन्ते। Artificial Potential Field (APF) अथवा तादृशेषु प्रतिकर्षणाधारितेषु उपायेषु वृक्षकाण्डः robot-यन्त्रेण नातिसमीपं गन्तव्यः बाधारूपः भवति। किन्तु लवनकार्यस्य दृष्ट्या काण्डस्य सन्निकटस्थाः वनस्पतयः अपि छेत्तव्याः। यदि robot-यन्त्रं अतीव शीघ्रं दूरं गच्छति, तर्हि सुरक्षा वर्धेत; किन्तु वृक्षस्य परितः विस्तीर्णः अलवितः पट्टः अवशिष्येत।

HPP अस्य विरोधस्य समाधानं प्रयतते। वृक्षः केवलं परिहार्य-बाधारूपेण न दृश्यते; अपि तु निर्दिष्टायाः सुरक्षा-दूर्याः अन्तर्गतं यस्य परितः नियन्त्रितया गतिना सञ्चरणीयं, तादृशः स्थानीय-लक्ष्यरूपेण गृह्यते।

वनलवन-robot मध्ये HPP कथं कार्यं करोति?

HPP विस्तीर्णस्य क्षेत्रस्य कृते Boustrophedon-आधारितं Coverage Path Planning मार्गं अनुसरति। robot-यन्त्रं सक्रिय-वृक्षस्य प्रभावक्षेत्रे प्रविशति चेत् Finite State Machine नियन्त्रणं स्थानीय-कक्षा-mode प्रति परिवर्तयति। ततः robot-यन्त्रं काल्पनिक-गुरुत्वाकर्षणस्य, स्पर्शरेखीय-परिभ्रमणस्य, तथा अल्पदूर-प्रतिकर्षणस्य संयुक्तप्रभावेण काण्डस्य परितः चलति। स्थानीयं लवनकार्यं समाप्तं चेत् निकटतमात् उपयुक्तात् बिन्दोः पुनः वैश्विक-आवरणमार्गे संयुज्यते।

वैश्विक-आवरणस्य आधारः

अध्ययनं नवीनं वैश्विकं Complete Coverage Path Planning algorithm न प्रस्तावयति। तस्य स्थाने Boustrophedon decomposition-आधारितं विद्यमानं CPP-प्रारूपं सामान्य-वैश्विक-सन्दर्भरूपेण उपयुज्यते। कार्यक्षेत्रं क्रमबद्धैः आगमन-प्रत्यागमन-स्कैनैः आच्छादनीयेषु उपक्षेत्रेषु विभज्यते, तथा प्राप्तः सन्दर्भ-मार्गः:

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

इति प्रदर्श्यते। मार्गबिन्दूनां मध्ये अन्तरं प्रभावी-छेदन-विस्तारस्य \(w_{\mathrm{cut}}\) तथा अपेक्षितस्य overlap-मानस्य अनुसारं निर्धार्यते।

HPP इत्यस्य नवीनता वैश्विकं मार्गं अन्येन मार्गेण प्रतिस्थापयितुं नास्ति। मुख्यः योगदानः एषः स्थानीयः काण्ड-समीप-मनूवर्-स्तरः, यः robot-यन्त्रं वृक्षस्य समीपे कार्यं करोति तदा सक्रियः भवति।

द्वयोः पिण्डयोः यान्त्रिकीभ्यः प्रेरणा

परम्परागतायां two-body problem इति समस्यायां द्वयोः द्रव्यमानयोः मध्ये आकर्षणं Newton-स्य universal gravitation नियमेन व्यक्तं भवति:

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

अत्र \(G\) गुरुत्वाकर्षण-नियतांकः, \(m_i\) तथा \(m_j\) द्वयोः पिण्डयोः द्रव्यमाने, तथा \(\mathbf{r}_{ij}\) तयोः मध्ये सापेक्ष-स्थान-वेक्टरः अस्ति। उचितेषु आरम्भ-शर्तेषु एषः परस्परप्रभावः सीमिताः कक्षाः जनयितुं शक्नोति।

शोधकाः एतां भौतिक-सम्बन्धनां robot-गतिशास्त्रे वास्तविक-गुरुत्वाकर्षणरूपेण प्रत्यक्षं न योजयन्ति। तस्य स्थाने two-body-व्यवहारः नियन्त्रणस्य उपमा इति पुनर्व्याख्यायते। सक्रिय-लक्ष्य-वृक्षः स्थिर-केन्द्ररूपेण, robot-यन्त्रं च तेन केन्द्रेण निर्मितस्य काल्पनिक-गुरुत्वाकर्षण-क्षेत्रस्य प्रभावं प्राप्नुवत् चल-सिस्टम-रूपेण प्रतिरूप्यते।

वृक्षकाण्डात् काल्पनिक-द्रव्यमानस्य निर्माणम्

प्रत्येकस्य वृक्षस्य नियन्त्रणोपरि काल्पनिकः प्रभावः ज्ञातात् काण्ड-जीओमेट्रीतः निष्पद्यते। आकर्षक-potential:

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

इति परिभाष्यते।

वृक्षस्य काल्पनिक-द्रव्यमानं तु:

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

इति भवति।

अत्र:

• \(G_v\): काल्पनिक-गुरुत्वाकर्षणस्य gain.
• \(r\): robot-यन्त्रस्य तथा लक्ष्य-वृक्षस्य केन्द्रस्य मध्ये Euclidean-दूरी.
• DBH: LiDAR द्वारा अनुमानितः वक्षः-उच्चतायां काण्डस्य व्यासः.
• \(\rho\): काल्पनिक-घनत्वस्य parameter.
• \(H_{\mathrm{ref}}\): perception तथा control scaling मध्ये प्रयुक्ता सन्दर्भ-काण्ड-उच्चता.

\(H_{\mathrm{ref}}\) सर्वेषां लवन-robot-यन्त्राणां कृते भौतिकरूपेण optimum इति स्वीक्रियमाणा सार्वत्रिकी वृक्षोच्चता नास्ति। स्रोतः स्पष्टतया वदति यत् उपयुक्तं मानं LiDAR configuration, field of view, वनस्पति-संरचना तथा robot-जीओमेट्री इत्येतेषु निर्भरं भवितुम् अर्हति।

काल्पनिक-गुरुत्वाकर्षण-त्वरणम्

आकर्षक-potential इत्यस्य ऋण-gradient robot-यन्त्रं लक्ष्य-वृक्षं प्रति नयन्तं काल्पनिक-त्वरण-आदेशं जनयति:

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

\(\mathbf{r}\) लक्ष्य-वृक्षस्य केन्द्रात् robot-यन्त्रं प्रति गच्छन् सापेक्ष-स्थान-वेक्टरः अस्ति। गणिततः robot-यन्त्रं वृक्षस्य समीपं गच्छति चेत् \(r^{-3}\) पदं काल्पनिक-परस्परप्रभावं बलवत्तरं करोति। किन्तु व्यवस्था robot-यन्त्रं प्रत्यक्षं वृक्षं प्रति आकर्षयितुं न रचिता; आकर्षणेन सह प्रतिकर्षक-सुरक्षा-क्षेत्रं तथा स्पर्शरेखीय-परिभ्रमण-घटकः अपि अस्ति।

सुरक्षायै प्रतिकर्षक-potential

वृक्षस्य परितः अल्पदूर-प्रतिकर्षक-potential परिभाषितम्:

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

\(K_{\mathrm{rep}}\) प्रतिकर्षणस्य gain. \(r_0\) सुरक्षा-दूरीं छेदकस्य जीओमेट्रीं च एकत्र गणयन् प्रभाव-radius अस्ति:

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

अत्र \(r_{\mathrm{safe}}\) वृक्षस्य सुरक्षा-दूरी, \(w_{\mathrm{cut}}\) तु छेदन-विस्तारः। अतः \(r_0\) प्रत्यक्षं लक्ष्य-कक्षायाः radius नास्ति; एषः सीमा दर्शयति यस्यां सुरक्षा तथा छेदक-जीओमेट्री प्रतिकर्षण-क्षेत्रे प्रभावं वहतः।

आकर्षणस्य प्रतिकर्षणस्य च समतोलः

स्थानीय-कक्षा-ऊर्जा:

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

इति परिभाष्यते। लक्ष्य-कक्षायाः radius \(r_{\mathrm{tgt}}\) सक्रिय-प्रतिकर्षण-क्षेत्रे अस्य संयुक्त-ऊर्जायाः स्थिर-बिन्दुना अनुकूलं भवेत् इति निर्धार्यते।

अनुमानितः radial-force समतोलः:

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

इति शर्तेन:

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

इति सम्बन्धः लभ्यते। एवं लक्ष्य-काण्ड-दूरी नियन्त्रण-स्तरे तादृशं ज्यामितीयं लक्ष्यं भवति यत्र आकर्षणं सुरक्षा-बाधा च परस्परं संतुलयतः।

कक्षासदृशा गतिः प्रत्यक्षं वृक्षे किमर्थं न पतति?

यदि केवलम् आकर्षक-क्षेत्रम् उपयुज्येत, तर्हि robot-यन्त्रं लक्ष्य-केन्द्रं प्रति गच्छेत्। कक्षासदृशं व्यवहारं निर्मातुं algorithm अतिरिक्तं स्पर्शरेखीय-परिभ्रमण-पदं प्रयुङ्क्ते:

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

\(\omega\) कोणीय-वेगस्य parameter, \(\hat{\mathbf{t}}\) तु वृक्षस्य अपेक्षया स्पर्शरेखीयः unit vector अस्ति। स्रोतः विशेषतया सूचयति यत् एतत् पदं classical two-body physics इत्यस्मात् प्रत्यक्षतया निष्पन्नं कठोरं भौतिकं tangential-acceleration समीकरणं न मन्तव्यम्; अपि तु कक्षासदृशां गतिं धारयितुं प्रयुक्तं नियन्त्रणोन्मुखं परिभ्रमण-पदम् इति मन्तव्यम्।

स्थानीयः समग्र-त्वरण-आदेशः:

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

इति अस्ति। आकर्षणं वृक्षस्य समीपगमनं, स्पर्शरेखीय-घटकः परितः परिभ्रमणं, प्रतिकर्षण-घटकः तु सीमोल्लङ्घनस्य निवारणं लक्ष्यीकरोति।

काण्ड-व्यासस्य गतिनियन्त्रणेन सम्बन्धः

LiDAR-स्कैन मध्ये काण्डस्य क्षैतिज-कोणीय-विस्तारः \(\Delta\phi\), अनुमानिता काण्ड-दूरी तु \(R_{\mathrm{det}}\) इति गृह्यते। काण्डस्य व्यासः:

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

इत्यनेन अनुमान्यते। द्वितीयः approximation लघु-कोण-कल्पनायाम् आधारितः अस्ति।

ततः एतद् अनुमानं:

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

इति सम्बन्धेन काल्पनिक-द्रव्यमाने परिणम्यते। एवं ज्ञाता वृक्ष-जीओमेट्री केवलं नकाशायां बाधा-बिन्दुरूपेण न अवशिष्यते; सा स्थानीय-गति-नियन्त्रकस्य काल्पनिक-गुरुत्वाकर्षण-मापं निर्धारयन्ती एकः input भवति।

स्रोतः अपि निर्दिशति यत् एतानि ज्यामितीय-मानानि निश्चिता भौतिक-मापनानि इति न स्वीकरणीयानि। अनुमानस्य गुणवत्ता LiDAR-resolution, अंशतः आच्छादनम्, काण्डस्य दृश्यता, क्षेत्र-परिस्थितयः च इत्येतैः प्रभावितुं शक्यते।

कक्षा-वेगस्य ज्यामितीयः सम्बन्धः

सक्रिय-लक्ष्यस्य कृते काल्पनिक-गुरुत्वाकर्षणेन अनुरूपः वृत्तीयः वेगः अनुमानतः:

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

इति निर्दिष्टः।

काण्ड-जीओमेट्रीसहितं सम्बन्धे कृते:

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

इति लभ्यते। एषा अभिव्यक्तिः ज्ञातस्य काण्ड-आकारस्य काल्पनिक-द्रव्यमानेन स्थानीय-नियन्त्रण-व्यवहारे कथं सम्बन्धः भवति इति दर्शयति।

काल्पनिकं द्रव्यमानं कालेन किमर्थं न्यूनीक्रियते?

काल्पनिकं द्रव्यमानं वास्तविक-वृक्षस्य भौतिक-द्रव्यमानं परिवर्तयितुं न न्यूनीक्रियते; अपि तु स्थानीय-लवनकार्यस्य प्रगति नियन्त्रण-व्यवस्थायां प्रतिनिधातुं न्यूनीक्रियते। \(m_{\mathrm{tree}}\) न्यूनीभवति चेत् काल्पनिक-गुरुत्वाकर्षणं दुर्बलं भवति, लक्ष्य-कक्षायाः radius \(r_{\mathrm{tgt}}\) बहिर्दिशि वर्धते, तथा robot-यन्त्रस्य समीप-कक्षा-mode त्यक्त्वा वैश्विक-आवरणमार्गं प्रति प्रतिगमनं सुकरं भवति।

discrete time मध्ये काल्पनिक-द्रव्यमानम्:

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

इत्यनेन न्यूनीक्रियते।

अध्ययनस्य simulation-मध्ये द्रव्यमान-क्षय-factor \(\alpha=0{,}95\) स्थिरः निर्धारितः।

continuous time कृते दत्तः संकल्पनात्मकः सम्बन्धः:

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

इति। \(m_{\min}\) स्थानीय-कार्यस्य समाप्तिं निर्धारयितुं प्रयुक्तः अधःसीमा-द्रव्यमानः।

नवीकृतः लक्ष्य-कक्षा-radius:

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

तथा समतुल्यरूपेण:

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

इति व्यक्तः। \(\varepsilon\) संख्यात्मक-स्थैर्यार्थं प्रयुक्तः लघुः धन-नियतांकः। काल्पनिक-द्रव्यमाने न्यूनीभवति सति द्वितीयं पदं लघु भवति, तथा \(r_{\mathrm{tgt}}\) इत्यस्य मानं \(r_0\) प्रति वर्धते। एवं व्यवस्था वृक्षस्य समीप-कक्षातः शनैः दूरं गच्छति।

Finite State Machine

Finite State Machine (FSM) त्रयः प्रमुखाः कार्य-mode नियन्त्रयति:

1. वैश्विक-गमनम्: robot-यन्त्रं CPP-सन्दर्भमार्गं अनुसरति।
2. स्थानीय-कक्षा: वृक्षः activation-zone मध्ये प्रविशति चेत् काल्पनिक-गुरुत्वाकर्षणेन, स्पर्शरेखीय-परिभ्रमणेन, प्रतिकर्षणेन च काण्डस्य समीपे गति क्रियते।
3. मार्गे पुनः संयोजनम्: स्थानीयं लवनकार्यं समाप्ते robot-यन्त्रं निकटतमेन उपयोज्येन वैश्विक-मार्ग-खण्डेन संयुज्यते तथा आवरणकार्यं निरन्तरं करोति।

काल्पनिक-द्रव्यमानं \(m_{\min}\) इत्यस्मात् अधः पतति चेत् अथवा कक्षा-संख्या \(N_{\mathrm{th}}\) सीमाम् अतिक्रामति चेत् स्थानीयं कार्यं समाप्तम् इति मन्यते। समाप्तस्य वृक्षस्य केन्द्रं \(T_{\mathrm{done}}\) समूहे योज्यते।

ततः समाप्त-वृक्षाणां परितः प्रतिकर्षक-क्षेत्राणि robot-यन्त्रं तत्क्षणं तस्मिन् एव क्रियित-प्रदेशे पुनः प्रवेष्टुं निवारयन्ति। वैश्विक-मार्गे प्रतिगमनं सम्पूर्णस्य क्षेत्रस्य कृते पुनः महद्व्ययेन optimization कर्तुं न, अपि तु निकटतमं उपयोज्यं Boustrophedon-मार्ग-बिन्दुं प्रति लघु-संयोजन-गतिना क्रियते।

robot-गतिः संख्यात्मकतया कथं नवीक्रियते?

simulation मध्ये वेग-damping तथा अधिकतम-वेग-सीमा उपयुज्यते:

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

discrete-time update:

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

तथा position update:

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

इति। एवं नियन्त्रण-क्षेत्रात् प्राप्ताः त्वरण-घटकाः प्रत्येकस्मिन् समय-पदे robot-यन्त्रस्य वेगं स्थानं च परिवर्तयन्ति।

अध्ययनस्य विधिः परिणामाश्च

simulation-परिसरः

HPP algorithm MATLAB R2024b इत्यस्य उपयोगेन संख्यात्मक-परिसरे मूल्याङ्कितः। simulation-computer मध्ये Intel Core i7-12700 processor, 12 cores तथा 32 GB RAM आसन्।

तुलना भिन्न-वृक्ष-विन्यासयुक्तेषु अनेकासु 50 × 50 m वनभूमिषु कृता। प्रत्येकः वृक्षः cylindrical obstacle इति प्रतिनिधितः। अध्ययनस्य आन्तरिक-simulator वन-जीओमेट्री आरभ्य, यादृच्छिकान् अथवा उपयोगकर्त्रा निर्दिष्टान् वृक्ष-स्थानान् निर्माय, LiDAR-आधारितं पर्यावरण-perception अनुकरोति।

LiDAR-model कृते अधिकतम detection range 10 m, depth resolution 0,1 m, field of view 360° तथा angular resolution 1° इति निर्धारितम्। प्रत्येकं simulation-चालनं प्रायः 3000–4000 discrete time steps धारयति।

तुलिताः पद्धतयः

सर्वाः पद्धतयः समानस्य उच्च-स्तरीय-वैश्विक-आवरण-आधारस्य अन्तर्गतं मूल्याङ्किताः:

• HPP: द्वयोः पिण्डयोः यान्त्रिकीभ्यः प्रेरिता प्रस्ताविता स्थानीय-काण्ड-समीप-मनूवर्-पद्धतिः।
• CPP: वृक्ष-संवेदनशीलं स्थानीय-मनूवर् न धारयन् स्थिरः scan-reference.
• CPP+GapFollow: वैश्विक-scan तथा स्थानीय-gap-following संयोजयन् reactive variant.
• APF: प्रतिकर्षणाधारितः Artificial Potential Field स्थानीय obstacle-avoidance approach.
• RFP: अध्ययनमध्ये प्रयुक्तः अन्यः प्रतिकर्षण-केन्द्रितः स्थानीय-परिहार-reference.

अस्य विन्यासस्य उद्देशः विविधान् वैश्विक-route-planners परस्परं स्पर्धयितुं न, अपि तु समानस्य आवरण-आधारस्य उपरि विविध-स्थानीय-वृक्ष-सम्बन्धानां परिणामान् तुलयितुम् अस्ति।

त्रि-चरणीय-व्यवहारस्य सत्यापनम्

स्रोतस्य Figure 1 HPP इत्यस्य त्रयः प्रमुखाः व्यवहारान् दर्शयति: वृक्षस्य परितः कक्षासदृशः स्थानीय-मनूवर्, वैश्विक-सन्दर्भ-मार्गे पुनः संयोजनम्, तथा वैश्विक-आवरणस्य निरन्तरता।

अस्मिन् उदाहरणे robot-यन्त्रेण प्रायः त्रयः परिभ्रमणाः क्रियेरन् इति केचन decay-parameters दृश्य-स्पष्टतां वर्धयितुं समायोजिताः। स्रोतः विशेषतया वदति यत् एषः सार्वत्रिकः अथवा अनिवार्यः “त्रि-परिभ्रमण-नियमः” नास्ति। एतद् उदाहरणं केवलं state transitions दृश्यतया दर्शयितुं प्रयुक्तम्।

भिन्नेषु वन-विन्यासेषु मार्गाः

स्रोतस्य Figure 2 त्रिषु भिन्नेषु वन-विन्यासेषु HPP, CPP, CPP+GapFollow, APF तथा RFP इत्येषां मार्गान् पार्श्वे पार्श्वे दर्शयति। HPP सक्रिय-वृक्षस्य समीपे वृत्तीयां/कक्षासदृशां गतिं निर्माय ततः वैश्विक-सन्दर्भ-मार्गं प्रति निवर्तते।

APF तथा RFP इत्येषां मार्गाः अधिकं संरक्षणशीलं दूरगमन-व्यवहारं दर्शयन्ति; अतः वृक्षस्य परितः अधिक-विस्तीर्णाः अलविताः प्रदेशाः भवन्ति। तस्य विपरीते, केवलं traversal continuity इत्यस्य प्राथमिकतां ददन्तः CPP-आधारिताः references काण्डस्य अतीव समीपं गन्तुं शक्नुवन्ति।

आवरण-नकाशाः किं दर्शयन्ति?

स्रोतस्य Figure 3 तथा Figure 4 भिन्नेषु वन-विन्यासेषु लवितान् अलवितान् च प्रदेशान् दृश्यरूपेण दर्शयतः। HPP, APF तथा RFP इत्येतयोः तुलनया काण्डस्य परितः अधिकं क्षेत्रं संसाधयति, तथा CPP तथा CPP+GapFollow पद्धतिषु दृश्यमानं गम्भीरं काण्ड-प्रवेश-व्यवहारं न दर्शयति।

एते दृश्याः परिमाणात्मकस्य सारण्याः महत्त्वपूर्णं व्याख्यानं समर्थयन्ति: केवलं कुल-आवरण-प्रतिशतं पश्यितुं पर्याप्तं नास्ति। काचित् पद्धतिः उच्चम् आवरणं दत्त्वा वृक्षस्य रक्षणीय-प्रदेशे प्रवेष्टुं शक्नोति; अन्या पद्धतिः शून्य-संघट्टं दत्त्वा काण्डस्य परितः बहु वनस्पतिं त्यक्तुं शक्नोति।

50 simulation-चालनानां परिमाणात्मकाः परिणामाः

कुल-आवरणं केवलं किमर्थं पर्याप्तः मापदण्डः नास्ति?

CPP %100,0 कुल-आवरणं, CPP+GapFollow च %98,6 कुल-आवरणं दत्तवन्तौ। प्रथमदृष्ट्या एते मानाः HPP इत्यस्य %95,3 मानात् अधिकाः दृश्यन्ते। किन्तु तयोः एव पद्धत्योः काण्डात् न्यूनतम-अन्तराणि ऋणात्मकानि, तथा 563 एवं 57 काण्ड-प्रवेश-घटनाः अभिलेखिताः।

अतः उच्चस्य nominal आवरणस्य कश्चन अंशः रक्षणीय-वृक्षकाण्ड-सीमानां उल्लङ्घनस्य मूल्येन प्राप्तः। HPP इत्यस्य मूल्याङ्कने आवरण-सूचना तथा संघट्ट-सूचना एकत्र पठनीयौ।

वृक्षस्य परितः लवनस्य कार्यक्षमता

HPP इत्यस्य वृक्ष-परितः पट्ट-आवरणं %55,9 अस्ति। येषु उपायेषु काण्ड-संघट्टः शून्यः आसीत्, तेषु एतत् उच्चतमं मानम्।

APF मध्ये एषः एव मापदण्डः केवलं %3,3 अस्ति। APF इत्यस्य न्यूनतम-काण्ड-दूरी 1,12 m, सुरक्षा-margin 0,39 m च अस्ति। एषः परिणामः दर्शयति यत् पद्धतिः काण्डात् अत्यन्तं सावधानतया दूरं तिष्ठति, तथा तस्य प्रतिफलरूपेण वृक्षस्य परितः विस्तीर्णं अलवितं क्षेत्रं त्यजति।

RFP तु %42,7 वृक्ष-परितः पट्ट-आवरणं, 0,81 m न्यूनतम-दूरी, तथा 0,32 m धनात्मकं सुरक्षा-margin दत्तवान्। अतः RFP, APF अपेक्षया अधिकं काण्ड-समीप-क्षेत्रं लवितवान्, किन्तु HPP इत्यस्य %55,9 मानं न प्राप्तवान्।

HPP मध्ये शून्यः संघट्टः तथा ऋणात्मकं सुरक्षा-margin कथं सह अस्ति?

संघट्ट-संख्या तथा सुरक्षा-margin समानं वस्तु न मापयतः। HPP simulation-मध्ये robot-यन्त्रेण काण्डस्य भौतिक-सीमा अतिक्रान्ता इति अर्थे काण्ड-प्रवेशः न दृष्टः, तथा संघट्ट-संख्या शून्या आसीत्; किन्तु −0,34 m सुरक्षा-margin सूचयति यत् पद्धतिः केषुचित् प्रसङ्गेषु निर्दिष्टस्य nominal सुरक्षा-buffer इत्यस्य अन्तः प्रविष्टा। अतः अध्ययनं न समर्थयति यत् HPP सम्पूर्णं सुरक्षा-buffer निर्दोषतया रक्षितवान्; अपि तु काण्डं न संघट्टयित्वा अधिकं समीपं लवनं कर्तुं शक्नोति इति समर्थयति।

मार्ग-लम्बता

HPP इत्यस्य औसत-मार्ग-लम्बता 2706,2 m अस्ति। APF, RFP तथा CPP+GapFollow प्रायः 2489–2490 m लघुतरान् मार्गान् निर्मितवन्तः, CPP तु 4449,2 m इति स्पष्टतया दीर्घतरं कुल-मार्गं निर्मितवान्।

अतः HPP इत्यस्य काण्ड-समीप-लवनस्य लाभः अतिरिक्त-स्थानीय-कक्षा-गतिभ्यः केषाञ्चित् तुलनात्मक-पद्धतीनां अपेक्षया मार्ग-लम्बतां वर्धयति। अध्ययनस्य परिणामाः केवलं न्यूनतम-मार्ग-लम्बतां optimize करणीयां पद्धतिं न प्रतिपादयन्ति।

अध्ययनात् समर्थिताः निष्कर्षाः

• HPP परीक्षितेषु MATLAB simulation-मध्ये सक्रिय-वृक्षाणां परितः कक्षासदृशान् स्थानीय-मनूवर् निर्मातुं शक्नोति।
• FSM स्थानीयं लवनकार्यं समाप्ते robot-यन्त्रं पुनः वैश्विक-Boustrophedon-आवरणमार्गे संयोजयितुं शक्नोति।
• येषु तुलनात्मक-पद्धतिषु काण्ड-संघट्टः शून्यः आसीत्, तेषु HPP उच्चतमं वृक्ष-परितः पट्ट-आवरणं प्राप्तवान्।
• HPP, APF तथा RFP अपेक्षया वृक्षस्य परितः अधिकं लवनं दत्तवान्।
• CPP तथा CPP+GapFollow उच्चं nominal आवरणं दत्तवन्तौ, किन्तु काण्ड-प्रवेशान् तथा ऋणात्मकानि सुरक्षा-margin मानानि दर्शितवन्तौ।
• HPP इत्यस्य nominal सुरक्षा-buffer सर्वासु परिस्थितिषु पूर्णतया न रक्षितः।

किं एषा simulation वास्तविके वनक्षेत्रे कार्यक्षमतां प्रमाणयति?

न। अध्ययनमध्ये robot-यन्त्रं holonomic point platform इति प्रतिरूपितम्, परिणामाश्च आदर्शीकृत- MATLAB simulation-तः प्राप्ताः। वास्तविकेषु लवन-robot-यन्त्रेषु nonholonomic steering सीमाः, चक्रस्य स्खलनम्, असम-भूमिः, suspension, actuator saturation, LiDAR uncertainty, partial occlusion, localization drift तथा परिवर्तमानः भूमेः inclination पृथक् भौतिक-परीक्षणैः सत्यापनीयाः।

model इत्यस्य मुख्याः सीमाः

• robot-यन्त्रं वास्तविक-लवन-यन्त्रस्य जीओमेट्रीस्थाने holonomic point robot इति प्रतिरूपितम्।
• nonholonomic steering constraints न प्रतिरूपिताः।
• चक्र-स्खलनात् तथा असम-भूमेः जायमानाः dynamic disturbances विस्तृत-vehicle-model मध्ये न सन्ति।
• suspension तथा low-level actuator limits simulation इत्यस्य मुख्य-model न स्तः।
• perception failures तथा partial LiDAR occlusions पूर्ण-क्षेत्र-सत्यापनं न प्राप्तवन्तः।
• localization drift मूल्याङ्कने न समाविष्टः।
• विभिन्नेषु वास्तविक-भूमि-inclination मध्ये भौतिकं लवन-परीक्षणं न कृतम्।
• HPP इत्यस्य सुरक्षा-buffer सर्वासु परिस्थितिषु पूर्णतया न रक्षितः।

एताः सीमाः पद्धतिः निरर्थका इति न सूचयन्ति; किन्तु परिणामानां समुचितं वैज्ञानिकं परिमाणं निर्धारयन्ति। अध्ययनं न दर्शयति यत् वास्तविकः commercial लवन-robot पूर्वमेव सिद्धः क्षेत्र-प्रदर्शनं करोति; अपि तु द्वयोः पिण्डयोः यान्त्रिकीभ्यः प्रेरितं स्थानीय-कक्षा-नियन्त्रणं वैश्विक-आवरण-योजनायां algorithmic रूपेण योजयितुं शक्यते इति दर्शयति।

भविष्यत् कार्यम्

लेखकाः पद्धतिं अधिक-यथार्थतायुक्तेषु vehicle-models, वास्तविकेषु लवन-platforms तथा असम-वन-परिसरेषु नेतुं प्रस्तावयन्ति। भविष्यत्-सत्यापने अधिक-वास्तविकं LiDAR uncertainty तथा सघन-बहुवृक्ष-स्थितयः अपि परीक्षितव्याः इति योजना अस्ति।

अध्ययनस्य सामान्य-स्थित्यनुसारं HPP भविष्यति उन्नतान् वैश्विक-CPP-उपायान् प्रतिस्थापयन् स्वतन्त्रः system इति न, अपि तु तेषां planners उपरि योजयितुं शक्यः वृक्षकाण्ड-जागरूकः स्थानीय-मनूवर्-module इति द्रष्टुं शक्यते।

स्रोतः तथा विधेः टिप्पणी

एषा Verianla-सामग्री Sun-Ho Jang, Woo-Jin Ahn, Yong-Jun Lee तथा Myo-Taeg Lim इत्येतैः निर्मितस्य A Hybrid Path Planning Framework for Forest Mowing Using Two-Body-Inspired Orbital Control इति शीर्षकस्य अकादमिक-अध्ययनस्य आधारे स्वतन्त्रतया रचिता।

अध्ययनं Actuators पत्रिकायां 2026 वर्षे, Volume 15, Article 179 इति प्रकाशितम्। DOI: 10.3390/act15040179. PDF-अभिलेखानुसारं प्रकाशन-तिथि 25 Mart 2026 अस्ति। प्रकाशकः MDPI, तथा अध्ययनं Creative Commons Attribution (CC BY) open-access licence अन्तर्गतं प्रकाशितम्।

लेखकानां affiliations मध्ये Korea Institute of Robotics Technology Convergence, Korea University School of Electrical Engineering तथा Inha University Department of Artificial Intelligence संस्थाः सन्ति। Yong-Jun Lee तथा Myo-Taeg Lim corresponding author इति निर्दिष्टौ।

अध्ययनस्य मुख्य-विधिः Boustrophedon-आधारितस्य वैश्विक-Coverage Path Planning-आधारस्य उपरि द्वयोः पिण्डयोः यान्त्रिकीभ्यः प्रेरितस्य स्थानीय-काण्ड-समीप-कक्षा-नियन्त्रणस्य तथा Finite State Machine-आधारितानां कार्य-परिवर्तनानां योजने अस्ति। LiDAR द्वारा अनुमानिता वृक्ष-जीओमेट्री काल्पनिक-द्रव्यमाने परिणम्यते; काल्पनिक-गुरुत्वाकर्षणं, स्पर्शरेखीय-परिभ्रमणं तथा प्रतिकर्षण-घटकाः robot-यन्त्रस्य स्थानीयां गतिं निर्मान्ति। कालेन काल्पनिक-द्रव्यमानस्य न्यूनीकरणं robot-यन्त्रस्य समीप-कक्षात् निर्गमनं तथा वैश्विक-आवरणमार्गे पुनः संयोजनं समर्थयति।

मूल्याङ्कनं MATLAB R2024b परिसरे कृतम्, तथा विभिन्नेषु वन-विन्यासेषु 50 चालनानां औसत-परिणामाः HPP, CPP, CPP+GapFollow, APF तथा RFP पद्धतीनां मध्ये तुलिताः। अध्ययनं वास्तविकं field experiment नास्ति। robot-यन्त्रं holonomic point robot इति प्रतिरूपितम्, तथा वास्तविक-लवन-यन्त्रेषु steering, slippage, terrain, suspension, actuator तथा perception इत्येषां सर्वाः सीमाः न प्रतिरूपिताः।

स्रोते प्रदर्शितानि figures अस्मिन् पाठे प्रत्यक्षं पुनः प्रकाशितानि न। पद्धतेः गणितीय-सम्बन्धाः, simulation-parameters तथा Table 2 मध्ये परिमाणात्मकानि मानानि स्रोत-निष्ठां रक्षित्वा शिक्षणोपयोगिनि संस्कृत-विवरणे पुनः व्याख्यातानि।

अध्ययनं Korea Forest Service द्वारा प्रदत्तस्य Forest Science Technology R&D Program अन्तर्गतं IRIS RS-2025-02213970 project तथा National Research Foundation of Korea Basic Science Research Program अन्तर्गतं RS-2025-24523431 grant इत्याभ्यां समर्थितम्। लेखकाः conflict of interest नास्ति इति निवेदितवन्तः। data availability विभागे अस्मिन् अध्ययने नूतनं data न निर्मितं न च विश्लेषितम्, तथा data sharing लागू न भवति इति निर्दिष्टम्।

अस्मिन् पाठे “गुरुत्वाकर्षणम्”, “द्रव्यमानम्” तथा “कक्षा” इत्येते शब्दाः वास्तविक-वृक्षस्य भौतिक-गुरुत्वाकर्षण-क्षेत्रं न सूचयन्ति। एते द्वयोः पिण्डयोः यान्त्रिकीभ्यः प्रेरितस्य नियन्त्रण-model इत्यस्य काल्पनिकाः variables सन्ति। HPP simulation-मध्ये शून्य-काण्ड-संघट्टं दत्तवान् इत्येतदपि निर्दिष्टः सुरक्षा-buffer सम्पूर्णतया रक्षितः इति न सूचयति; HPP कृते रिपोर्ट-कृतं सुरक्षा-margin −0,34 m अस्ति।