Mfumo wa urambazaji bustanini wa SLAM ya leza ulioboreshwa kwa A*-DWA ni usanifu wa urambazaji wa roboti ya kilimo unaounganisha algoriti iliyoboreshwa ya A* kwa upangaji wa njia ya jumla, Dynamic Window Approach (DWA) kwa kuepuka vizuizi vya karibu kwa wakati halisi, AMCL kwa ujanibishaji na GMapping kwa uchoraji ramani. Hongsen Wang na wenzake waliunda mfumo huu jumuishi ili kutatua matatizo ya urambazaji wa kawaida unaotegemea A*, hasa katika bustani za mipera, ambayo husogea karibu mno na vizuizi, hutengeneza mipindo mikali na isiyo ya lazima, hushindwa kuitikia vizuizi vinavyosonga na huongeza matumizi ya nishati. Mfumo huboresha njia ya jumla mapema, hubadilisha njia ya karibu kupitia DWA unapokabili vizuizi visivyotarajiwa vinavyogunduliwa na LiDAR, na kuirudisha roboti kwenye njia ya jumla baada ya kupita kizuizi.

Mabadiliko matatu ya msingi yalifanywa katika kipangaji kilichoboreshwa cha A*: kuondoa nodi zenye hatari kubwa zilizo karibu na pembe za vizuizi, kuondoa nodi za kati zisizo za lazima, na kuongeza msongamano wa vizuizi katika funksi ya gharama ya kiheuristiki. Njia iliyotengenezwa kisha ililainishwa kwa mchakato wa hatua tatu unaojumuisha uthibitishaji wa upitikaji wa Bresenham, unyambulishaji wa spline ya ujazo na uboreshaji wa sharti la mkunjo. Kwa upande wa DWA, vigezo kama mwelekeo, umbali wa kizuizi, kasi ya mstari, upeo wa utabiri na mwonekano wa kasi vilirekebishwa kulingana na kinematiki ya roboti ya bustani inayotumia mikanda na hitaji la umbali wa usalama wa 0.8–1.2 m.

Miigo iliyotegemea Matlab, Gazebo na Rviz pamoja na majaribio ya roboti halisi katika bustani ya mipera ya “Xinli No. 7” yalionyesha kuwa mkabala jumuishi uliopendekezwa ulitoa urambazaji salama na thabiti zaidi kuliko A* ya kawaida chini ya hali zilizochunguzwa. Katika majaribio ya uga, kiwango cha matumizi ya nguvu kilishuka kutoka %23 hadi %13, mkengeuko wa wastani wa upande ukapungua kutoka 0.021 m hadi 0.011 m, na mkengeuko wa juu zaidi wa upande wakati wa kugeuka ukapunguzwa kutoka 0.40 m hadi 0.14 m. Katika hali zilizotumika kwenye majaribio ya kuepuka vizuizi, A*-DWA ilifanikiwa kwa %100 na kudumisha umbali wa chini wa usalama wa takriban 1.05–1.12 m.

Matokeo haya yalipatikana kwa mkabala wa A*-DWA chini ya bustani ya mipera, jukwaa la roboti, mfumo wa LiDAR na hali za majaribio zilizotumika katika utafiti. Hayamaanishi kwamba utendaji huo huo utapatikana kiotomatiki katika mashamba tofauti, kwa roboti tofauti au katika hali zote za mazingira. Mojawapo ya mipaka muhimu ya utafiti ni kwamba utambuzi unategemea LiDAR kwa kiasi kikubwa.

SLAM ya leza hutumikaje katika roboti za bustani?

SLAM ya leza ni mkabala wa urambazaji unaowezesha roboti inayotembea kukadiria mahali ilipo ndani ya ramani huku ikiunda ramani ya mazingira yake kwa kutumia vipimo vya LiDAR. Katika utafiti huu, LiDAR hutambua muundo wa kijiometri wa mazingira, GMapping huunda ramani ya umiliki ya pande mbili, AMCL hukadiria mahali roboti ilipo kwenye ramani, tabaka la A*-DWA huhesabu njia itakayofuatwa, na tabaka la udhibiti wa mwendo hutumia amri za kasi na mwelekeo zilizohesabiwa kwenye jukwaa lenye mikanda.

Tatizo la msingi la urambazaji bustanini

Bustani ya matunda si eneo lililo wazi kabisa. Safu za miti, matawi, masanduku ya matunda, wafanyakazi, mashine za kilimo na zana au matawi yaliyoanguka ardhini vinaweza kuwa vizuizi kwa roboti. Zaidi ya hayo, nafasi ambayo roboti inaweza kufanya maneva kati ya safu za miti ni finyu.

Katika bustani ya mipera ambako utafiti ulifanywa, nafasi kati ya safu ilikuwa takriban 4 m, umbali kati ya mimea ulikuwa 1.5–2 m, na nafasi kwenye ukingo wa shamba ilikuwa 3–5 m. Muundo huu hufanya mazingira kuwa nusu yaliyopangwa kwa mtazamo wa urambazaji, ingawa yanaonekana kuwa na mpangilio.

Algoriti ya kawaida ya A* inaweza kupata njia ya jumla kati ya mwanzo na lengo. Hata hivyo, kwa kuwa hutegemea ramani iliyoundwa mapema, haiwezi peke yake kushughulikia vizuizi vinavyobadilika au visivyopo kwenye ramani, kama mtu au sanduku la matunda linalojitokeza baadaye. DWA inaweza kufanya uamuzi wa karibu kwa wakati halisi kwa kuzingatia kasi ya sasa ya roboti, uwezo wake wa kugeuka na vizuizi vya karibu; lakini inapotumia taarifa za karibu pekee inaweza kunaswa kwenye njia zisizopitika au kiwango cha chini cha ndani.

Mkabala wa msingi wa watafiti ni kwamba mbinu hizi mbili hukamilishana katika udhaifu wao: A* hubainisha njia ya jumla ya kufikia lengo kuu, huku DWA ikitengeneza maneva ya muda mfupi ya kuepuka kizuizi cha karibu kinapojitokeza njiani bila kutarajiwa.

Usanifu wa mfumo

Katika utafiti, mfumo wa urambazaji unaweza kuzingatiwa kuwa na matabaka matano ya msingi:

1. Maunzi: roboti inayotembea kwa mikanda na LiDAR.
2. Utambuzi: kubainisha vitu vya mazingira kwa skani ya leza.
3. Uchoraji ramani na ujanibishaji: GMapping na AMCL.
4. Upangaji wa njia: utendaji wa pamoja wa A* iliyoboreshwa na DWA.
5. Udhibiti wa mwendo: kutumia amri za kasi ya mstari na kasi ya pembe kwenye chasisi ya roboti.

LiDAR ya roboti ilisanidiwa kutumia eneo la utambuzi la 180° linaloelekea mbele wakati wa urambazaji ili kupunguza mzigo wa ukokotoaji. Eneo hili hutumika kufuatilia korido ambamo roboti inasonga na kugundua vizuizi vipya kwa wakati.

Algoriti iliyoboreshwa ya A* hutofautianaje na A* ya kawaida?

Algoriti iliyoboreshwa ya A* hudumisha utafutaji wa msingi wa gharama wa A* ya kawaida huku ikiacha umbali salama kutoka pembe za vizuizi kwa namna mahususi kwa urambazaji wa bustani, kuondoa nodi za kati zisizo za lazima, kuingiza msongamano wa vizuizi katika gharama ya kiheuristiki, na kufanya njia inayozalishwa iwe laini zaidi kinematiki. Hivyo lengo si kuunda tu muunganisho mfupi zaidi wa kijiometri, bali njia rejea ambayo roboti halisi ya mikanda inaweza kufuata kwa usalama zaidi na kwa mipindo michache mikali.

Funksi ya gharama ya A* ya kawaida

Funksi ya msingi ya tathmini ya algoriti ya A* ni kama ifuatavyo:

\[ f(n)=g(n)+h(n) \]

Hapa, \(g(n)\) huwakilisha gharama halisi kutoka sehemu ya kuanzia hadi nodi ya sasa \(n\); \(h(n)\) gharama inayokadiriwa iliyobaki kutoka nodi ya sasa hadi lengo; na \(f(n)\) gharama ya jumla ya tathmini.

Katika kila hatua, algoriti husonga kuelekea lengo kwa kuzipa kipaumbele nodi zenye thamani ya chini zaidi ya \(f(n)\). Hata hivyo, kupata njia fupi kwenye gridi pekee hakutoshi kwa usalama wa roboti halisi.

Ukaguzi wa usalama wa pembe ya kizuizi

Katika utafiti, mwonekano wa gridi ya GMapping uliwekwa kuwa 0.5 m. Nodi teule ikiwa ndani ya gridi moja au chini kutoka pembe ya kizuizi, yaani si zaidi ya 0.5 m, huchukuliwa kuwa ya hatari kubwa na kuondolewa kwenye orodha ya utafutaji.

Lengo lilikuwa kuweka njia iliyoboreshwa angalau gridi mbili, takriban 1 m, kutoka pembe za vizuizi. Thamani hii ilichaguliwa kwa kuzingatia hitaji la usalama la mashine ya kilimo la 0.8–1.2 m lililotajwa katika utafiti na upana wa roboti wa 0.862 m.

Mabadiliko haya ni muhimu hasa kwenye sehemu za kugeuka. Seli inayoonekana tupu kihisabati kwenye gridi inaweza isiwe salama inapozingatiwa upana wa roboti halisi na matawi ya miti.

Kuondoa nodi zisizo za lazima

Njia iliyotengenezwa na A* ya kawaida inaweza kuwa na mabadiliko mengi madogo ya mwelekeo. Hali hii inaweza kuongeza idadi ya mipindo na matumizi ya nishati katika gari lenye mikanda.

Katika mbinu iliyoboreshwa, miteremko ya vipande vinavyofuatana vya njia hutathminiwa. Ikiwa nodi ya kati haibadilishi taarifa ya mwelekeo au muunganisho wa moja kwa moja unaweza kuundwa bila kukatiza kizuizi, nodi hiyo inaweza kuondolewa. Kwa hivyo, idadi ya waypoint ambazo roboti inapaswa kufuata na kiasi cha kugeuka hupungua.

Funksi ya kiheuristiki inayojumuisha msongamano wa vizuizi

Katika utafiti, funksi iliyoboreshwa ya gharama ilifafanuliwa kama ifuatavyo:

\[ f(n)=w\,g(n)+\left(1-\log(P)\right)h(n) \]

Hapa, \(P\) huwakilisha msongamano wa vizuizi katika korido ya utafutaji kati ya nodi ya sasa na lengo; na \(w\) ni mgawo tuli unaobainisha uwiano kati ya gharama halisi ya njia na gharama ya kiheuristiki iliyo nyeti kwa msongamano wa vizuizi.

Watafiti walijaribu masafa ya 0.3–0.6 kwa \(w\) na kutumia thamani ya \(w=0.4\) katika hali zao za majaribio.

Msongamano wa vizuizi \(P\) huhesabiwa kwa kuunda korido ya utafutaji ya gridi nne, yaani yenye upana wa takriban 2 m, kuzunguka mstari rejea kati ya nodi ya sasa na lengo:

\[ P=\frac{N_{\mathrm{obs}}}{N_{\mathrm{total}}} \]

\(N_{\mathrm{obs}}\) ni idadi ya gridi zilizojaa katika korido na \(N_{\mathrm{total}}\) ni jumla ya gridi zilizotathminiwa. Katika uwezekano wa umiliki wa GMapping, seli zilizo juu ya %70 ziliainishwa kuwa vizuizi na seli zilizo chini ya %30 kuwa tupu.

Ulainishaji wa njia wa hatua tatu

Baada ya njia ya awali ya A* kuundwa, utafiti hutumia uboreshaji wa hatua tatu:

1. Uthibitishaji wa Bresenham: hukaguliwa kama mstari mnyoofu kati ya nodi mbili muhimu unakatiza kizuizi, na nodi za kati zisizo za lazima huondolewa.
2. Unyambulishaji wa spline ya ujazo: njia laini zaidi yenye mwendelezo wa vipeuo huundwa badala ya pembe kali.
3. Uboreshaji wa sharti la mkunjo: mabadiliko ya ghafla ya mkunjo ambayo roboti ingeona vigumu kufuata hupunguzwa.

Baada ya uboreshaji wa kwanza, nodi za njia huonyeshwa kama ifuatavyo:

\[ P=\{(x_1,y_1),(x_2,y_2),\ldots,(x_n,y_n)\} \]

Kwa kila nodi, urefu limbikizi wa tao kutoka mwanzo wa njia huhesabiwa:

\[ t_1=0 \]

\[ t_k=\sum_{i=2}^{k}\sqrt{(x_i-x_{i-1})^2+(y_i-y_{i-1})^2} \]

Kigezo hiki hutumiwa kuunda funksi za ujazo za vipande kwa vipengele viwili vya kuratibu:

\[ x=S_x(t), \qquad y=S_y(t) \]

Vipande vya spline haviungani kwenye nodi kwa nafasi pekee; mwendelezo wa kipeuo cha kwanza na cha pili pia hudumishwa. Hivyo lengo ni kuzuia mwelekeo na mkunjo wa njia kuwa na miruko ya ghafla.

Kisha pointi mpya huhesabiwa kwa msongamano wa sampuli wa \(m=5n\) kwenye njia, na uboreshaji unaolenga kupunguza jumla ya mraba wa mkunjo hutumika:

\[ \min \sum_{i=2}^{n-1} k_i^2 \]

Kwenye kipande kilichonyooka cha njia \(k_i\) ni ndogo, lakini huongezeka kwenye mipindo mikali. Kwa hivyo, kupunguza funksi hii lengwa husaidia kutengeneza jiometria laini zaidi ya mwendo kwa roboti yenye mikanda.

DWA huwezeshaje kuepuka vizuizi vinavyosonga?

Dynamic Window Approach huiga michanganyiko ya kasi za mstari na pembe ambayo roboti inaweza kufikia katika upeo mfupi wa utabiri, hutathmini kila mwendo teule kwa kuzingatia mwelekeo wa lengo, umbali wa kizuizi na kasi, kisha huchagua amri ya kasi ya karibu inayoweza kutekelezwa. Katika utafiti huu, DWA huanza kufanya kazi LiDAR inapogundua kizuizi kipya kisichopo kwenye njia ya jumla ya A*, huiondoa roboti kwa muda kwenye njia ya jumla, huipitisha kando ya kizuizi kwa umbali salama, kisha huiunganisha tena na njia rejea.

Muundo wa mwendo wa roboti

Mwendo wa jukwaa lenye mikanda na uendeshaji tofauti katika kipindi kifupi cha muda huigwa kwa milinganyo ifuatayo:

\[ x_{t+\Delta t}=x_t+v\Delta t\cos(\theta_t) \]

\[ y_{t+\Delta t}=y_t+v\Delta t\sin(\theta_t) \]

\[ \theta_{t+\Delta t}=\theta_t+\omega\Delta t \]

Hapa, \(v\) ni kasi ya mstari, \(\omega\) kasi ya pembe, \(\theta\) mwelekeo wa roboti, na \(\Delta t\) kipindi kifupi cha muda wa utabiri.

Umbali wa takriban wa mstari utakaosafiriwa katika muda huu:

\[ \Delta S=v\Delta t \]

huhesabiwa hivyo.

Funksi ya tathmini ya DWA

Katika kutathmini miondoko teule, utafiti hutumia muundo wa jumla ufuatao:

\[ G(v,\omega)=\sigma\left[ \alpha\,heading(v,\omega) +\beta\,dist(v,\omega) +\gamma\,velocity(v,\omega) \right] \]

\(heading(v,\omega)\) huwakilisha upatanifu wa mwendo uliotabiriwa na mwelekeo wa lengo; \(dist(v,\omega)\) umbali kati ya njia iliyotabiriwa na kizuizi cha karibu zaidi; na \(velocity(v,\omega)\) kipengele cha kasi ya mstari.

Muundo huu husawazisha mahitaji matatu kwa wakati mmoja: kuelekea lengo, kubaki kwa umbali salama kutoka kizuizi, na kuepuka kusonga kwa kasi ndogo kupita kiasi bila sababu.

Vigezo vya DWA

Katika majaribio ya unyeti, kushuka kwa thamani ya \(\alpha\) chini ya 0.3 kuliongeza matatizo ya kiwango cha chini cha ndani katika nafasi za miti zenye umbo la U, huku kupanda kwake juu ya 0.5 kukiongeza urefu wa njia. \(\beta=0.5\) ilitoa uwiano unaofaa kati ya umbali wa usalama na muda wa kuitikia katika utafiti. Kuchagua upeo wa utabiri wa 0.8 s kulisawazisha kasi ya usampulishaji wa LiDAR na mzigo wa ukokotoaji wa wakati halisi.

Utaratibu wa A*-DWA wa “kengeuka–epuka–rudi”

Mtiririko msingi wa mfumo ni kama ifuatavyo:

1. A* iliyoboreshwa hutengeneza njia rejea ya jumla kutoka mwanzo hadi lengo.
2. Roboti hufuata njia hii.
3. LiDAR hugundua kizuizi kipya kisichopo kwenye ramani.
4. DWA hutathmini trajektoria salama katika nafasi ya kasi iliyopo.
5. Roboti hukengeuka kwa muda kutoka njia ya jumla.
6. Hupita kandokando ya kizuizi kwa umbali unaofaa wa usalama.
7. Hudumisha mwelekeo wa jumla wa lengo uliobainishwa na A*.
8. Baada ya kupita kizuizi, hujiunga tena na njia rejea ya jumla.

Ushirikiano huu hulenga hasa matatizo mawili ya algoriti moja moja: A* ya jumla haiwezi kuona vizuizi vinavyosonga, huku mifumo inayotumia DWA pekee inaweza kupoteza mwelekeo wa lengo katika njia za ndani zisizopitika zenye umbo la U au zinazofanana.

Mbinu na matokeo ya utafiti

Miundombinu ya uigaji

Kipangaji cha jumla cha A* kilichoboreshwa kilijaribiwa kwenye Matlab 2023b. Mikabala mitano—A* ya kawaida, Bidirectional Adaptive A*, Obstacle-Density-Weighted A*, Bézier-Smoothed A* na A* iliyotengenezwa na watafiti—ililinganishwa katika ramani zenye vizuizi rahisi, vya wastani na tata.

Vigezo vya tathmini:

• idadi ya mipindo,
• urefu wa njia,
• idadi ya nodi zilizopanuliwa,
• muda wa ukokotoaji.

Ingawa uchanganuzi wa maandishi wa chanzo unaeleza mipindo 2, 5 na 11 kwa A* iliyoboreshwa katika hali rahisi, ya wastani na tata mtawalia, Table 1 inaonyesha mipindo 8 kwa hali ya wastani. Tofauti hii ndani ya chanzo haipaswi kusahihishwa kimya kimya. Kwa mtazamo wa Verianla, jedwali likichukuliwa kuwa source-of-truth, thamani ya hali ya wastani imehifadhiwa kuwa 8; kauli ya 5 katika maandishi ya chanzo imebainishwa pia kuwa kutolingana kwa uhariri.

Majaribio ya kuepuka vizuizi ya Gazebo-ROS1

Vizuizi vitatu wakilishi vinavyoweza kupatikana bustanini vilitumika katika mazingira:

• sanduku la matunda la 0.6 × 0.4 × 0.3 m,
• kizuizi cha mtu/mfanyakazi cha takriban 1.7 × 0.7 m,
• fimbo ya mbao yenye kipenyo cha 0.05 m na urefu wa 1.2 m.

Jumla ya majaribio 45 yalifanywa katika miigo ya ziada ya Gazebo-ROS1.

Katika hali zilezile za uigaji, kiwango cha mafanikio cha kuepuka vizuizi kilichoripotiwa kwa A* ya kawaida kilikuwa %72–78, muda wa kuitikia takriban 1.03–1.23 s, na umbali wa chini wa usalama katika masafa ya 0.36–0.42 m.

Jukwaa la roboti halisi

Jaribio halisi la uga

Jaribio la uga lilifanywa tarehe 14 Julai 2025 katika bustani ya mipera ya “Xinli No. 7”. Bustani hiyo ina hekta 1.2. Eneo dogo la takriban 500 m² lililojumuisha safu tatu za miti lilitumika kwa jaribio. Upana wa korido kuu ya urambazaji ulikuwa takriban 3–4 m. Wakati wa jaribio, anga liliripotiwa kuwa wazi na joto la mazingira 32 °C.

Roboti kwanza iliunda ramani ya SLAM ya leza ya bustani kwa GMapping, kisha ikafanya majaribio ya urambazaji kwa kukadiria mahali ilipo kwenye ramani kupitia AMCL.

Katika utafiti halisi wa uga, safari sita zilizorudiwa zilifanywa kwa A* ya kawaida na A*-DWA; jumla ya majaribio halali 36 ya uga yaliripotiwa kwa mipangilio tofauti ya vizuizi.

A*-DWA ilitoa uboreshaji kiasi gani katika majaribio ya uga?

Katika majaribio ya bustani ya mipera ya “Xinli No. 7”, A*-DWA ilitoa thamani bora kuliko A* ya kawaida katika matumizi ya nguvu, kosa la kufuatilia njia kwa upande, uthabiti wa kugeuka, muda wa kuitikia wakati wa kuepuka kizuizi na umbali wa usalama. Moja ya matokeo yaliyojitokeza zaidi ni kupungua kwa kilele cha mkengeuko wa upande wakati wa kugeuka kutoka 0.40 m hadi 0.14 m; jingine ni kushuka kwa kiwango cha matumizi ya nguvu kutoka %23 hadi %13.

Kupungua kwa kilele cha mkengeuko wa kugeuka kutoka 0.40 m hadi 0.14 m ni sawa na upungufu wa takriban %65. Mkengeuko sanifu wa jumla wa upande ulipungua kwa takriban %52.5 kutoka 0.061 m hadi 0.029 m, huku mkengeuko sanifu katika eneo la kugeuka ukishuka kutoka 0.162 m hadi 0.045 m.

Kuepuka vizuizi katika bustani halisi

Umbali wa chini wa kizuizi wa 1.05–1.12 m uliodumishwa na A*-DWA katika majaribio halisi ya uga umo ndani ya masafa ya usalama wa mashine ya kilimo ya 0.8–1.2 m yaliyotumiwa na watafiti. Thamani za 0.35–0.41 m zilizopimwa kwa A* ya kawaida ziko chini sana ya hitaji hili la kimajaribio.

Kwa nini matumizi ya nishati huenda yalipungua?

Data ya chanzo inaonyesha kuwa kwenye njia ya A*-DWA idadi ya mipindo ilipungua kutoka minne hadi miwili, urefu wa njia kutoka 820 m hadi 813 m, na jumla ya muda wa kusafiri kutoka 1210 s hadi 1050 s. Mabadiliko haya yanaonyesha kwamba kuondolewa kwa nodi zisizo za lazima na jiometria laini zaidi ya njia kulitokea pamoja na kupungua kwa matumizi ya nishati. Hata hivyo, kwa kuwa jaribio halikupima kando michango huru ya nishati ya vipengele hivi, si sahihi kuhusisha tofauti yote ya nishati ya %10 na utaratibu mmoja.

Hitimisho zinazoungwa mkono na utafiti

• A* iliyoboreshwa inaweza kutengeneza njia yenye umbali salama zaidi kutoka vizuizi katika ramani za bustani zilizojaribiwa.
• Kupunguza nodi zisizo za lazima na kulainisha njia kulipunguza mkengeuko wa kugeuka na kufuatilia njia chini ya hali zilizochunguzwa.
• DWA iliweza kutoa uepukaji wa karibu kwa wakati halisi kwa vizuizi vilivyojitokeza baadaye kwenye njia tuli ya jumla.
• Taarifa ya lengo la jumla ya A* ilitumika kupunguza tatizo la kiwango cha chini cha ndani la DWA.
• Katika miigo ya Gazebo-ROS1 na majaribio halisi ya bustani ya mipera, mfumo ulivuka kwa mafanikio vizuizi vilivyochunguzwa.
• Katika jaribio halisi la uga, kiwango cha matumizi ya nishati, mkengeuko wa upande na muda wa urambazaji vilipungua ikilinganishwa na A* ya kawaida.

Ujumlishaji ambao utafiti hauungi mkono

• Kiwango cha %100 cha kuepuka vizuizi si dhamana kwa bustani zote na hali zote.
• Utafiti hautoi uthibitishaji mpana kwa vizuizi vinavyosonga kwa kasi ya juu sana.
• Utambuzi wa LiDAR hauonyeshi kwamba aina ya kitu huainishwa kwa kutegemewa katika hali zote.
• Mfumo haujathibitishwa kutoa utendaji huo huo kwa aina tofauti za miti, jiometria tofauti za safu, ardhi yenye mteremko au hali kali za hewa.
• Utafiti huu hauthibitishi mfumo mzima wa uvunaji matunda unaojiendesha kikamilifu; unalenga tabaka la urambazaji.
• Haiwezi kuhitimishwa kuwa A*-DWA ni bora kwa ujumla kuliko algoriti zote za upangaji wa njia za roboti.

Vikwazo na kazi za baadaye

Watafiti wanataja utegemezi mkubwa wa tabaka la utambuzi kwa LiDAR kuwa mojawapo ya vikwazo vya msingi. Ingawa LiDAR hupima kwa nguvu jiometria ya mazingira, uwezo wake wa kutofautisha aina ya kisemantiki ya kizuizi ni mdogo.

Kazi za baadaye zinapendekeza kuunganisha LiDAR na kamera ya RGB-D, kuboresha upeo wa utabiri wa DWA kwa vizuizi vinavyosonga kwa kasi kubwa, na kuongeza viathiri-ncha vya kuvuna matunda kwenye mfumo wa urambazaji.

Mwelekeo huu unaonyesha kuwa matokeo ya sasa ya utafiti si mfumo kamili wa uvunaji unaojiendesha, bali msingi uliothibitishwa wa urambazaji salama na wa gharama nafuu wa roboti ya bustani.

Dokezo la chanzo na mbinu

Kichwa asili: An A*-DWA Algorithm Enhanced Laser SLAM System for Orchard Navigation: Design and Performance Analysis

Waandishi: Hongsen Wang, Xiuhua Zhang, Zheng Huang, Yongwei Yuan, Degang Kong na Shanshan Li

Mwandishi wa mawasiliano: Xiuhua Zhang

Taasisi: College of Mechanical and Electrical Engineering, Hebei Agricultural University; Hebei Intelligent Agriculture Technology Innovation Center, Baoding, China.

Jarida: Agriculture

Mchapishaji: MDPI

Juzuu / toleo / makala: 16(4), 469

Tarehe ya kuchapishwa: 18 Februari 2026

DOI: 10.3390/agriculture16040469

Aina ya chanzo: Makala asili ya utafiti iliyopitiwa na wataalamu.

Leseni: Creative Commons Attribution (CC BY).

Ufadhili: Hebei Agriculture Research System (HARS), Grant No. HBCT2024170207.

Upatikanaji wa data: Waandishi wanasema kuwa michango asili ya utafiti imo ndani ya makala na maswali ya ziada yanaweza kuelekezwa kwa mwandishi wa mawasiliano.

Mgongano wa maslahi: Waandishi hawakuripoti mgongano wa maslahi.

Aina ya jaribio: Miigo ya upangaji wa njia ya jumla inayotegemea Matlab; miigo ya kuepuka vizuizi ya Gazebo-ROS1/Rviz; uthibitishaji wa uga katika bustani ya mipera kwa roboti halisi yenye mikanda.

Uga: Bustani ya mipera ya “Xinli No. 7”; jumla ya eneo la takriban hekta 1.2 na eneo dogo la takriban 500 m² kwa jaribio.

Kihisi msingi: LiDAR ya RoboSense yenye mistari 16.

Uchoraji ramani: GMapping.

Ujanibishaji: AMCL.

Upangaji wa jumla: A* iliyoboreshwa inayojumuisha ukaguzi wa usalama wa pembe za vizuizi, uondoaji wa nodi zisizo za lazima, funksi ya kiheuristiki iliyowekewa uzito wa msongamano wa vizuizi na ulainishaji wa njia wa hatua tatu.

Upangaji wa karibu: Dynamic Window Approach iliyorekebishwa kwa hali za bustani.

Kikomo kikuu cha kimbinu: Matokeo yalipatikana chini ya jukwaa mahususi la roboti, mfumo wa LiDAR, jiometria ya bustani ya mipera na vizuizi vya majaribio. Hasa utambuzi wa LiDAR-only na muundo wa sasa wa utabiri wa DWA kwa vizuizi vinavyosonga kwa kasi zaidi vilitajwa na watafiti kuwa maeneo yanayohitaji kuboreshwa.

Dokezo la data ndani ya chanzo: Ingawa sehemu ya masimulizi ya matokeo ya uigaji wa A* ya jumla inaeleza idadi ya mipindo kuwa 5 kwa hali yenye utata wa wastani, Table 1 inaonyesha thamani ya 8 kwa A* iliyoboreshwa. Kutolingana huku ndani ya chanzo hakukusahihishwa kimya kimya na Verianla; thamani ya jedwali ilihifadhiwa kwenye jedwali la data na tofauti ikaelezwa wazi.

Mbinu ya uwasilishaji ya Verianla: Maudhui haya si tafsiri ya sentensi kwa sentensi wala uandishi upya unaokaribia makala ya kitaaluma ya chanzo. Algoriti, milinganyo, hali za majaribio, vipimo, matokeo na mipaka katika chanzo zilitolewa katika kiwango cha taarifa za kisayansi na kupangwa upya katika muundo huru wa kielimu wa Kiswahili.