《Computers and Electronics in Agriculture》：Joint deployment of crop protection UAVs and supply trucks in pest management on large-scale distributed agricultural fields
编辑推荐：
卡车与无人机协同作业优化框架研究，提出基于六边形网格划分的卡车锚点定位与无人机任务生成方法，结合改进DBSCAN聚类和PSO-GA混合优化算法实现多机调度与路径规划，验证该框架可缩短20%作业时间并降低15%无人机无效飞行距离。
作者：杨旭、薛新宇、孙 Zhu、顾伟、崔龙飞、金永奎、兰玉斌
单位：中国农业机械化研究所，农业农村部，南京 210014，中国
摘要
本文提出了一种综合框架，用于解决在大规模分布式农业领域中卡车与无人机在害虫管理方面的协调问题。该方案包括三个主要阶段：供应卡车的整体导航、为无人机生成执行喷洒农药或播种等任务的指令，以及卡车转移与无人机任务分配之间的调度。通过采用六边形网格化操作环境，确定卡车作为无人机群的农药和电池补给点。卡车导航路线采用改进的 k-means 算法和蚁群优化（ACO）算法来确定。利用改进的 DBSCAN 聚类方法将形状各异的目标田块转化为无人机群的操作任务，从而减少总体出动次数。卡车和无人机之间的操作资源分配与调度基于整体任务分布和操作流程进行管理。卡车补给点和无人机任务分配同时通过粒子群优化（PSO）和遗传算法（GA）进行优化。测试结果表明，使用所提出的方法可以有效地确定卡车的停靠点和路线以及无人机的操作任务。整个操作流程、卡车补给点和无人机飞行路径均可进行可视化追踪。改进的 DBSCAN 聚类方法能够根据不同的载荷能力调整无人机群的出动次数。与传统方法相比，所提出的卡车-无人机群操作策略效率更高，作业时间更短，无人机非喷洒飞行距离更短。
引言
保护性无人机在农业应用中发挥着越来越重要的作用（Vashishth 等，2024）。它们已成为防治病虫害的有效工具，尤其是在亚洲（He 等，2017）。过去十年中，针对水稻（Zhao 等，2022）、小麦（Wang 等，2019）和梨树（Guo 等，2024）等作物进行了大量田间试验，以挖掘最佳操作参数和粒子动态，这些研究受到了广泛关注（Vashishth 等，2024）。2024 年，中国无人机喷洒的年度累计面积超过了 1.7 亿公顷。
无人机具有高机动性、灵活性、自主性和智能性（Xue 等，2016；Shen 等，2022a）。随着计算机视觉和卷积神经网络的巨大进步（Shen 等，2024；Shen 等，2025；Shen 等，2022b），这些能力得到了进一步提升。与地面车辆相比，无人机在小型地块或稻田中的害虫控制效果更好，减少了对农民和作物的毒性风险及土壤损害（Spekken 等，2016）。此外，无人机不需要像有人驾驶飞机那样的专用机场（Li 等，2021），它们可以在农田附近起飞和降落，并通过配备充电和农药混合设备的卡车进行运输。无人机载荷能力从 2017 年的 15 公斤提升到 2020 年的 30 公斤，再到 2024 年的 50 公斤，提高了特定区域的作业效率。然而，空中管理的安全问题可能限制了其农药或化肥载荷的显著增加。同时部署多架无人机被认为是大规模害虫控制和预防的有效方案（Xu 等，2020）。最佳任务分配和路径规划已被证明可以有效减少频繁起降造成的时间浪费（Li 等，2022；Huang 等，2024）。学者和企业已经开展了多无人机协作研究，包括通信增强（Bakirci，2023）、群体形成控制（Guo 等，2020）和障碍物避让（Fu 等，2024）。目前，XAG 和 DJI 公司发布的产品支持通过单个地面站同时控制多架无人机。对于大规模害虫控制而言，无人机路径规划是农业应用中的关键问题（Vélez 等，2025）。典型要求包括计划路径跟随（Basso 和 Pignaton de Freitas，2019）、任务分配（Huang 等，2023）和覆盖路径生成（Vazquez-Carmona 等，2022）。虽然存在多种预定义起飞或降落点的解决方案，但在大规模作业中，无人机群的供应卡车调度往往被忽视。
相关研究显示，卡车与无人机的协作在包裹配送（Wu 等，2022；Zhai 等，2024）和基础设施检查（Hu 等，2019；Yang 等，2023）方面具有优势，它结合了地面车辆的长距离机动性和无人机的高机动性。卡车在预定的配送或检查地点与无人机的导航与协调已得到广泛研究（Moshref-Javadi 和 Winkenbach，2021），同时考虑了能耗（Luo 等，2023；Liu 等，2024）和充电限制（Qiu 等，2025）。然而，现有的配送和检查模型或算法并不适用于解决车辆辅助的无人机植保挑战。操作目标是卡车和无人机的预定义配送或检查点，需要使用旅行商问题（TSP）模型进行聚类和排序（Madani 和 Ndiaye，2022；Zhang 等，2023）。相比之下，基于无人机的植保操作目标是不规则形状的田块。应对这些挑战需要识别和规划卡车补给点、生成无人机操作任务、分配任务、规划覆盖路径以及协调卡车和无人机之间的调度。在此背景下，包括补给和转移在内的卡车调度在确保可扩展作业区域的效率方面起着关键作用。
在先前的研究中，我们分析了补给点位置和数量对无人机群作业效率的影响（Xu 等，2023），并提出了一个简化模型，用于确定单辆卡车在给定路线上的最佳停靠点（Xu 等，2022）。总体效率受到补给点位置、无人机数量及其载荷能力的显著影响。例如，提高无人机载荷能力可以改变卡车补给点的选择，从而提高整体效率。为了开发适用于大规模害虫控制的卡车-无人机操作的通用模型，效率指标应考虑总作业时间、飞行能耗以及无人机和卡车的部署成本。基于这些目标，我们开发了卡车-无人机联合部署模型（TUJDM），以优化大规模植保中的卡车转移和目标田块分配。该模型考虑了总作业时间、卡车行驶距离和无人机飞行路径。数值结果证实了 TUJDM 在同步导航和调度卡车与无人机方面的有效性，同时在受限的害虫控制时间窗口内确定了最佳数量的卡车和无人机类型。与将路线规划、补给点（补充/充电）和无人机任务调度视为独立子问题的传统方法不同，我们提供了一个统一的公式和解决方案，能够在时间窗口和能耗限制下共同优化卡车补给点路由和多无人机任务调度。
方法论
本节提出了一个全面的解决方案，用于解决大规模分布式分割农业领域中卡车与无人机在害虫管理方面的协作挑战。它主要包括三个组成部分（见图 2）：卡车导航、无人机任务生成和卡车-无人机调度。
无人机群的全局导航包括补给点搜索和路径规划，以及任务生成和路径规划策略，为协调工作提供了基础。
优化策略
协作式卡车-无人机系统的主要效率关注点包括卡车的行驶距离、无人机的作业时间和非作业距离。在此背景下，整体优化目标在方程（29）中定义：
其中 $\max(\text{TR})$ 表示各团队的总作业时间，$l_i$ 是所有卡车的行驶距离总和，$d_j$ 记录了所有无人机的累计非喷洒距离；$\epsilon$ 和 $\mu$ 是权重参数。
数值实验
为了评估所提出的卡车-无人机协作作物保护算法的性能，我们选取了一个拥有 36 个分布式田块的农场，总面积为 560.77 公顷（见图 11）。该农场有 26 条道路，总长度为 35.49 公里，可供卡车行驶和停靠进行补给。这些田块种植的是玉米，无人机的最佳飞行速度和高度分别设定为 4 米/秒和 4 米；根据田间试验，喷洒宽度确定为 8 米。
结论
本文证明，通过提出的 TUJDM，可以实现作物保护无人机和供应卡车的联合部署，从而在大规模分布式农业领域中进行害虫管理。利用改进的 DBSCAN 聚类方法，根据无人机的载荷能力将目标田块转化为操作任务。无人机和卡车共同进行调度。
作者贡献声明
杨旭：撰写——原始草案、验证、方法论、概念化。
薛新宇：撰写——审阅与编辑、监督、资金获取、概念化。
孙 Zhu：软件开发、调查、形式分析。
顾伟：验证、资源协调。
崔龙飞：验证、调查。
金永奎：验证、调查。
兰玉斌：撰写——审阅与编辑、监督。
利益冲突声明
作者声明没有已知的财务利益或个人关系可能影响本文所述的工作。
致谢
本研究得到了中国国家重点研发计划（项目编号：2023YFD20002）、国家自然科学基金青年科学基金（项目编号：32501817）、中国农业科学院青年创新计划（项目编号：Y2024QC30）和创新计划（项目编号：Yueshenjihua14-2022）以及中国 Scholarship Council 计划（项目编号：202403250012）的支持。
