A precíziós mezőgazdaságban egyre nagyobb szerepet kapnak a pilóta nélküli légi járművek, amelyek növényállomány-felmérést, permetezést vagy akár állománymegfigyelést is végezhetnek.
Ahhoz azonban, hogy ezek a drónok biztonságosan és hatékonyan dolgozzanak, olyan útvonalat kell követniük, amely egyszerre kerüli el az akadályokat, alkalmazkodik a domborzathoz, és figyelembe veszi a repülési korlátokat. Egy friss kutatás erre a problémára kínál új megoldást mesterséges intelligencia és evolúciós optimalizálás ötvözésével.
Folyamatosan értékeli a keresési folyamat aktuális állapotát
A kutatók azt vizsgálták, hogyan lehet továbbfejleszteni a mezőgazdasági drónok útvonaltervezésében régóta alkalmazott differenciális evolúciós algoritmusokat. Ezek az eljárások jól használhatók összetett optimalizálási feladatokban, ugyanakkor hajlamosak arra, hogy egy kedvezőnek tűnő, de nem feltétlenül legjobb megoldásnál „megragadjanak”. Ez különösen problémás a mezőgazdaságban, ahol a változatos terepviszonyok, a növényállomány szerkezete és a különböző akadályok folyamatosan új kihívások elé állítják a navigációs rendszereket.
A fejlesztés középpontjában a PPOMSDE nevű algoritmus áll, amely a megerősítéses tanulás egyik ismert módszerét, a Proximal Policy Optimization (PPO) algoritmust kapcsolja össze a differenciális evolúcióval. A rendszer folyamatosan értékeli a keresési folyamat aktuális állapotát, majd ennek megfelelően választja ki a leghatékonyabb optimalizálási stratégiát.
A kutatók több olyan újítást is beépítettek a rendszerbe, amelyek növelik a keresés hatékonyságát. Az algoritmus egyszerre figyeli a teljes megoldáshalmaz jellemzőit, az egyes útvonaljelöltek fejlődését és a keresési folyamat előrehaladását. Emellett az egyes megoldásokat három csoportba sorolja – a legjobb, a közepes és a gyengébb teljesítményűek közé –, és ezekhez eltérő keresési stratégiákat rendel. A jobb megoldások finomhangolása mellett a gyengébbek nagyobb változtatásokkal keresnek új lehetőségeket, ami javítja az egész rendszer alkalmazkodóképességét.
A módszert nemcsak szabványos optimalizálási teszteken, hanem mezőgazdasági drónos útvonaltervezési feladatokon is értékelték. Az eredmények szerint az új algoritmus a legtöbb összehasonlított módszernél jobb teljesítményt nyújtott.
Túlmutat a számítástudományi eredményeken
A tesztek során biztonságosabb és egyenletesebb repülési útvonalakat tervezett, miközben pontosabban követte a terepviszonyokat. A kutatók beszámolója szerint az útvonaltervezés teljes költsége átlagosan 22,42 százalékkal csökkent a korábban alkalmazott korszerű differenciális evolúciós algoritmusokhoz képest.
A fejlesztés jelentősége túlmutat a számítástudományi eredményeken. A biztonságosabb és hatékonyabb útvonaltervezés csökkentheti a drónok energiafelhasználását, mérsékelheti az ütközések kockázatát, valamint hozzájárulhat a precízebb növényvédelmi és felmérési munkákhoz.
Ez különösen fontos olyan területeken, ahol változatos domborzat, sűrű növényállomány vagy számos természetes és mesterséges akadály nehezíti a repülést. A kutatás jól mutatja, hogy a mesterséges intelligencia és a modern optimalizálási módszerek egyre szorosabban kapcsolódnak a digitális mezőgazdasághoz.
A szerzők szerint az általuk kidolgozott megoldás megfelelő alapot teremthet a jövő intelligens mezőgazdasági robotrendszereinek fejlesztéséhez.
