Дослідження алгоритмів траєкторії руху роботів в промисловій теплиці
DOI:
https://doi.org/10.31548/energiya4(86).2026.038Ключові слова:
автономна роботизована платформа, промислова теплиця, алгоритм А*, датчик LiDAR, навігація, хмара точок, точне землеробствоАнотація
В статті проведено порівняльний аналіз чотирьох алгоритмів побудови траєкторії руху автономних роботизованих платформ (алгоритму A*, пошуку в ширину, пошуку за першим найкращим збігом та алгоритму Дейкстри) в умовах закритих екосистем промислових теплиць, де традиційна навігація GNSS/RTK є неефективною через екранування сигналу металоконструкціями та склом. Обґрунтовано доцільність використання активного лазерного сканера LiDAR Velodyne VLP-16 з круговим оглядом 360° для високоточного цифрового картографування навколишнього простору в реальному часі, що дозволяє роботу орієнтуватися в обмеженому просторі міжряддя теплиць, адаптуватися до специфіки розташування ростових лотків чи опалювальних трубних рейок та безперешкодно виконувати технологічні операції незалежно від умов освітлення. На основі моделювання та експериментів у сервісі Github PathFindings доведено, що використання алгоритму A* дозволяє суттєво оптимізувати обчислювальні витрати бортового комп’ютера, перевіряючи у 7,7 рази менше вузлів порівняно з алгоритмом пошуку в ширину при забезпеченні однакової мінімальної довжини шляху, що гарантує точність позиціонування платформи з відхиленням від заданого маршруту не більше 2 см. Отримана модульна архітектура системи керування забезпечує гнучкість платформи та відкриває можливості для подальшої інтеграції підсистем комп’ютерного бачення на базі згорткових нейронних мереж для розпізнавання плодів, ультразвукових датчиків попередження зіткнень та інерційної навігації. Це дозволяє зробити повністю автономними такі трудомісткі роботизовані операції під час вирощування високорослих культур (томатів, огірків) та зелені, як регулярний фітомоніторинг стану листя, виявлення вогнищ захворювань на ранніх стадіях, точкове обприскування та збір стиглого врожаю маніпулятором
Отримано: 02.06.2026. Доопрацьовано: 25.07.2026. Прийнято: 20.08.2026
Посилання
1. Sadras, V.O., Villalobos, F.J., & Fereres, E. (2024). Crop development and growth. In F.J. Villalobos & E. Fereres (Eds.), Principles of agronomy for sustainable agriculture (pp. 145-164). Cham, Switzerland: Springer. https://doi.org/10.1007/978-3-031-69150-8_11.
2. Gumenyuk, R., & Popovych, I. (2024). Research of methods of diagnostics of plant diseases by means of deep learning. Computer Systems of Design. Theory and Practice, 6(1), 37-48. https://doi.org/10.23939/cds2024.01.037.
3. Lysenko, V.P., Bolbot, I.M., & Lendel, T.I. (2022). SCADA system for controlling energy flows of an industrial greenhouse. Energy and Automation, (4), 24-33. https://doi.org/10.31548/energiya2022.04.024.
4. Al-Sagban, M., & Dhaouadi, R. (2016). Neural based autonomous navigation of wheeled mobile robots. Journal of Automation, Mobile Robotics and Intelligent Systems, 64-72. https://doi.org/10.14313/JAMRIS_2-2016/17.
5. Khort, D.O., Kutyrev, A.I., & Smirnov, I.G. (2022). Research into the parameters of a robotic platform for harvesting apples. In Z. Hu, S. Petoukhov, F. Yanovsky, & M. He (Eds.), Advances in computer science for engineering and manufacturing (Lecture Notes in Networks and Systems, Vol. 463, pp. 149-159). Cham, Switzerland: Springer. https://doi.org/10.1007/978-3-031-03877-8_13.
6. Luo, C., Gao, J., Li, X., Mo, H., & Jiang, Q. (2014). Sensor-based autonomous robot navigation under unknown environments with grid map representation. In 2014 IEEE Symposium on Swarm Intelligence (pp. 1-7). Orlando, FL: IEEE. https://doi.org/10.1109/SIS.2014.7011782.
7. Gia Luan, P., & Thinh, N.T. (2020). Real-time hybrid navigation system-based path planning and obstacle avoidance for mobile robots. Applied Sciences, 10, 3355. https://doi.org/10.3390/app10103355.
8. Dudnik, A.O., Shvorov, S.A., Opryshko, O.O., Tsitsyurskyi, Y.L., & Zhuk, D.E. (2024). Methodology for operational identification of funnels in fields for selecting optimal paths of special-purpose ground robots. Energy and Automation, (6), 15-29. https://doi.org/10.31548/energiya6(76).2024.015.
9. Zong, C., Ji, Z., Yu, Y., & Shi, H. (2020). Research on obstacle avoidance method for mobile robot based on multisensor information fusion. Sensors and Materials, 32(4), 1159-1170. https://doi.org/10.18494/SAM.2020.2540.
10. Alajlan, A.M., Almasri, M.M., & Elleithy, K.M. (2015). Multi-sensor based collision avoidance algorithm for mobile robot. In 2015 Long Island Systems, Applications and Technology (pp. 1-6). Farmingdale, NY: IEEE. https://doi.org/10.1109/LISAT.2015.7160181.
11. Almasri, M., Elleithy, K., & Alajlan, A. (2016). Sensor fusion based model for collision free mobile robot navigation. Sensors, 16(24). https://doi.org/10.3390/s16010024.
12. Qu, D., Hu, Y., & Zhang, Y. (2013). The investigation of the obstacle avoidance for mobile robot based on the multi sensor information fusion technology. International Journal of Manufacturing, (1), 366-370.
13. Rahul Sharma, K., Honc, D., & Dusek, F. (2014). Sensor fusion for prediction of orientation and position from obstacle using multiple IR sensors an approach based on Kalman filter. Applied Electronic Materials, 263-266.
14. Chandrasenan, C., Nafeesa, T.A., Rajan, R., & Vijayakumar, K. (2014). Multisensor data fusion based autonomous mobile robot with manipulator for target detection. International Journal of Research in Engineering and Technology, 3, 75-81.
15. Hutsol, T., Kutyrev, A., Kiktev, N., & Biliuk, M. (2023). Robotic technologies in horticulture: Analysis and implementation prospects. Agricultural Engineering, 27(1), 113-133. https://doi.org/10.2478/agriceng-2023-0009.
16. Shi, J., Bai, Y., Diao, Z., Zhou, J., Yao, X., & Zhang, B. (2023). Row detection based navigation and guidance for agricultural robots and autonomous vehicles in row-crop fields: Methods and applications. Agronomy, 13, article number 1780. https://doi.org/10.3390/agronomy13071780.
17. Lou, L., Li, Y., Zhang, Q., & Wei, H. (2023). SLAM and 3D semantic reconstruction based on the fusion of lidar and monocular vision. Sensors, 23, article number 1502. https://doi.org/10.3390/s23031502.
18. Chen, P.-Y., Lin, H.-Y., Pai, N.-S., & Huang, J.-B. (2022). Construction of edge computing platform using 3D LiDAR and camera heterogeneous sensing fusion for front obstacle recognition and distance measurement system. Processes, 10, article number 1876. https://doi.org/10.3390/pr10091876.
19. Sgorbissa, A., & Zaccaria, R. (2012). Planning and obstacle avoidance in mobile robotics. Robotics and Autonomous Systems, 60(4), 628-638.
20. Pandey, A., Kumar, S., Pandey, K.K., & Parhi, D.R. (2016). Mobile robot navigation in unknown static environments using ANFIS controller. Perspectives in Science, 8, 421-423. https://doi.org/10.1016/j.pisc.2016.04.094.
21. Yoon, S.W., Park, S.B., & Kim, J.S. (2015). Kalman filter sensor fusion for mecanum wheeled automated guided vehicle localization. Journal of Sensors, 2015, article number 347379. https://doi.org/10.1155/2015/347379.
22. Alatise, M.B., & Hancke, G.P. (2017). Pose estimation of a mobile robot based on fusion of IMU data and vision data using an extended Kalman filter. Sensors, 17, article number 2164. https://doi.org/10.3390/s17102164.
23. Komarchuk, D., Gunchenko, Y., Pasichnyk, N., Opryshko, O., Shvorov, S., & Reshetiuk, V. (2021). Use of drones in industrial greenhouses. In 2021 IEEE 6th International Conference on Actual Problems of Unmanned Aerial Vehicles Development (APUAVD) (pp. 184-187). Kyiv, Ukraine: IEEE. https://doi.org/10.1109/APUAVD53804.2021.9615418.
24. Xiao, F., Wang, H., Xu, Y., & Zhang, R. (2023). Fruit detection and recognition based on deep learning for automatic harvesting: An overview and review. Agronomy, 13, article number 1625. https://doi.org/10.3390/agronomy13061625.
25. Lu, Y., Cai, M., Zhao, C., & Zhao, W. (2023). Tor anonymous traffic identification based on parallelizing dilated convolutional network. Applied Sciences, 13, article number 3243. https://doi.org/10.3390/app13053243.
26. Aslan, Ö. (2023). Separating malicious from benign software using deep learning algorithm. Electronics, 12, article number 1861. https://doi.org/10.3390/electronics12081861.
27. Lysenko, V., Bolbot, I., Rudenskyi, A., Nakonechna, K., Koval, V., & Bolbot, A. (2023). Algorithm of the autonomy of a phytomonitoring mobile robot in a greenhouse facility. In 2023 IEEE 18th International Conference on Computer Science and Information Technologies (CSIT) (pp. 1-4). Lviv, Ukraine: IEEE. https://doi.org/10.1109/CSIT61576.2023.10324189.
Опубліковано
Номер
Розділ
Ліцензія
Авторське право (c) 2026 Енергетика і автоматика
Ця робота ліцензується відповідно до ліцензії Creative Commons Attribution-NonCommercial 4.0 International License.
Усі матеріали поширюються на умовах ліцензії Creative Commons Attribution 4.0 International Public License, що дозволяє іншим розповсюджувати рукопис із визнанням авторства роботи та першої публікації в цьому журналі.
