| 研究課題/領域番号 |
21K05857
|
|---|
| 研究種目 |
基盤研究(C)
|
| 配分区分 | 基金 |
|---|
| 応募区分 | 一般 |
|---|
| 審査区分 |
小区分41040:農業環境工学および農業情報工学関連
|
|---|
| 研究機関 | 木更津工業高等専門学校 |
|---|
研究代表者 |
内田 洋彰 木更津工業高等専門学校, 機械工学科, 教授 (00223561)
|
|---|
| 研究期間 (年度) |
2021-04-01 – 2024-03-31
|
| 研究課題ステータス |
交付 (2022年度)
|
| 配分額 *注記 |
4,160千円 (直接経費: 3,200千円、間接経費: 960千円)
2023年度: 1,300千円 (直接経費: 1,000千円、間接経費: 300千円)
2022年度: 1,300千円 (直接経費: 1,000千円、間接経費: 300千円)
2021年度: 1,560千円 (直接経費: 1,200千円、間接経費: 360千円)
|
|---|
| キーワード | 水田用除草ロボット / 自動運転 / 作業経路計画 / 水田除草ロボット / 作業経路生成 |
|---|
| 研究開始時の研究の概要 |
稲作における田植え後5日程度～1ヶ月の間に雑草の除草作業をおこなう自動運転機能を有する除草ロボットについて，作業する状態に応じて作業を効率化する作業経路自動生成手法について検討する。具体的には，除草ロボットの除草作業における運動性能データ（速度，加速度，制御入力），作業環境データ（風速，風向き，稲の生育状況による除草作業への抵抗力，除草する圃場の形状）にもとづいて作業状態を予測し，除草ロボットが作業する最適な除草経路をAIを用いて自動生成する手法を検討する。
|
| 研究実績の概要 |
令和4年度はR3年度に引き続き，第１の課題，“圃場形状を考慮した経路計画と高い追従性能を有する自動運転技術開発”について検討した。除草ロボットの自動運転による除草作業を行うことを目的に，①R3年度に検討した経路設計法で計画した経路を作業経路として，この経路に自動運転で追従する除草ロボットの FB制御系の構築を行った。共同研究を行っている農業従事者から目標速度を0.5 m/s程度とするのが望ましいとのことから2入力（推進用モータ，操舵用モータ），3出力（x,y,ロボットの姿勢角）の除草ロボットの目標値として作業速度とロボットの姿勢角に追従する制御系を，PID制御系で設計した。設計したFB制御系の制御性能について除草ロボットの数学モデルを用いたシミュレーションと実機で検討した。シミュレーションにおいては，風外乱を想定した外乱の影響を抑える外乱オブザーバを導入し，風外乱が作用する場合の目標経路に対する追従性，制御入力に基づく駆動エネルギ消費量を前年度に引き続き検証を行った。実機での自動運転による目標経路，目標速度および姿勢角の制御性能については，所属機関のプールおよび水田での試験により実施した。設計したPID制御系が目標経路に追従し，目標の作業速度，姿勢角で制御されることを示した。水田での試験では，風外乱に対してPID制御系が有効に作用して目標の作業速度で除草作業を行うことを示した。次に，②圃場形状を考慮した除草ロボットの作業経路計画を行った。経路計画のアルゴリズムとしてDeep Q-Network（DQN）の手法を用いた。DQNは強化学習のQ学習と呼ばれる報酬の期待値Q値をニューラルネットワーク(NN)の深層学習を用いて予測する手法である。R4年度は水田の格子状にマッピングして，すべての格子を通過するように報酬を与えて検討を行った。格子を全て通過する作業経路設計は行えることをシミュレーションにより示した。
|
| 現在までの達成度 (区分) |
現在までの達成度 (区分)
2: おおむね順調に進展している
理由
第１の課題，“圃場形状を考慮した経路計画と高い追従性能を有する自動運転技術開発”については，凸型の多角形（四角形が主）となるので，多角形の頂点をx,y座標でとり，線形関数で多角形を定義して，ロボットの作業幅1mで多角形内部を作業する経路計画をR3年度に行った。自動運転については除草ロボットの姿勢角と目標速度で目標経路に追従するように PID制御系の構築を行った。2入力（推進用モータ，操舵用モータ），3出力（x,y,ロボットの姿勢角）の数学モデルを用いたシミュレーション，プールおよび水田での実験において，目標の姿勢角および目標の速度で目標経路に追従することを示した。以上のことから第１の課題については解決したと判断する。
第2の課題，“除草作業に影響する外的因子の定量的抽出と圃場形状による作業経路が作業性能に及ぼす影響”については，令和3年度に数式モデルにおいて風外乱の影響について検討した。令和4年度は，風外乱，水深，稲の成長による抵抗などについて検討を行った。特に，ボート型で重量が8kg程度の軽量であるため風外乱の影響を大きく受けることから，風速計と風向計を用いて定量的に風外乱を測定する観測システムを構築した。ロボットの数学モデルを用いたシミュレーションでは風外乱の方向に対して真正面から進む方向とそれに対して追い風になる方向に経路計画を行う場合が最も消費エネルギを含めて作業効率が良いことを示した。
第3の課題“自動運転除草ロボットの状態予測にもとづく作業経路自動生成手法”については，R4年度に強化学習を用いた経路計画では格子状に分割した水田を全て通過する経路を得る結果が得られるようになった。今後は，除草ロボットの数式モデルを用いて，作業環境の状態（天候，風向き，圃場形状，稲の生育状態等）を考慮した経路計画を行う予定である。
|
| 今後の研究の推進方策 |
第2の課題，“除草作業に影響する外的因子の定量的抽出と圃場形状による作業経路が作業性能に及ぼす影響”の①除草作業に影響する外的因子の定量的抽出については，これまでに除草ロボットの数学モデルを用いた除草経路に追従するシミュレーションにより，風外乱が制御系設計および追従性能に及ぼす影響は明らかになっている。引き続き，実際の除草ロボットにおいて外乱の影響について明らかにする。また，圃場では水面から水底までの水深，稲の成長による抵抗も変化する。稲の成長による抵抗が除草ロボットの作業に及ぼす影響も外乱としてとらえ，その影響をデータから明らかにする。②圃場形状による作業経路が作業性能に及ぼす影響については，除草ロボットの旋回性能が左右旋回において若干違いがあるが，旋回性能の差については操舵用モータへの制御指令値で調整する。次に，強化学習を用いて水田全体を作業するように経路計画を行う方法についてはシミュレーションにより経路計画が行えているので，この経路を用いた田圃での除草作業を行う。
第3の課題，“自動運転除草ロボットの状態予測にもとづく作業経路自動生成手法”について，研究の中心として進める。水田を格子状に分割して，強化学習のDeep Q-Network（DQN）にニューラルネットワーク(NN)を適用した手法ですべての格子を通過する経路生成はR4年度までに結果は得られている。今後はロボットの数式モデルを用いて，作業性能，作業効率，風外乱，田圃の形状等の作業環境を考慮した経路生成法について検討する。
|
