[论文解读] Fields2Cover: An open-source coverage path planning library for unmanned agricultural vehicles

Gonzalo Mier, João Valente+1 more|arXiv (Cornell University)|Oct 14, 2022

Soil Mechanics and Vehicle Dynamics被引用 6

一句话总结

Fields2Cover 是一个用于农业机器人覆盖路径规划（CPP）的开源、模块化库，通过集成的回转区生成、条带规划、路径优化以及 Dubins/Reeds-Shepp 路径平滑技术，实现自主车辆的路径规划。该库支持凸形可耕作农田，提供对 8 种前沿方法和 7 种目标函数的基准测试，并通过仿真和 AgBot 实地测试验证了其在真实场景中的可行性，显著推动了可复现的、社区驱动的 CPP 研究。

ABSTRACT

This paper describes Fields2Cover, a novel open source library for coverage path planning (CPP) for agricultural vehicles. While there are several CPP solutions nowadays, there have been limited efforts to unify them into an open source library and provide benchmarking tools to compare their performance. Fields2Cover provides a framework for planning coverage paths, developing novel techniques, and benchmarking state-of-the-art algorithms. The library features a modular and extensible architecture that supports various vehicles and can be used for a variety of applications, including farms. Its core modules are: a headland generator, a swath generator, a route planner and a path planner. An interface to the Robot Operating System (ROS) is also supplied as an add-on. In this paper, the functionalities of the library for planning a coverage path in agriculture are demonstrated using 8 state-of-the-art methods and 7 objective functions in simulation and field experiments.

研究动机与目标

• 为解决农业机器人领域覆盖路径规划（CPP）缺乏统一、开源软件的问题，该问题阻碍了算法的基准测试与可复现性。
• 提供一个模块化、可扩展的软件框架，将多种车辆类型、目标函数和规划技术整合于单一库中。
• 通过标准化的基准测试工具，实现对前沿 CPP 算法的对比，加速研究与应用。
• 通过与 ROS 集成并在仿真和实地实验中验证性能，支持真实场景部署。
• 建立一个社区驱动的平台，持续推动 CPP 能力的发展，超越凸形可耕作农田的限制。

提出的方法

• 该库划分为四个核心模块：回转区生成器（恒定宽度）、条带生成器（暴力优化器）、路径规划器（Boustrophedonic、蛇形及自定义模式）以及路径平滑器（使用 Dubins 和 Reeds-Shepp 曲线实现转向）。
• 每个模块均支持至少一种前沿算法，并允许自定义目标函数，如最小化转弯次数、条带长度或总路径距离。
• 回转区生成器在田地边界预留转向空间，以减少不必要的覆盖区域，提升效率。
• 条带生成基于参考线并结合优化，以最小化总条带长度或转弯次数等目标函数。
• 路径规划采用 Dubins 和 Reeds-Shepp 曲线，生成满足车辆运动学约束的平滑、曲率连续的转向路径。
• 该库包含 ROS 接口插件，并支持不同目标函数的计算时间分析，结果显示覆盖型目标函数的计算时间随田地面积呈线性增长。

实验结果

研究问题

• RQ1 统一的、开源的软件库在多大程度上能提升农业机器人中覆盖路径规划算法的可复现性与基准测试能力？
• RQ2 在不同田地尺寸和车辆宽度下，覆盖路径规划中各类目标函数的计算性能如何？
• RQ3 不同路径规划模式（如蛇形、Boustrophedonic）在真实田地条件下对路径效率和转向复杂度有何影响？
• RQ4 模块化、可扩展的软件架构在多大程度上能支持多种车辆类型和农业应用场景？
• RQ5 集成运动学可行的转向曲线（Dubins/Reeds-Shepp）对路径质量及真实场景执行效果有何影响？

主要发现

• 该库成功在仿真和真实田地实验中，使用 8 种前沿方法和 7 种目标函数，实现了对凸形可耕作农田的覆盖路径规划。
• 与 AgBot 的实地实验表明，规划路径具备可执行性，但记录的 GNSS 数据显示实际转弯比规划更宽，这是由于机器人最小转弯半径的限制所致。
• 覆盖型目标函数的计算时间随田地面积呈线性增长，而其他目标函数的计算时间随面积的平方根增长，表明覆盖评估的计算成本更高。
• 暴力优化算法占总计算时间的 80% 以上，凸显了在目标函数评估中优化的必要性。
• 该库在六个月内获得强烈社区关注，GitHub 星标达 150 个，并有持续贡献，验证了其相关性与实用性。
• 模块化设计支持可扩展性，未来工作计划涵盖非凸田地、障碍物、斜坡地形以及果园等永久性作物场景。