近日，c7娱乐app下载肖茂华教授团队围绕复杂农田环境下分布式驱动电动植保车辆的节能与稳定控制，完成题为“Energy-efficient and stability-oriented control of distributed-drive electric agricultural vehicles via robust hierarchical reinforcement learning”的研究论文。研究提出轻量化与鲁棒性增强的分层强化学习框架（LRTD3），将四轮高维转矩控制分解为上层运动需求生成和下层转矩分配，在降低控制冗余和计算负担的同时兼顾轨迹跟踪、横摆稳定、防滑与能耗。硬件在环与水田实车试验表明，该方法在泥泞低附着条件下显著降低车辆横摆、侧偏和累计能耗，并提升车载实时部署能力。
文章简介
分布式驱动电动植保车辆能够独立调节各车轮转矩，具有机动性高、驱动力分配灵活等优势，但在低附着、负载波动及轮土强耦合环境下，传统控制方法难以同时兼顾稳定性、能耗和实时性。为此，研究团队构建了LRTD3框架：上层采用鲁棒性增强DDPG，通过参数随机化、扰动注入和风险感知奖励生成附加横摆力矩与总驱动转矩；下层采用轻量化TD3，利用解析方法重构左右轮转矩，仅学习前后轴分配系数，将四维车轮转矩决策压缩为二维动作空间。研究通过干旱硬土、泥泞田间两类硬件在环场景和真实水田实车试验进行验证。结果显示，在泥泞田间条件下，LRTD3相较2D-TD3和4D-TD3分别将峰值横摆角速度降低23.7%和11.8%，峰值质心侧偏角降低25.8%和18.8%，累计能耗降低13.1%和9.7%；相较4D-TD3，CPU训练时间降低83.9%，车载控制器平均推理时间降低28.2%。该研究为复杂低附着农田环境下智能农业车辆的多目标协同控制与工程部署提供了新思路。
图片速览
图1鲁棒性增强的上层DDPG运动需求决策框架
图2不同控制策略在泥泞田间条件下的综合性能对比
图3硬件在环（HIL）测试
图4 旱田试验结果
成果作者及项目支持
c7官网登录入口app肖茂华教授为通讯作者，胥文翔（Wenxiang Xu）为第一作者。合作单位包括一拖集团有限公司、智能农业动力装备全国重点实验室和农业农村部南京农业机械化研究所。本工作得到了国家自然科学基金面上项目（52375251）、“十四五”国家重点研发计划项目（2022YFD2001204）、国家自然科学基金青年科学基金项目（52502530）和中国博士后科学基金（2025M782481）的支持。
