This article presents a combined route and path planning strategy to guide Skid–Steer Mobile Robots (SSMRs) in scheduled harvest tasks within expansive crop rows with complex terrain conditions. The proposed strategy integrates: (i) a global planning algorithm based on the Traveling Salesman Problem under the Capacitated Vehicle Routing approach and Optimization Routing (OR-tools from Google) to prioritize harvesting positions by minimum path length, unexplored harvest points, and vehicle payload capacity; and (ii) a local planning strategy using Informed Rapidly-exploring Random Tree (${\mathrm{IRRT}}^{*}$) to coordinate scheduled harvesting points while avoiding low-traction terrain obstacles. The global approach generates an ordered queue of harvesting locations, maximizing the crop yield in a workspace map. In the second stage, the ${\mathrm{IRRT}}^{*}$ planner avoids potential obstacles, including farm layout and slippery terrain. The path planning scheme incorporates a traversability model and a motion model of SSMRs to meet kinematic constraints. Experimental results in a generic fruit orchard demonstrate the effectiveness of the proposed strategy. In particular, the ${\mathrm{IRRT}}^{*}$ algorithm outperformed RRT and ${\mathrm{RRT}}^{*}$ with 96.1% and 97.6% smoother paths, respectively. The ${\mathrm{IRRT}}^{*}$ also showed improved navigation efficiency, avoiding obstacles and slippage zones, making it suitable for precision agriculture.

This article presents a combined route and path planning strategy to guide Skid-Steer Mobile Robots (SSMRs) in scheduled harvest tasks within expansive crop rows with complex terrain conditions. The proposed strategy integrates: i) a global planning algorithm based on the Traveling Salesman Problem under the Capacitated Vehicle Routing approach and Optimization Routing (OR-tools from Google) to prioritize harvesting positions by minimum path length, unexplored harvest points, and vehicle payload capacity, and ii) a local planning strategy using Informed Rapidly-exploring Random Tree (IRRT*) to coordinate scheduled harvesting points while avoiding low-traction terrain obstacles. The global approach generates an ordered queue of harvesting locations, maximizing the crop yield in a workspace map. In the second stage, the IRRT* planner avoids potential obstacles, including farm layout and slippery terrain. The path planning scheme incorporates a traversability model and a motion model of SSMRs to meet kinematic constraints. Experimental results in a generic fruit orchard demonstrated the effectiveness of the proposed strategy. In particular, the IRRT* algorithm outperformed RRT and RRT* with 96.1% and 97.6% smoother paths, respectively. The IRRT* also showed improved navigation efficiency, avoiding obstacles and slippage zones, making it suitable for precision agriculture.

Este artículo presenta técnicas alternativas de localización y mapeo simultáneo del ambiente, que permiten a los robots móviles auto referenciarse en un ambiente de navegación de reducida accesibilidad al posicionamiento mediante medios externos, como Sistemas de Posicionamiento Global (o GPS por sus siglas en inglés). La metodología consiste en implementar cuatro algoritmos de aprendizaje de máquina no-supervisado. Utilizando conjuntos de datos que se generan en base a una nube de puntos de rango entregados por las mediciones de un sensor LiDAR (o Detección de Luz y Rango por sus siglas en inglés). El enfoque propuesto identifica las características del mapa de navegabilidad y un método adicional, basado en el Filtro de Kalman Extendido (o EKF por sus siglas en inglés). EKF permite encontrar el posicionamiento del robot que se conjuga con cada uno de los algoritmos propuestos. El primer método propuesto consiste en la estimación de las características del ambiente mediante métodos heurísticos y la conformación del mapa mediante principios geométricos. El segundo método implementado se basa en K-Means para incorporar la incertidumbre en la medición del sensor, mientras que la tercera solución utiliza el modelo de mezcla de Gaussianas. El cuarto método se enfoca en el agrupamiento espacial de datos basado en densidad de datos con ruido (o DBSCAN por sus siglas en inglés). Para incluir incertidumbre dentro del ambiente de prueba, se induce error de odometría en el robot, la misma que se propaga hacia las lecturas del posicionamiento. Los resultados muestran que DBSCAN presenta un mejor tiempo de ejecución del sistema de localización propuesto frente a los otros métodos de comparativa. Además, la localización del robot es más precisa con este método, mostrando una reducción del 5% del error frente al resultado obtenido de los otros algoritmos propuestos. Finalmente, con los resultados alcanzados se prevé que con la disminución de error de localización y mapeo automático se pueda disminuir el consumo de los recursos del robot.