Navigation Of A UGV For Tomato Crops In Greenhouses Using Reinforcement Learning

Abstract

La creciente demanda de producción de alimentos impulsa el interés en la agricultura de precisión y la agro-robótica como medios efectivos para aumentar la productividad de los cultivos y optimizar el uso de recursos. Uno de los retos más importantes en este ámbito es lograr una navegación autónoma robusta y confiable para robots en entornos de invernadero, caracterizados por ser espacios reducidos, dinámicos y sin señal GPS. Este estudio se centra en el diseño e implementación de un sistema de navegación para un vehículo terrestre no tripulado (UGV) operando en un invernadero de tomates simulado. La metodología emplea una red neuronal de tipo Double Deep Q-Network (DDQN), entrenada completamente en simulación, para abordar tareas de navegación mientras se evitan colisiones con estructuras y hileras de cultivo. El sistema propuesto integra percepción basada en LiDAR, seguimiento de la posición objetivo y selección de comandos de velocidad discretos dentro de un marco de aprendizaje por refuerzo. La evaluación se realizó en 30 episodios de prueba con distintas posiciones iniciales y de destino para medir su adaptabilidad. Los resultados muestran una tasa de éxito del 90\% en alcanzar los objetivos sin colisiones, con una planificación de trayectoria consistente y una evasión eficaz de obstáculos, incluso en pasillos estrechos. La incorporación de memoria de repetición priorizada mejoró notablemente el rendimiento, incrementando los episodios exitosos y reduciendo las colisiones. Estos hallazgos respaldan el potencial de los enfoques basados en DRL para la automatización de invernaderos y sientan las bases para su futura aplicación en entornos agrícolas reales.