An Intelligent LLM–Fuzzy Decision Support and Digital Twin Framework for Adaptive Agricultural Robotics Systems

本研究开发了一个面向自适应农业机器人（adaptive agricultural robotics）的集成式LLM-模糊决策支持与数字孪生框架，融合了语义推理、模糊推理、多目标优化和反馈驱动的状态更新。数值传感器数据、运营信息和文本田间知识被转化为经过验证的决策规则和模型就绪参数，从而支持在经济、运营、作物胁迫和可持续性相关目标之间进行协调决策。该框架以基于仿真的概念验证形式进行评估，并利用半智能番茄农场的真实观测数据进行校准，同时使用受控数字孪生场景评估其在环境和运营扰动下的行为表现。与仅使用数值优化相比，完整的LLM-模糊框架将运营成本降低了3.35%，作物胁迫降低了7.98%，同时将运营性能提升了4.45%。消融实验、重复运行、场景、敏感性和动态自适应分析进一步表明，在所评估条件下该框架具有一致的计算性能。可持续性通过一个基于模型的度量进行评估，该度量综合了用水量、能源消耗和土壤压实相关影响。这些发现表明，将语义推理、不确定性处理、优化和数字孪生反馈相结合用于自适应农业决策支持具有潜力。然而，这些结果代表的是一种经过校准的基于仿真的概念验证，而非通过全尺度自主田间部署所进行的验证；因此，在将所报告的运营和可持续性效益加以推广之前，仍需开展更广泛的多季节和田间尺度验证。