自动引导车辆(AGV)定位停车的控制

建立了后轮驱动、前轮转向自动引导车辆的定位停车运动学模型，基于这一模型提出了经过两步消除定位停车误差的控制策略。根据极小值原理探讨了Ｐｉｎｇ－Ｐｉｎｇ控制算法，车辆以最佳方式消除停车误差应切换控制的状态轨迹，以及消除停车误差车辆应行驶的最短距离。还分析了车辆当前位置到预定停车位置之间的距离对实施该控制策略的影响，提出了超前给出定位停车标志的必要性。     

自动引导车辆(AGV)定位停车的控制

建立了后轮驱动、前轮转向自动引导车辆的定位停车运动学模型，基于这一模型提出了经过两步消除定位停车误差的控制策略。根据极小值原理探讨了Ｐｉｎｇ－Ｐｉｎｇ控制算法，车辆以最佳方式消除停车误差应切换控制的状态轨迹，以及消除停车误差车辆应行驶的最短距离。还分析了车辆当前位置到预定停车位置之间的距离对实施该控制策略的影响，提出了超前给出定位停车标志的必要性。     

车辆行驶的表层沙土非线性弹性本构模型的试验研究

以车辆行驶的表层沙土为研究对象，用土壤动态三轴仪对车辆行驶的表层沙土的力学特性进行了试验研究，建立了适于车辆行驶的表层沙土的非线性弹性邓肯（Ｄｕｎｃａｎ）本构模型。研究结果表明它能够较好地反映车辆行驶的表层沙土的本构关系，为车辆行走机构与表层沙土相互作用的力学计算分析和研制沙漠运输车辆奠定了基础     

自动引导车辆系统的研究(五)——控制器设计与试验

建立了自动引导车辆引导系统线性定常模型,基于这一模型设计了—最优控制器,通过仿真计算和试验研究证实,该控制器可满足自动引导车辆的行驶速度在给定范围内变化的全部性能要求。     

三轮农用运输车－驾驶员闭环系统的行驶方向稳定性

研究了考虑驾驶员转向控制时三轮农用运输车在地面绝对坐标系中的行驶方向稳定性，推导了三轮车－驾驶员闭环系统稳定行驶的条件，分析了影响行驶方向稳定性的诸种因素，提出了为提高行驶方向稳定性在车辆总体布置和操纵中应注意的原则     

三轮农用运输车——驾驶员闭环系统的行驶方向稳定性

研究了考虑驾驶员转向控制时三轮农用运输车在地面绝对坐标系中的行驶方向稳定性，推导了三轮车－驾驶员闭环系统稳定行驶的条件，分析了影响行驶方向稳定性的诸种因素，提出了为提高行驶方向稳定性在车辆总体布置和操纵中应注意的原则。     

带单轴拖车拖拉机自动倒车行驶的研究

该研究中,应用最优控制理论设计了带单轴拖车拖拉机自动倒车行驶的控制方法。首先利用二次变分法设计了车辆自动行驶的轨道；其次,对车辆运动学方程进行了线性化处理；最后应用最优控制理论,设计了车辆沿行驶轨道自动行驶的一种时变线性二次型控制器，利用设计的行驶轨道和控制器进行了实车试验。试验表明，该控制方法能够实现带单轴拖车拖拉机自动倒车行驶控制。     

基于行驶车速的车辆防撞时间预警算法

针对一般车辆碰撞时间(time to collision,TTC)算法预警阈值固定造成车辆低速行驶中出现预警过早及高速行驶出现预警不及时的问题,该文提出一种基于行驶车速的车辆防撞时间预警方法。行驶车辆通过车载设备实时获取自车与他车的状态信息,根据车辆状态信息建立高斯平面坐标系获取车辆位置坐标,对车辆可能发生的碰撞进行分类处理,依据车辆行驶速度设定相应的安全防撞时间,然后将车辆发生碰撞需要的时间与安全防撞时间进行比较,存在碰撞危险则通过预警显示提醒驾驶员。试验结果表明:该方法预警准确率达88.89%,而一般TTC固定阈值方法则预警过早率达81.48%,预警过晚率达70.37%,故该方法对进行车辆危险预警更有效,更符合实际车辆防撞情形,提高了车辆行驶的安全性,可为车辆的及时预警提供参考。     

提高农用运输车辆行驶平顺性研究

为改善农用运输车辆在不平路面上的行驶平顺性，建立了五自由度系统振动数学模型，通过模拟计算，探讨了车辆悬架系统参和座椅参数对行驶平顺性影响，并确定了悬架刚度与减振器阻尼的最佳匹配。改进后的试验结果表明，行驶平顺性有明显提高。     

步行轮式气垫车车轮及围裙转向阻力矩研究

研究了步行轮式气垫车在软路面行驶转向时，插入土壤的车轮与土壤间相互作用以及围裙系统与地面干涉产生的转向阻力矩。提出了车辆转向时，车轮转向阻力矩及围裙转向阻力矩的数学模型。     

基于物联网的内河小型渔船动态信息监控系统设计

为规范内河流域渔业生产秩序,保障渔船作业安全,该文设计了基于物联网的内河小型渔船动态信息监控系统。该系统集成了无线传感器网络、远程信息传输、远端后台监控等多种技术方法。其中,无线传感器网络主要用于获取包括渔船位置、电捕鱼违法监测信息和渔船超载检测信息等渔业现场数据。依靠Zig Bee技术,该网络实现了对不同类别传感器数据的汇聚、判断以及远程播发。远程信息传输是利用GPRS/GSM移动通信网络与互联网传输技术,实现了多渔船作业信息向后台监控中心的实时传输。后台渔政监控中心,具有渔船在电子地图上的识别与定位,渔业生产的实时监控以及渔政执法的决策辅助等功能。该系统经测试,可满足内河流域作业渔船在实时监管和安全保障等方面的需求,提高了农业渔政管理的水平。     

基于聚类的农产品流通物联网感知数据时空可视化技术

农产品在流通过程中对运输环境的要求相对严格,借助物联网技术可以实时感知农产品流通过程中的环境数据以及车辆位置数据,通过对这些数据进行有效地可视化,能够实现对整个运输环节的环境监控和位置追踪。但是,流通过程中往往会产生大规模的环境感知数据和车辆位置数据。直接将这些数据进行可视化映射将面临如下挑战:感知点会显得很繁杂错乱,容易出现视觉混淆问题;关键位置点会被湮没在密集的点群之中,难以发现数据中蕴含的有价值的信息;大规模数据的渲染会占用大量的系统计算资源,导致浏览器卡顿等现象,影响用户的使用体验。针对这些难题,该文提出了一种基于聚类的农产品流通过程感知的时空数据可视化技术,该技术首先综合考虑地理空间分布、时间连续性、语义特性对采集到的大规模数据进行聚类分析,挖掘出流通过程的关键位置;然后基于这些关键位置绘制运输轨迹,以实现对流通过程感知数据的时空可视化;最后,将此技术应用到农业物联网地理空间分析与可视化系统中,该系统成功应用到浙江省多个农业基地,针对农业物流环节进行应用示范,应用表明该技术方便了对农产品流通过程进行直观地时空可视化分析。     

根轨迹法在控制车辆纵向角振动中的应用

为研究控制轻型车纵向用振动的作用机理,建立了二自由度车辆振动系统模型,利用控制理论的根轨迹法,分析了悬架刚度变化对系统瞬态性能的影响,确定了前、后悬架刚度的取值范围。     

超声波果树冠层测量定位算法与试验

本文利用姿态航向参考系统、RTK-DGPS和超声波传感器,研究超声波果树冠层扫描时探测点在大地坐标系下的定位问题,建立了定位算法以校正车身倾斜对测量点位置计算的影响。文中考虑了车体的位置和姿态角信息以及超声波传感器安装的位置角度关系,利用一次、二次坐标转换建立算法模型,求解得到超声波探测点的绝对坐标位置。并利用农用拖拉机进行了直线行走试验和果树冠层扫描试验,其中的直线行走试验验证了校正模型的正确性。试验表明：通过姿态角和位置信息等建立的校正模型,消除了车体姿态角变化的影响,能正确解算作业车上任意点的大地坐标位置和冠层上超声波传感器探测点的大地坐标位置,使作业车辆在不平路面上工作时仍能准确地测绘出果树冠层形状。     

基于模糊双曲正切模型的车辆路径跟踪算法

为了实现铰接式车辆无人驾驶技术。针对路径跟踪问题,该文提出了基于模糊双曲正切模型的铰接式车辆路径跟踪控制算法。首先根据实地试验测得铰接式车辆的横向偏差、横向偏差变化率、航向角偏差、航向角偏差变化率和转向角的样本数据,建立其模糊双曲正切模型。在此基础上,采用改进的自适应反向传播(back propagation,BP)神经网络对模型进行参数辨识,并推导了基于Cauchy鲁棒误差估计器的权系数调解率公式。然后设计基于极点配置方法的控制器,得到转角的反馈控制率。从试验数据可以看出:车辆横向位置偏差、航向角偏差、转角控制量分别控制在0.008 m、0.07 rad(0.5°)、0.21 rad(12°)附近,各向偏差均稳定,误差控制在1%以内。该种路径跟踪控制算法的研究可为铰接式车辆无人驾驶提供参考。     

基于姿态与时序特征的猪只行为识别方法

生猪行为监测是生猪养殖管理过程中的一个重要环节。该研究提出了基于姿态与时序特征的猪只行为识别方法。首先采集和标注猪栏内猪只图像，分别构建了猪只目标检测数据集、猪只关键点数据集和猪只行为识别数据集；利用构建的数据集，分别训练了基于YOLOv5s的猪只检测模型、基于轻量化OpenPose算法的猪只姿态估计模型和基于ST-GCN算法的猪只行为识别模型，并搭建了猪只行为识别系统。经测试，文中训练的YOLOv5s猪只检测模型mAP（mean Average Precision）最高达到0.995，姿态估计模型平均精度和平均召回率达到93%以上，基于ST-GCN的猪只行为识别模型的平均准确率为86.67%。文中构建的猪只行为识别系统中基于LibTorch推理猪只检测模型和猪只姿态估计模型的单帧推理耗时分别约为14和65 ms，单只猪行为识别推理耗时约为8 ms，每提取200帧连续姿态进行一次行为识别推理，平均17 s更新一次行为识别结果。证明提出的基于姿态与时序特征的猪只行为识别方法具有一定可行性，为群养猪场景下的猪只行为识别提供了思路。     

基于单目视觉车辆姿态角估计和逆透视变换的车距测量

针对一般的单目视觉测距方法忽略汽车在行驶过程中姿态角变化的问题,该文提出了一种基于变参数逆透视变换和道路消失点检测的单目视觉测距模型,实现了车辆在相对运动过程中的纵向距离和横向距离实时测量。首先,该文通过基于纹理方向估计的道路消失点检测算法计算出汽车运动的偏航角和俯仰角,然后运用变参数的逆透视变换和几何建模分析方法,建立车辆测距模型。对不同道路环境和测距方法的2组对比试验分析该文方法的可行性和有效性,结果表明,该文所提出的测距模型能够有效测量纵向70 m、横向4 m以内的目标车辆距离,测量误差在5%以内,且道路环境越好,误差越小,道路良好的平坦道路测距误差在3%以内;该文算法的平均处理速度达到了40帧/s。     

Assessing the Impacts of Time-to-Detection Distribution Assumptions on Detection Probability Estimation

Abundance estimates from animal point-count surveys require accurate estimates of detection probabilities. The standard model for estimating detection from removal-sampled point-count surveys assumes that organisms at a survey site are detected at a constant rate; however, this assumption can often lead to biased estimates. We consider a class of N-mixture models that allows for detection heterogeneity over time through a flexibly defined time-to-detection distribution (TTDD) and allows for fixed and random effects for both abundance and detection. Our model is thus a combination of survival time-to-event analysis with unknown-N, unknown-p abundance estimation. We specifically explore two-parameter families of TTDDs, e.g., gamma, that can additionally include a mixture component to model increased probability of detection in the initial observation period. Based on simulation analyses, we find that modeling a TTDD by using a two-parameter family is necessary when data have a chance of arising from a distribution of this nature. In addition, models with a mixture component can outperform non-mixture models even when the truth is non-mixture. Finally, we analyze an Ovenbird data set from the Chippewa National Forest using mixed effect models for both abundance and detection. We demonstrate that the effects of explanatory variables on abundance and detection are consistent across mixture TTDDs but that flexible TTDDs result in lower estimated probabilities of detection and therefore higher estimates of abundance.Supplementary materials accompanying this paper appear on-line.     

基于YOLOv4模型剪枝的番茄缺陷在线检测

为解决番茄缺陷检测过程中的精确性和实时性问题,该研究提出一种基于模型剪枝的番茄表面缺陷实时检测方法。采用模型剪枝的方法在YOLOv4网络模型基础上进行模型优化,首先将3个连续检测工位采集的RGB图像拼接生成YOLOv4网络的输入图像,然后采用通道剪枝和层剪枝的方法压缩YOLOv4网络模型,从而减少模型参数,提高检测速度,最后提出一种基于L1范数的非极大值抑制方法,用于在模型微调后去除冗余预测框,从而精准定位图像中的缺陷位置,并将模型部署到分级系统上进行实时检测试验。结果表明,该研究提出的YOLOv4P网络与原YOLOv4网络相比,网络模型尺寸和推理时间分别减少了232.40 MB和10.11 ms,平均精度均值（Mean Average Precision,mAP）从92.45%提高到94.56%,能满足实际生产中针对缺陷番茄进行精准、实时检测的要求,为番茄分级系统提供了高效的实时检测方法。     

基于YOLO_X和迁移学习的无人机影像玉米雄穗检测

玉米雄穗表型信息的获取对研究玉米长势及产量起着非常重要的作用,为实现复杂田间环境玉米雄穗的精确识别和计数,该研究使用无人机采集试验田的玉米雄穗影像,基于Faster R-CNN、SSD、YOLO_X目标检测模型,使用迁移学习方法实现玉米雄穗的高精度识别,并分析了模型对不同品种和不同种植密度的玉米雄穗检测效果。试验结果表明,基于迁移学习的Faster R-CNN、SSD、YOLO_X的目标检测效果相比于未使用迁移学习的模型有明显提升,其中,迁移学习后YOLO_X的识别精确度为97.16%,平均精度为93.6%,准确度为99.84%,对数平均误检率为0.22,识别效果最好;不同玉米品种对模型的适应性有所差异,其中郑单958对模型适应性最好,Faster R-CNN、SSD、YOLO_X的决定系数R2分别为0.9474、0.9636、0.9712;不同种植密度下玉米雄穗的检测效果有所差异,在29 985,44 978,67 466,89 955株/hm2种植密度下,模型对郑单958检测的平均绝对误差分别为0.19、0.31、0.37、0.75,随着种植密度的增加,检测误差逐渐变大。本研究为农田玉米雄穗高精度识别提供了一种新方法,对玉米表型性状高通量调查具有一定的应用价值。