基于模糊控制的插秧机LQR曲线路径跟踪控制器优化方法

为了提高无人插秧机地头转向时的曲线路径跟踪精度,针对传统的误差权重矩阵固定的线性二次调节器（Linear quadratic regulator,LQR）路径跟踪控制器对插秧机的纵向速度、横向偏差以及航向角偏差的变化适应性较差的问题,基于车辆二自由度动力学模型,提出了一种通过模糊控制实时调整LQR控制器误差权重矩阵的路径跟踪控制器优化方法。该方法以纵向速度、横向偏差、航向角偏差为输入,以横向偏差和航向角偏差对应的误差权重为输出,建立模糊控制模型实时调整LQR控制器的误差权重矩阵。为了验证所提出算法的曲线路径跟踪控制精度和可行性,以改装后的洋马VP6E型无人插秧机为对象,进行Carsim和Simulink联合仿真试验以及实车试验。仿真试验结果表明,控制插秧机跟踪半径为2m的1/4圆弧路径时,所提出算法控制下的横向偏差绝对值均值为0.014m,最大值为0.032m,小于0.04m的占100%,航向角偏差绝对值均值为1.67°,最大值为4.94°,相较于传统引入前馈控制的LQR控制器,横向偏差绝对值均值降低50%,航向角偏差绝对值均值降低23%。实车试验结果表明,在插秧机跟踪半径为2m的1/4圆弧路径时,所提出算法控制下横向偏差绝对值均值为0.027m,最大值为0.048m,小于0.04m的占62%,航向角偏差绝对值均值为1.86°,最大值为4.94°,相较于传统引入前馈控制的LQR控制器,横向偏差绝对值均值降低40%,航向角偏差绝对值均值降低4.1%。该方法提升了无人插秧机曲线路径跟踪控制精度,为无人插秧机曲线路径跟踪控制提供了参考。     

基于模型预测的插秧机路径跟踪控制算法

为了提高自动驾驶插秧机路径跟踪更高频的控制,本文提出一种基于模型预测的路径跟踪控制方法。以模型预测算法为基础设计自动驾驶控制器,通过简化农机车辆模型、线性化运动学方程、制定约束量,实现以当前状态量p=(x,y,θ)预测下一时刻的车辆状态,控制自动驾驶插秧机沿参考路径行走。通过在Matlab中建立仿真模型验证控制器的可行性,结果表明：直线路径跟踪横向偏差小于0.02m,航向偏差小于0.08°,曲线路径横向偏差平均值为0.022m、航向偏差平均值为0.699°,可用于实车试验。另外,以水稻插秧机为试验平台,通过设置不同车速验证算法的鲁棒性,直线路径跟踪平均横向、航向偏差分别为0.021m、6.187°,曲线路径跟踪平均横向、航向偏差分别为0.450m、10.107°,可满足自动驾驶插秧机路径跟踪精度及实时性需求,为农机路径跟踪控制研究提供了参考。     

基于粒子群算法改进的轮式收获机纯追踪模型的路径跟踪研究

为满足轮式收获机地头收获路径跟踪精度要求，本研究提出了一种基于粒子群改进的带有预测特性的纯追踪路径跟踪算法。建立了轮式收获机运动学模型，推导了基于轮式收获机运动学模型的纯追踪路径跟踪算法。以收获机航向误差和横向误差为基础，构建了带有预测特性的隶属度函数，采用权重系数自适应方法，通过粒子群优化（PSO）算法，实现了实时动态确定最优前视距离。以玉米收获机为试验平台，开展了直线路径跟踪路面试验与“8”字曲线路径跟踪路面实验，试验结果表明：在1.5m/s速度时，直线路径跟踪的最大横向误差为4.39cm，最大航向误差为2.31°。在1m/s时，曲线路径跟踪的最大横向误差为5.24cm，最大航向误差为2.41°。试验结果表明本文设计改进的路径跟踪算法对直线路径及曲线路径都具有良好的路径跟踪效果，满足轮式收获机田间作业要求。     

基于虚拟雷达模型的履带拖拉机导航路径跟踪控制算法

为提高传统果园广泛使用的小型履带式拖拉机导航路径跟踪控制精度和行驶稳定性,提出了一种基于虚拟雷达模型的导航路径跟踪控制算法。该算法借鉴人对车辆的驾驶经验,参考雷达扫描原理和图像识别原理,构建了虚拟雷达模型,生成虚拟雷达图,使用该图描述车辆与路径的位置关系;经深度神经网络分类生成对应的履带拖拉机行驶操作指令;以果园作业典型的U形路径为例进行了仿真验证试验和实车试验。仿真结果表明：本文提出的算法能够精准实现导航路径跟踪控制。果园实车试验表明：当车速为0.36、0.75m/s时,该算法路径跟踪的最大横向偏差分别为0.150、0.191m,平均横向偏差分别为0.031、0.051m,标准差分别为0.025、0.036m;与模糊控制算法相比,最大横向偏差分别减小了15.73%、36.33%,平均横向偏差分别减小了27.91%、19.05%,标准差分别减少了21.88%、28.00%。研究表明,基于虚拟雷达模型的导航路径跟踪控制算法具有更高的路径跟踪精度和行驶稳定性,满足果园实际作业需求。     

含斜坡扰动的轮式拖拉机路径跟踪控制方法

针对部分地区横向斜坡农田地形导致路径跟踪控制算法精度下降的问题，提出了一种包含路面坡度扰动的动力学模型与跟踪误差模型结合的轮式拖拉机行驶动态过程的控制模型，并基于此模型通过线性模型预测控制方法得到控制律，由于预测模型包含了坡度的影响，使得反馈校正能够提前补偿，有效改善了农机在坡地上的路径跟踪性能。考虑到农机在不同行驶阶段对于误差和稳定程度需求的不同，提出了自适应的模型预测方法，令Q、R值随动变化以应对不同的需求(随动变化指的是两者相对大小的变化而非绝对数值)。进行了预测区间与控制区间选择的试验，而后基于简单运动学模型的模型预测控制进行了有无自适应Q、R的对比试验，最后分别在固定斜坡角的横向斜坡路面上和在斜坡角连续变化的横向斜坡路面上进行了本文方法与基于简单运动学的模型预测控制方法对比试验。试验结果表明：自适应能显著提升控制效果；本文方法在横向斜坡路面上的路径跟踪表现明显优于基于简单运动学模型的方法，此外稳态时的稳定程度也有较大的提升。     

基于改进纯追踪模型的农机路径跟踪算法研究

为提高农机作业时直线行驶的精度,提出了一种基于改进纯追踪模型的农机路径跟踪算法。在建立了运动学模型和纯追踪模型的基础上,对农机直线跟踪方法进行研究;针对GPS导航精度易受噪声干扰的问题,通过卡尔曼滤波对航向误差以及横向误差进行了平滑处理,以获取更高精度的航向误差和横向误差;为提高纯追踪模型的自适应能力,以横向误差和航向误差的均方根误差为基础,构建适应度函数,并设计了权重函数,采用横向误差作为主要决策参数,通过粒子群优化(Particle swarm optimization,PSO)算法实时确定纯追踪模型中的前视距离;为使粒子群减少计算时间、尽快进行局部搜索,对PSO算法中惯性权重系数进行了改进。以东方红1104-C型拖拉机为试验平台,设计了农机自动导航控制系统,进行了农田播种试验。结果表明:当农机行驶速度为0.7 m/s时,采用基于改进纯追踪模型的农机路径跟踪算法,直线跟踪的最大横向误差为0.09 m;当行驶距离超过5 m后,最大横向误差为0.02 m,该算法能够有效地提高农机作业时的直线行驶精度。     

基于高斯混合模型的履带拖拉机转弯半径控制方法

履带拖拉机采用差速转向，转向可控性差，影响自动导航性能，为提高履带拖拉机自动导航的性能，以液压传动控制行星差速转向履带拖拉机为研究对象，建立履带拖拉机转弯半径数学模型。构建每个控制量下转弯半径均值和方差计算方法，建立基于卡尔曼滤波和局部加权回归的转弯半径均值和方差更新方法。分别针对直线路径跟踪和掉头建立基于高斯混合模型的履带拖拉机转弯半径控制方法。采用纯跟踪算法分别以不同的初始位置偏差进行自动导航仿真试验，得到导航轨迹、位置偏差和角度偏差。以农夫NF-702型履带拖拉机为平台，分别以不同车速进行导航试验，试验结果表明，在初始航向角为0，车速分别为1.0、1.5m/s时，导航平均误差分别为-0.62cm和0.28cm，导航误差绝对值极值分别为10.14cm和8.10cm，导航误差绝对值均值分别为2.34cm和2.57cm，导航均方根误差分别为3.77cm和3.99cm。本文提出的基于高斯混合模型的履带拖拉机转弯半径控制方法可应用到液压传动控制行星差速转向履带拖拉机自动导航领域，满足实际田间作业需求。     

基于MPC算法的无人驾驶插秧机控制系统研究

针对水稻插秧机无人驾驶需求,以井关PZ60型插秧机为试验平台,采用RTK-GPS北斗定位技术获取插秧机无人驾驶所需的高精度位置信息,以华测领航员NX300电动方向盘为执行元件实现无人驾驶插秧机转向操作。基于CAN总线设计了插秧机无人驾驶系统,通过CANOPEN协议与电动方向盘、上位机等进行通信,对待作业地块进行路径规划,用直线段与拐弯段填充作业路径,建立插秧机运动学模型。同时,提出了一种基于线性时变模型预测控制的路径跟踪算法,控制插秧机按规划路径进行直线追踪和地头转弯,实现了插秧机无人驾驶。进行插秧机无人驾驶田间试验,结果表明：基于MPC算法的控制器能够使无人驾驶插秧机车速1m/s时,有效跟踪预定义路线,直线段跟踪误差最大2.02cm,满足插秧机无人驾驶精度要求。     

一种稻田自主播种机的路径跟踪方法的研究

为了克服自主式水稻播种机在水田应用中的障碍，基于一种高精度的路径跟踪算法，结合侧向偏差和航向角偏差作为反馈，建立了非线性转向控制模型，对在泥泞不平的水田中直线行驶时的转向控制进行路径跟踪，且为了避免倾斜引起的位置误差，考虑了车辆倾斜时侧倾角和俯仰角对位置坐标的影响。田间试验表明：该算法的平均绝对横向偏差小于2.9cm,航向角偏差小于0.03°,能将横向偏差减小到0.5m以内的短距离，且超过95%的测量横向偏差绝对值小于0.01m,能够满足我国水田自主式水稻播种机的精度及农艺要求。     

基于MPC的插秧机路径跟踪控制算法研究

针对国内自动驾驶插秧机路径跟踪精度不高的现象，提出一种基于线性时变模型预测控制的路径跟踪方法。将建立的非线性插秧机运动学模型进行线性化和离散化处理，并基于此模型进行模型预测路径跟踪控制；建立以控制增量为状态量的目标函数；考虑系统控制量和控制增量的约束条件，将目标函数求解转为带约束的二次规划问题；采用内点法进行求解，将所得控制序列第一个元素作用于系统，并且不断重复以上过程实现最优控制。在MATLAB/Simulink环境下，搭建上述模型预测控制器系统仿真，并与路径跟踪效果良好的Stanley控制算法对比，结果表明，上述模型预测控制器优于Stanley控制算法。采用卫星信号接收机、电动方向盘和转角传感器，改造井关PZ60型插秧机，搭建插秧机自动驾驶试验平台，进行田间试验，试验结果表明，基于线性时变模型预测控制器能够使自动驾驶插秧机车速1 m/s时，有效进行路径跟踪，直线段跟踪误差最大2.02 cm，满足插秧机自动驾驶路径跟踪精度要求。     

基于模糊Stanley模型的农机全田块路径跟踪算法研究

为实现农业机械全田块高效自主作业,提出一种增益系数自适应的Stanley模型路径跟踪算法。以横向偏差和航向偏差为输入变量构建隶属度函数,设计模糊推理和解模糊化过程实时确定控制模型增益系数,提高Stanley模型对不同曲率路径的自适应能力。为验证所提算法有效性,以移动小车为平台开展联合收获机回字形全田块自主作业路径跟踪试验,结果表明所提算法显著改善Stanley模型路径跟踪精度,直线作业速度2.5m/s、转弯速度1m/s时,直线段和曲线段最大跟踪误差均小于3cm。大初始横向偏差路径跟踪试验表明,模糊Stanley模型较Stanley模型大幅度减小路径跟踪上线距离,满足农业机械全田块高效自动导航作业要求。     

拖拉机队列自动控制系统

为了提高拖拉机田间作业效率,开发了拖拉机队列自动控制系统.建立了拖拉机队列模型,设计了队列控制方法.首先应用三阶样条曲线拟合先行拖拉机的行驶位置点,动态生成跟踪拖拉机的参考路径.然后设计了最优路径跟踪器,用来引导跟踪拖拉机沿着参考路径行驶.在平坦的草地上进行了拖拉机队列的自动控制试验,试验结果表明,跟踪拖拉机能够成功沿着先行拖拉机的轨迹行驶,横向偏差的平均值和均方根值分别小于0.015 m和0.079m.     

基于非线性模型的农用车路径跟踪控制器设计与试验

为提高农用车辆路径跟踪性能,提出一种基于非线性模型预测的路径跟踪控制方法。该方法将路径跟踪问题转换为求解满足速度、转角约束的最优值问题。首先将农用车的非线性运动学模型进行离散化推出递推模型,作为控制器的预测方程;然后建立以农用车运动学模型控制量为状态量的目标函数,设计各个变量的约束条件,把预测方程代入目标函数将其转化为基于递推序列的二次规划法响应问题,在此基础上进行梯度计算解决非线性的约束优化;最后,利用实时反馈与滚动优化实现控制器的闭环校正;重复以上过程,完成预测控制。Matlab仿真结果表明:非线性模型预测控制器能够实现对所设计路径的有效跟踪。相对应的场地试验结果表明:试验小车以2 m/s的速度跟踪参考路径时,最大横向偏差为-4.28 cm;3 m/s跟踪参考路径时,最大纵向偏差为-6.61 cm,可以满足农用车辆对于路径跟踪的精度要求。与线性模型预测控制器的对比试验表明:以3 m/s的速度跟踪圆形路径时,设计的控制器跟踪横向偏差降低了36.8%,纵向偏差降低了32.98%。     

温室环境监测机器人路径跟踪算法与试验

为了实现温室环境与作物信息的采集与监测,设计了可实现环境全方位移动监测的机器人。以机器人为研究对象,通过对机器人结构分析,建立了运动学模型;提出了基于航向角误差算法的路径跟踪控制方法,以实现对机器人转向和速度控制,使其按照期望路径运动,达到路径跟踪目的。仿真结果表明:所提出的路径跟踪控制算法,能使机器人较稳定快速地收敛于期望路径。试验结果表明:当机器人跟踪稳定后,直线路径跟踪横向误差范围为±8mm,圆弧路径跟踪横向误差范围为±11mm。本研究可为温室环境监测机器人路径跟踪控制提供参考。     

基于履带式联合收获机转向特性的局部跟踪路径规划

为降低履带式联合收获机导航路径跟踪转向控制频率和提高控制系统的稳定性,提出了一种预瞄-切线局部跟踪路径动态规划算法。规划的局部跟踪路径由平滑连接的两段弧线组成,第1段圆弧由收获机当前位姿与1/2横向偏差线上的预瞄点确定,第2段圆弧由收获机在1/2横向偏差线的实际位姿与期望路径的几何关系确定;基于收获机实际转向运动特性建立了相适应的转向控制模型,左转、右转控制模型拟合的决定系数R2分别为0.978、0.980。田间直线导航跟踪对比试验表明：当前进速度为0.4、0.8m/s时,横向偏差的标准差分别为0.0489、0.0507m,航向偏差的标准差分别为3.94°、4.66°,转向控制次数分别为19、12次;与传统纯追踪算法相比,横向偏差的标准差分别减小19.04%、31.30%,航向偏差的标准差分别减小25.94%、9.16%,转向控制次数分别减少47.22%、42.86%。本研究可为履带式农机车辆导航控制器设计提供参考。     

扰动下农用运输车辆路径跟踪控制器设计与试验

为提高农用运输车辆路径跟踪的鲁棒稳定性,基于线性模型预测控制结合农用运输车辆特点设计了路径跟踪控制器。该方法首先将农用运输车辆的运动学模型进行离散化求解,推出误差模型作为控制器预测方程,为使农用运输车能够克服在田间行驶时的各种干扰,通过构建李雅普诺夫函数重点分析了该模型的鲁棒稳定性,得到控制周期约束条件,然后建立目标函数并引入松弛因子,最后把预测模型代入目标函数进行优化求解,重复以上过程,实现优化控制。Matlab仿真表明：当前轮转角扰动不大于15°及横向扰动不大于1.5m时,控制器可以迅速起到调节作用,使车辆快速回到参考轨迹上行驶。对应的场地试验结果表明：试验小车以2m/s的速度跟踪参考路径时,直线路段跟踪效果良好,最大横向偏差为10.57cm,均值为8.49cm;添加扰动路段的跟踪偏差较大,最大横向偏差为23.89cm,最大纵向偏差为62.53cm,但在控制器的控制作用下可以实现对路径的有效跟踪。由此可见,该控制器在速度小于等于2m/s的情况下,可以满足农用运输车辆对路径跟踪的精度与鲁棒稳定性要求。     

无人驾驶导航控制系统设计

针对国内无人驾驶拖拉机导航控制系统的控制精度问题,设计了一种基于GPS/BDS定位系统的横向偏差跟踪算法和PID控制方式的复合导航控制算法。首先介绍了拖拉机无人驾驶系统的组成原理;其次介绍了导航控制系统算法的组成同时对拖拉机进行运动学建模,并采用横向偏差跟踪算法和PID控制方式的复合导航控制算法设计拖拉机无人驾驶导航控制器;最后仿真结果表明,该算法具有较好的横向误差控制精度,能够有效提高无人驾驶拖拉机的工作效率。     

基于运动特性的农机导航控制方法

农业机械（农机）运动学模型的精度影响导航控制精度和稳定性,为提高农机路径跟踪控制器精度,提出了一种基于运动特性的农机导航控制器设计方法。该方法主要是对传统二轮车运动学模型建模方法进行改进,针对传统二轮车模型小角度近似替代（方向角等于横摆角）的缺点,采用加入侧偏角的方法优化农机运动学建模过程。采用相同的控制方法（状态反馈控制）和不同的运动学模型设计控制器进行对照实验。直线路径跟踪时,侧偏角对模型精度影响较小,引入侧偏角可以在一定程度上影响农机的跟踪精度;曲线路径跟踪时,侧偏角对方向角的变化影响较大,可以大幅影响路径跟踪精度。以安装有自动导航设备的拖拉机为实验平台进行实地实验,结果表明：直线行驶的最大横向误差平均值为0.0454m,绝对平均误差平均值为0.0149m,标准差平均值为0.0119m;曲线行驶的最大横向误差平均值为0.1613m,绝对平均误差平均值为0.0688m,标准差平均值为0.0434m;基于本文提出的优化模型设计的路径跟踪控制器对直线路径跟踪有一定提升,对曲线跟踪精度有大幅提升。     

基于变前视距离的四轮同步转向农机改进纯跟踪控制

路径跟踪控制是提高自主导航系统控制精度的关键。针对在复杂农田作业环境下转弯时纯跟踪算法跟踪精度不高的问题,本文提出了一种基于改进纯追踪模型的四轮同步转向农机路径跟踪控制算法。建立了基于四轮同步转向农机的运动学模型和纯跟踪模型,在此基础上考虑航向误差得到改进纯跟踪模型,进行RTK定位坐标修正,根据量化误差的评价函数搜索前视区域最优目标点,得到最优前视距离。本文算法能实时确定四轮同步转向农机改进纯跟踪模型中的前视距离,使航向误差和横向误差最小化,实现目标点的自适应优化。仿真结果表明,本文方法转弯时平均绝对横向误差减至0.035m,平均绝对航向误差减至0.212°;水田实验结果表明,当四轮同步转向农机作业速度为3.6km/h时,四轮转向农机轨迹跟踪平均绝对横向误差减至0.109m,平均绝对航向误差减至2.799°,转弯跟踪精度显著提高。     

拖拉机自动驾驶转向轮角检测方法

以雷沃M904-D型轮式拖拉机为研究平台,采用WYH-3型无触点角度传感器,研究了轮式拖拉机转向轮角的标定和检测方法。介绍了拖拉机转向轮角度传感器的安装方法;采用带标度的转盘标定了角度传感器与拖拉机转向轮角之间的关系,标定结果表明,两者线性关系显著,相关系数超过0. 99。对轮角测试中存在的误差进行分析,提出基于最小二乘原理的转向轮角零位偏差估计方法,以估计车轮相对零位偏差。路径跟踪试验结果表明,其横向跟踪偏差的绝对值极值为2. 74 cm,偏差绝对值的平均值为0. 49 cm,标准差为0. 58 cm。提出的轮式拖拉机转向轮角测量模型在路径跟踪控制应用中表现出较好的效果,验证了转向轮角测试方案的可行性与准确性。