中国大田无人农场关键技术研究与建设实践

智慧农业是现代农业的发展方向，无人农场是实现智慧农业的重要途径。为了探索和推广无人农场在现代农业中的应用，华南农业大学对大田无人农场的关键技术进行了深入研究，包括无人农场作业环境、作业对象和作业机械装备信息的数字化感知技术；土地整治、耕整、种植、播种、田间管理和收获方案的智能化决策技术；农机自动导航和农机精准作业的精准化作业技术；农作物生长、农机运维和农场经营管理的智慧化管理技术。2020年在广东增城创建全球首个水稻无人农场，实现了五大功能，包括耕种管收生产环节全覆盖，机库田间转移作业全自动，自动避障异况停车保安全，作物生产过程实时全监控，智能决策精准作业全无人。取得了显著的经济、社会和生态效益，2021 年广东增城水稻无人农场种植的优质丝苗米十九香产量达到9934.35 kg/hm²，比当地的平均产量高32%；2023年湖南益阳千山红镇再生稻无人农场两季产量达到18625.5 kg/hm²，说明了人不下田也能种地，也能种好地。截至2023年11月，在国内15个省启动了 30 个无人农场的建设，包括水稻、小麦、玉米和花生4种作物，实践结果证明了无人农场和智慧农业发展的巨大潜力，为解决“谁来种地”和“如何种地”提供了重要途径。     

田间作业车辆外部加速度辨识与姿态测量系统研制

复杂田间作业环境与精细作业效果要求农机装备具备实时精准感知农机具姿态的能力,田间作业时普遍存在的车辆外部加速度对此带来挑战。为进一步提高农机装备作业质量,该文以6轴微惯性传感器为硬件传感器,以方向余弦矩阵法进行姿态解算,基于一阶外部加速度模型设计卡尔曼滤波融合算法,实现动态情况下田间作业车辆外部加速度辨识与姿态精准估计。分别采用Innova 2100型摇床与装配有MTi300航向姿态参考模块的高地隙喷雾机对系统进行试验验证。摇床试验结果表明:在外部加速度小于10g情况下,系统对外部加速度辨识误差小于0.214 m/s2;田间作业高地隙喷雾机试验结果表明,相比于MTi300,横滚角最大误差为0.23?,俯仰角最大误差为0.39?。说明该文研制姿态测量系统可准确辨识外部加速度与测量姿态,研究结果可为满足精细农业作业要求的姿态测量系统研发提供依据。     

农机具姿态倾角测量系统设计与试验

农机具姿态倾角测量技术是实现农机装备精准作业的关键技术之一。为进一步提高农机装备作业质量,以ADIS16445微惯性MEMS传感器和STM32F446核心处理器搭建硬件平台,以欧拉角法解算姿态,建立卡尔曼滤波模型融合加速度计与陀螺仪信息,实现农机具姿态倾角的精准测量。融合算法模型考虑陀螺仪零偏特性,并根据MEMS微传感器运动特性,自适应模型误差协方差矩阵Q与R,适应不同工况下农机具姿态倾角测量。采用SGT320E三轴多功能转台与BD982双天线定位测姿模块对系统进行测试与验证。三轴多功能转台试验结果表明,ADIS16445内置陀螺仪与加速度计性能合格,满足系统设计硬件要求;卡尔曼滤波融合模型精准有效,倾角静态测量误差精度为0.15°,动态测量精度典型值为0.3°,最大测量误差为0.5°。田间作业试验结果表明,自适应模型能保证农机具姿态倾角测量系统在不同工况下的测量精度,更稳定可靠,测量平均误差为0.55°。该文研究的农机具姿态倾角测量系统可满足农机装备精准作业要求。     

基于AutoTrac的导航控制参数整定方法试验

AutoTrac是领先的农业机械导航系统。田间作业环境的复杂与精细作业效果,要求人工经验实时调整转向灵敏度等最多9个导航控制参数。基于Taguchi法则设计正交试验整定AutoTrac关键灵敏度参数,并在约翰迪尔XUV825i全地形车上进行验证。在不同速度、土壤条件下进行RTK差分信号直线轨迹模式试验,先粗调后细调,建立行驶振荡与稳态横向偏差均方根误差两个指标整定稳态转向灵敏度、横向误差调整灵敏度和方向误差调整灵敏度优化区间。试验表明:速度、土壤条件的不同会明显影响系统稳态运行;该方法可在较少试验次数下整定关键导航控制参数,且所得参数优化区间经验证具有较强的鲁棒性与通用性。该文为导航控制参数自适应调节系统研制打下基础,可推广运用至其他导航系统。     

3D LiDAR感知的植物行信息提取方法与试验

目的 针对林间或冠层下等卫星信号严重遮挡的区域，提出一种面向农业机器人导航环境感知的低成本3D激光雷达(LiDAR)点云信息处理与植物行估计方法。方法 利用直通滤波器滤除感兴趣区域外的目标无关点；提出均值漂移聚类、扫描区域自适应的方法分割每棵植物主干，垂直投影主干点云估算中心点；利用最小二乘法拟合主干中心，估计植物行。分别在开阔地的仿真果园与水杉树林进行模拟试验与田间试验，以植物行向量与正东方夹角为指标，计算本研究提出的方法识别的植物行信息与GNSS卫星天线定位测得的植物行真值间的角度误差。结果 采用提出的3D LiDAR点云信息处理与植物行估计方法，模拟试验和田间试验对植物行识别误差平均值分别为0.79°和1.48°，最小值分别为0.12°和0.88°，最大值分别为1.49°和2.33°。结论 车载3D LiDAR能够有效估计水杉树植物行。该研究丰富了作物识别思路与方法，为无卫星信号覆盖区域的农业机器人无图导航提供了理论依据。