基于干扰观测器的直播机路径跟踪快速终端滑模控制

针对农田中存在不确定性干扰时,会导致建立的无人水稻直播机运动学模型精确度不高,从而使路径跟踪收敛时间长,跟踪效果较差等问题,提出由直播机运动学模型建立相应的非线性干扰观测器从而实现对不确定性复合干扰的精确观测。将观测到的干扰值补偿到运动学模型中以提高模型的精度,降低滑模控制的抖振。为了控制直播机沿指定路径作业并提高路径跟踪收敛时间,设计了一种快速终端滑模控制算法。基于李雅普诺夫判据检验了算法闭环系统的稳定性。使用Matlab/Simulink建立了农机运动学仿真模型,仿真结果表明,非线性干扰观测器能精确观测出系统的不确定性干扰。与不带干扰观测器的滑模控制算法相比,本文控制算法可有效减少收敛时间,抑制干扰带来的抖振。无人直播机水田作业实验表明,采用本文所提出的算法以1.2m/s的速度高效作业时,横向平均绝对偏差为0.0247m,均方差为0.0311m。并且转弯收敛速度快,无超调,路径跟踪精度满足实际作业要求。     

水田植保机自主作业滑模抗干扰路径跟踪方法

为解决无人化水田植保机在田间作业时上线速度慢、精度不高和抗干扰能力差的问题,提出了一种基于快速幂次趋近律和全局滑模控制的水田植保机路径跟踪控制方法。首先建立了含有滑移干扰项和航向角干扰项的水田植保机四轮异相位转向运动学模型,提出了一种基于全局滑模控制和快速幂次趋近律的直线作业跟踪转向控制算法,解决了滑模控制算法的抖振和趋近模态对干扰敏感的问题,使用Lyapunov判据检验了算法的收敛性。使用Matlab建立了仿真模型,对算法进行了仿真,相比基于指数趋近律和等速趋近律的滑模控制算法,本文算法的快速性更好。实际作业实验结果表明,该方法直线跟踪横向偏差绝对值最大为0.0778m,能够有效提高自主导航控制系统的稳定性和快速性。     

基于双目视觉的种植前期农田边界距离检测方法

针对目前基于全球导航卫星系统技术的农机自动驾驶地头转弯方法的局限性,提出了基于双目视觉的农田田埂边界的识别和测距方法,对具体方法的可行性、适用性及约束条件进行了分析。针对光照变化大、重复纹理多的农田环境,双目立体匹配的代价计算步骤采用了Census变换和截断梯度融合的方法、代价聚合步骤采用了多尺度代价合并的分割树算法,可快速得到良好的视差图。针对农田地面不平坦及作物生长高度不均的实际情况,对视差图构建的三维点云进行了自适应阈值点云提取和干扰消除等操作,实现了田埂边界的识别。另外,根据农田信息,对计算的平均边界距离进行了校正。实验表明,此算法可以实现早期作业农田的边界距离检测,对前方5～10 m的田埂识别率达到99%,测距精度随着检测距离的减小而提高,5 m时的测距误差约0.075 m。在NVIDIA Jetson TX2硬件平台上,算法运行时间约0.8 s,对于行驶速度小于1.5 m/s的农机可满足作业的实时性要求。     

农业装备智能控制技术研究现状与发展趋势分析

智能控制是农业装备实现智能化的关键核心技术。从农业装备智能感知、智能控制、智能决策、自主作业、智能管控五方面阐述分析了国内外智能农机的发展现状,着重阐述了约翰迪尔、凯斯、科乐收、爱科等国际农机企业在农机智能控制方面的最新技术进展,分析了我国智能农机与国外的差距,指出了制约我国农机智能控制发展的关键问题。为实现我国从农机制造大国向农机制造强国的转变,融合大数据、云计算、物联网、人工智能等信息领域的前沿技术,提出了"智能在端、智慧在云、管控在屏"的智能农机系统发展新思路,指明现场控制智能化、云端决策智慧化、监控调度移动终端化是未来智能农机的发展方向。