拖拉机自动导航变曲度路径跟踪控制

针对当前拖拉机自动导航曲线跟踪控制精度不能满足生产需要的问题,该研究提出一种基于前轮转角前馈补偿策略的变曲度路径跟踪控制方法。综合考虑农机作业速度和目标路径曲度对前视距离的影响,通过调整前视区域和计算预瞄点,动态调整前视距离和前轮转角前馈量,在追踪预瞄点的过程中,利用农机与目标路径偏差设计变曲度路径跟踪模糊控制器,通过实时调整拖拉机前轮转角补偿量减小稳态误差。以DF2204无级变速拖拉机为试验平台,设计并研发了自动导航系统,开展21组变曲度路径跟踪控制试验。试验结果表明,拖拉机以1、1.5、2和3 m/s速度行驶时的平均绝对误差的平均值分别为2.7、2.7、3.3和4.0 cm,均方根误差的平均值分别为3.4、3.7、4.6和5.0 cm,满足农业生产需求。所提方法可有效提高农机曲线路径跟踪精度,减少漏耕,提高农田利用率。     

基于多元振荡黏菌算法的田路分割模型参数优化方法

田路分割是农机轨迹语义分割模型的重要任务之一,其目的是将轨迹自动分割为田间作业轨迹和道路行驶轨迹。该文选用基于方向分布的田路分割模型（Field-Road Trajectory Segmentation Based On Direction Distribution,BDFRTS）,田路分割模型的参数是影响其分割准确性及精度的关键因素,传统的参数选择方法效率较低且难以获得较好的方案,限制了模型的分割性能。因此,该文尝试从参数优化的角度研究模型的性能提升,提出的方法主要包括两个方面,首先建立了一种基于元启发式算法（Metaheuristic Algorithms,MA）的田路分割模型参数优化解决方案;其次,在黏菌算法（Slime Mould Algorithm,SMA）的基础上提出了一种改进的多元振荡黏菌算法（Multiplex Oscillation Slime Mould Algorithm,MOSMA）求解参数优化方案以更好地提高模型的分割性能。MOSMA分别提出一种动态引导策略与多元振荡策略强化了黏菌的振荡收缩反应及细胞质的流动过程,进而增强了算法的优化能力。为验证所提参数优化方法的有效性,将博创联动提供的中国农机在2021年9月底-10月中下旬进行水稻收割的作业轨迹作为数据集开展试验。试验结果表明,该文所提方法有效地提升了田路分割模型的准确性和性能。MOSMA-BDFRTS分割模型在10组高密度轨迹中的平均准确率相比网格搜索田路分割模型,粒子群田路分割模型分别提高了25和28个百分点;在10组低密度轨迹中分割的平均准确率分别提高了17和14个百分点。该研究可为田路分割技术提供合理的性能优化方案,也为农业机械运动轨迹分割技术的效率研究提供参考依据。     

无人驾驶农机自主作业路径规划方法

针对无人驾驶农机自主作业的应用需求,该研究设计了一种基于区块套行作业模式的路径规划方法,以生成含有速度指令和机具状态指令的可执行路径,重点解决田内作业的四边形地块适应性、无人驾驶农机适应性和农田作业路径完整规划等问题。该方法由农田信息处理模块和路径规划模块组成,农田信息处理模块将测绘产生的地块轮廓数据和障碍物数据处理为便于运算的地块轮廓点数据和障碍物轮廓点数据形式,然后由路径规划模块利用用户输入的作业方向、作业幅宽、转弯半径和起始方位等作业参数,经过作业梯形区生成、掉头区与作业区划分、作业条带分割、障碍物条带处理、作业条带路由、掉头路径生成和最终指令路径生成等子模块,最终生成无人驾驶农机的指令路径。仿真试验结果表明,相对于相邻法,该方法的作业面积比及作业路程比分别提升了10.0%和8.8%。播种作业田间试验结果表明,无人驾驶农机自主作业的横向偏差的均值和标准差分别为左偏0.002和0.027m,满足作业要求。研究结果表明,该研究提出的方法适应不同的四边形农田和障碍物,可以结合不同的作业参数完成路径规划,能够满足无人驾驶农机自主作业的需求。     

基于北斗的农机作业大数据系统构建

针对全国范围农机作业动态监测和量化统计的应用需求,该研究通过在农业机械上安装北斗终端,制订数据传输规范,完成了基于北斗的农机作业大数据系统建设。该系统由农业机械及北斗终端、农机制造企业物联网平台和农机作业大数据管理服务平台3部分组成。系统共接入农机290 153辆。经数据清洗、轨迹分割和参数提取3个数据处理步骤,可获得农机的工作时长、行驶里程和作业面积等基本统计量。以2021年夏小麦机械化收割为例,利用该系统进行数据获取、处理和统计分析,输出收割机分布热力图和作业重心转移图,进行了收割时长、收割效率与收割面积等统计,分析了小麦主产区对跨区作业的依赖程度。麦收期间在线收割机累计35 243辆,日均18 568辆,收割时长中位数均值为8.3 h/d,收割面积中位数均值为5.5 hm2/d,约75%的小麦收割机进行了跨区作业,跨区距离中位数约为597 km。应用结果表明,农机作业大数据系统可准确开展数据处理和作业统计,可以向农业农村部门、农机制造企业、农机合作社和农机手提供作业动态监测和数据分析服务。     

基于机器学习的小麦收获机掉头轨迹识别

识别小麦收获机运行轨迹是分析农业机械活动、提高作业效率的重要手段。本文针对小麦收获机田内作业场景，提出一种基于机器学习的收获机掉头轨迹识别算法。首先通过两步K-means聚类与三步修正识别出X形掉头轨迹点、作业异常轨迹点与作业轨迹点；为进一步从作业轨迹中分类出U形掉头轨迹点，构建了基于支持向量机模型(Support vector machine, SVM)的U形掉头轨迹识别算法，并对初步识别结果进行三步修正；最终识别出小麦收获机的田内X形掉头、作业异常、U形掉头与作业轨迹点，识别结果的F1值为94%,时间间隔为1～5 s的数据的F1值在90%以上，实现田内轨迹的细致划分。基于去除掉头轨迹与异常轨迹后获得的有效作业轨迹，可通过距离算法计算获得农田面积，结果相比使用原始轨迹的计算误差可降低12.76%。该研究可为基于海量农机轨迹的作业精细化管理提供参考。