自适应移动转向多功能园林修剪机械设计

为了提高园林修剪机械定位导航精度和自适应转向能力,提出了一种基于激光传感器的自适应移动转向导航系统,使园林修剪机械的导航系统具有了激光测距和障碍物特征扫描功能,大大提高了导航的精度和自动化程度。在自主导航路径规划和避障时,该套导航系统可以利用激光测距得到障碍物的实际距离,利用激光扫描得到的扫描亮度预测障碍物的尺寸,然后利用PC机的预设地图对修剪机当前位置进行预测和定位,并发出移动和转向控制指令,从而准确地实现导航功能。园林作业环境下试验发现,修剪机可以成功地对作业环境进行扫描,并通过自主避障和换行测试证明了激光传感器自适应移动和转向方法,对园林修剪机械的自主避障有着较好精确性和稳定性,达到了期望的要求。     

基于机器视觉的农业机械避障导航算法研究

【目的】机器视觉技术已经成为一种重要的农业机械导航线路提取技术,但农业机械避障导航的自动提取容易受到自然条件的影响,其实时性要求还需进一步改进。【方法】笔者提出了一种基于机器视觉的农业机械避障导航算法,首先,利用改进之后的避障导航算法对CCD提取的彩色农田图像进行灰度化处理,呈现出图像信息;其次,利用改进之后的Otsu算法对避障系统获取的图像信息进行分割,得出新的图像,再利用滤波、腐蚀、膨胀等算法模式去除避障中的不良信息;最后,在避障信息的基础上提取出针对性的骨架,再对导航进行模拟,计算得出最后的偏差,并采用速度分别为0.5 m/s、1.0m/s的慢速实验对田间农作物中的障碍物进行检测。【结果】仿真结果表明,笔者提出的障碍物探测方法能够在不同的车速情况下,对障碍物的方向和形状进行精确识别,具有很好的适用性。【结论】1）基于机器视觉的农业机械避障导航算法能够较好地克服农业种植过程中出现的障碍物干扰,准确地提取出农田中的作物行驶方向和距离,并为以后的处理打下了良好的基础。2）目前对于障碍物的检测只考虑了静态障碍物和离航向最近的障碍物为有效障碍物的情况,在后续的研究中应对田间多障碍、动态障碍...     

基于深度图像和神经网络的拖拉机识别与定位方法

针对多机协同导航作业中本机前方的拖拉机识别精度低、相对定位困难,难以保障自主作业安全的问题,提出了一种基于深度图像和神经网络的拖拉机识别与定位方法。该方法通过建立YOLO-ZED神经网络识别模型,识别并提取拖拉机特征;运用双目定位原理计算拖拉机相对本机的空间位置坐标。对拖拉机进行定点识别与定位试验,分别沿着拖拉机纵向、宽度方向和S形曲线方向测量拖拉机的识别与定位结果。试验结果表明：本文方法能够在3~10m景深范围内快速、准确地识别并定位拖拉机的空间位置,平均识别定位速度为19f/s;在相机景深方向和宽度方向定位拖拉机的最大绝对误差分别为0.720m和0.090m,最大相对误差分别为7.48%和8.00%,标准差均小于0.030m,能够满足多机协同导航作业对拖拉机目标识别的精度和速度要求。     

大数据分析在智能采摘机器人路径规划中的应用

为了实现机器人在果园中的自主运动,基于大数据融合,对激光测距传感器、CCD摄像机和电子罗盘等传感器采集的数据进行分析,确定当前机器人位置与航向。在果园中预先设定机器人行走路线,安装数码管地标牌,地标牌坐标已知;电子罗盘用于确定机器人航向角;CCD摄像头拍摄地标牌图像,采用图像灰度化、图像分割、图像腐蚀及图像细化的方法提取表示牌上数码管图像数据。采用模糊控制方法识别地标牌上数码管数字,CCD摄像头同时扫描行进前方是否有障碍物。激光测距传感器完成两个任务:①检测距离地标牌距离和方向角,通过标识牌坐标计算机器人当前位置与航向角;②检测与障碍物间距离,当小于1m时启动避障系统。实际测试表明:系统依托多种传感器,对果园环境感知能力强,具有较高的路径规划能力。     

基于Arduino智能小车避障系统设计

感知，规划、决策、控制是自动驾驶车辆的核心控制问题，而智能小车自动避障系统设计是自动驾驶控制的基础。文章基于超声波雷达传感器感知、Arduino UNO R3开发板以及避障程序等设计智能小车避障系统来控制小车的避障运动，并在无障碍物、前方纸盒障碍物、3面纸盒障碍物3种工况下验证了该避障系统的有效性。     

农业机器人避障算法的研究

为了保证农业自主移动机器人能够在非结构的农田环境下灵活自主的行走,一个关键的技术就是能够准确地判断农田中障碍物的方位以及机器人与障碍物之间的相对位置,从而选择正确的路径。为此,提出了一种距离传感器结合图像边缘检测技术的避障算法,通过超声波测距传感器与PSD(位置敏感传感器)红外测距传感器对农田中的障碍物进行检测,利用CCD摄像头采集机器人所处农田环境中的图像信息并在Linux系统中利用OpenCV函数库进行图像处理,得到图像的边缘信息,从而判断出可行的路径。     

轮式AGV沿葡萄园垄道行驶避障导航算法与模拟试验

针对轮式AGV沿葡萄园垄道循迹受到障碍物阻碍的问题,应用滚动优化原理提出了基于超声波测距与航向角检测的AGV防碰避障导航算法。采用交叉布置的8路超声波传感器检测垄道边界与障碍物,提出了同一障碍物匹配与类型判据及动态障碍物轨迹预测模型。以AGV横向位置偏差和航向偏角作为模糊控制器输入,获得AGV前轮期望导向角,为AGV绕行障碍物提供参考航向角。基于滚动优化原理提出了调节绕行偏角和调节车速的避障导航策略,设计了AGV绕行静态障碍物、减速或停车避让动态障碍物的导航算法。试验系统的上位机采用Lab VIEW开发的避障导航算法程序,实时将导航数据发送到下位机PLC来控制AGV转向。模拟试验结果表明,该导航算法实现AGV沿垄道预设路径纠偏行驶的同时,可导引AGV避免与垄道上的障碍物发生碰撞,验证了防碰避障导航算法的有效性,可为无人化轮式拖拉机等前轮导向车辆沿垄道循迹的防碰预警与避障技术提供参考。     

拖拉机电液与电机两种自动转向方式对比试验

以约翰迪尔904型拖拉机为载体,搭建拖拉机自动导航试验平台,测试分析了电液驱动式和电机驱动式两种转向装置的控制效果。在水泥路面空载、农田地块空载、农田地块旋耕作业3种条件下,电机驱动式自动导航系统的精度比电液驱动式自动导航系统的精度分别高0.169、0.187、0.233cm,电机驱动式自动导航系统的稳定性比电液驱动式自动导航系统的稳定性分别高0.107、0.178、0.099cm。可见,在相同条件下,电机驱动式转向装置在控制精度和工作稳定性方面效果略好。     

基于深度学习的农用无人机自主避障研究

针对目前农用植保无人机(UAV)自主避障能力弱及避障系统繁琐等问题,提出了一种适用于植保无人机的基于深度学习的端到端自主避障方式。利用植保无人机挂载的双目相机实时采集图像,当检测到障碍物与植保无人机距离≤5m时,自主避障系统启动,将采集图像预处理后输入卷积神经网络,输出姿态角与油门量控制无人机自主飞行与避障,同时卷积神经网络通过手动飞行采集信息进行训练。实验结果表明:该方法能使植保无人机对农田常见障碍物房屋、树木、电线杆等做出自主避障,且模型具有一定的泛化能力,适当训练后,可将此避障方式应用于复杂环境下的植保无人机自主避障。     

拖拉机自动驾驶及控制技术

为实现拖拉机的自动驾驶和智能控制,满足国内大型机具对动力机械的需求,从智能导航、自动驾驶与操控协同、数据采集及监控自检、智能系统集成等方面开展模块化开发,实现了拖拉机自动行走、自动调头、自动避障、路径智能规划以及智能决策等生产作业功能,且能满足拖拉机复合农田作业的需求。      

基于DSP信号实时编码的采摘机器人避障控制研究

为了提高采摘机器人成功避障的性能,在采摘机器人机器视觉技术中引入了DSP实时编码技术,通过对成熟果蔬图像和视频的实时编码,获取果蔬位置和障碍物位置,达到成功避障的目的。根据机器人视频采集驱动的软件架构,对采集驱动进行了改造,在不增加前端外设的前提下实现了主动降帧,并根据DSP芯片的特点,对实时编码器进行了优化设计,大大提高了高分辨率图像实时编码的速率。最后,对机器人的距离位置测量和避障功能进行了测试,通过测试发现:在1.20~2.00m的距离范围内,测量的距离和实际距离的最大偏差不超过0.03m,6组避障测试中机器人成功避障的概率较高,其中最低也达到了97.28%,符合设计的要求。     

基于MEMS陀螺仪的农机转向轮角测量方法

针对传统连杆式轮角传感器安装困难,提出双MEMS陀螺仪轮角测量方法测量农机转向轮角。设计Kalman滤波器消除陀螺仪零偏、随机漂移和角度积分累积误差,实时反馈校正轮角测量值,实现农机转向轮角的精准测量。验证试验结果表明Kalman滤波器的校正效果良好,双MEMS陀螺仪测量转向轮角方法可行。对比试验结果表明,该方法转向轮角测量精度与传统轮角传感器测量精度相当,2.5 m和1.5 m上线距离均方根误差分别为0.26°和0.21°;动态响应性能略逊于传统角度传感器性能,分别采用本文方法和轮角传感器进行导航,拖拉机偏离目标航线2.5 m时上线时间分别为17.9 s和15 s,偏离目标航线1.5 m时上线时间分别为16.2 s和14.2 s。两组试验结果表明,本文提出的双MEMS陀螺仪转向轮角测量方法具有较好的测量精度,适用于农机转向轮角测量,满足导航作业的需求,能够替代传统的连杆式绝对轮角传感器。     

障碍物分类识别的果园机器人避障方法研究

针对果园环境复杂,障碍物种类繁多,传统动力无法有效进入作业的情况,提出一种基于障碍物分类识别的果园机器人自主避障方法。首先对果园中存在的障碍物进行识别分类,然后针对不同种类的障碍物采用不同的避障方法来完成避障动作。通过搭建基于ROS的避障试验台,对果园机器人上搭载的视觉传感器和激光雷达传感器进行标定,在ROS功能包中植入避障算法,然后进行验证。试验结果表明:在同等条件下,相比传统的避障方法,本文的方法避绕圆形障碍物时用时少1.7 s,所用路程少0.31 m,具有一定的优势;而在避绕不规则障碍物时,本文的方法虽然所用时间和路程比传统方法分别多1.7 s和0.41 m,但机器人能够更加贴近障碍物进行避障,对林下中耕施肥和除草等作业有很大帮助,具有很好的实际应用价值。     

一种多传感器融合的园艺移动平台导航系统

提出了一套基于多传感器融合的自主导航系统,利用摄像头采集环境图像,通过北斗/GPS模块获取小车的姿态信息,采用超声波和红外传感器判断障碍物;通过设计基于特征提取与识别、多源信息融合的自主导航控制和避障算法,实现了园艺作业机器人平台的自主导航控制。该系统的研究为各类设施园艺机器人的研究和功能提升提供了参考,具有一定的借鉴价值。     

基于单目视觉的采摘机器人障碍物检测和路径规划

具有自主作业能力的采摘机器人一直是国际上研究的热点,而障碍物检测躲避能力是其重要的功能,因为在机器人识别作业区域或成熟果实后需要自主的定位和移动。为此,提出了一种基于单目视觉和人工势能场的障碍物检测和避障算法,可以有效采集和检测障碍物的信息,再依据障碍物及目标区域的距离使用人工势能场方法对路径进行优化,实现采摘机器人的自主移动。为了验证障碍物检测和避障方案的可行性,模拟采摘机器人作业环境和自主移动流程,对采摘机器人避障行为进行了测试。测试结果表明:采用单目视觉和人工势场方法可以使机器人成功的避障,并规划出效率最高的到达目标作业区域路径,对采摘机器人自主导航技术的研究具有重要的意义。     

基于模糊神经网络的智能车辆避障方法研究

基于Takagi-Sugeno(T-S)模型的模糊神经网络兼具有模糊逻辑推理能力和自学习训练的优点。将基于T-S模型的模糊神经网络的信息融合算法应用于智能车辆的安全避障控制中,提高了车辆的避障控制精度。采用多个超声波和红外测距传感器探测障碍物的方位,信息经过模糊神经网络控制器融合后,实现了智能小车对障碍物和环境类型的识别以及安全避障控制。通过MATLAB仿真实验验证此方法能够使智能小车安全避障。     

基于树莓派的自动避障小车的设计与实现

本项目以设计一款自动避障小车为目的,以树莓派主板为开发平台,选择各通用的电子元件和模块,以此来实现小车自动导航、自动避让障碍物等功能.自动避障小车具有用途广泛、可扩展性强等特点,可以根据需求来添加所需要的功能,市场应用推广前景广阔.     

基于传感器的变量施肥机定位方法

简述了一种应用传感器代替GPS的变量施肥机定位方法。控制器读取传感器的脉冲信号,计算施肥机的行走距离,由自动网格识别算法实现施肥机自动网格识别。本文给出了传感器测距累积误差校正方法以提高定位精度。对于垄长为40m的网格,要使定位误差小于6%,累积误差应小于2.4m。实验结果表明,经过校正,拖拉机行走距离为250 m的时候,光电编码器和接近开关传感器测距累积误差分别为2.32 m和2.34 m(定位误差小于6%)。如果在此定位误差条件下,增加操作单元垄长方向划分的距离,可满足更长地块作业的定位要求。     

基于双目视觉的作物苗期障碍物三维信息检测方法

农业智能装备在实际农田环境中行进或作业的过程中需要感知多变环境下的各种障碍物。为此,基于双目视觉,开展了作物苗期农田障碍物三维信息检测方法研究,提出了一种基于特征的障碍物检测算法。首先,利用边缘检测算法去除天空背景,提取出障碍物潜在区域的上边界线,利用超绿特征颜色变换去除绿色作物苗期农田背景,提取下边界线;然后,通过阈值分割算法提取障碍物目标区域;最后,通过重心特征点立体匹配来获取视差值,结合MatLab标定获取的相机内外参数进行三维重建,计算障碍物的距离、宽度和高度三维信息。田间试验结果表明:该算法可以正确提取出障碍物目标区域,障碍物距离、宽度和高度检测的平均相对误差分别为4.7%、5.79%和1.78%,能够满足农业智能装备田间障碍物检测的需求,具有较好的可靠性。     

基于EKF的农机智能体自主导航算法研究

为获得更加准确、全面、实时的农田障碍物信息,提高农业机械智能体自主导航定位的精度,提出一种基于北斗系统和视觉导航的组合定位方法。针对农田环境,选择BDS、视觉CCD为外部传感器,设计一种基于扩展卡尔曼滤波器(EKF)的数据融合算法,该算法融合了BDS和视觉传感器数据,实时定位农机智能体的位置。系统通过对导航角度和行驶进度进行跟踪,完成绝对定位。通过机器视觉图像处理,获取导航基准和作业目标信息,完成相对定位。通过试验验证该算法的有效性,并通过卡尔曼滤波算法(KF)的成果进行对比分析。结果表明：滤波后的路径更平滑,抖动偏差减小,坐标数据比KF滤波结果更稳定、更平滑。此外,距离的平均误差可以从滤波前的0.119 5 m降低到滤波后的0.07 0 m,有效地降低了过程噪声。且位置偏差在±0.1 m以内,精度较高,提升了农机智能体自主导航的定位精度。