基于改进空洞卷积神经网络的丘陵山区田间道路场景识别

基于机器视觉的自主导航是智能农业机械的主要导航方式之一。丘陵山区复杂的田间道路场景,使得智能农机在田间道路上的自主导航与避障存在较大的困难。该文根据丘陵山区田间道路图像特征,将田间道路场景对象分为背景、道路、行人、植被、天空、建筑、牲畜、障碍、水塘、土壤和杆等11类,构建了基于空洞卷积神经网络的田间道路场景图像语义分割模型。该模型包括前端模块和上下文模块,前端模块为VGG-16融合空洞卷积的改进结构,上下文模块为不同膨胀系数空洞卷积层的级联,采用两阶段训练方法进行训练。利用CAFFE深度学习框架将改进的网络模型与经典的FCN-8s网络模型进行了对比测试,并进行了道路阴影的适应性测试。语义分割测试结果表明:Front-end+Large网络的统计像素准确率、类别平均准确率以及平均区域重合度都最高,而FCN-8s网络最低;Front-end+Large网络在无阴影道路训练集和有阴影道路训练集上的平均区域重合度分别为73.4%和73.2%,对阴影干扰有良好的适应性。该文实现了丘陵山区田间道路场景像素级的预测,能为智能农业机械在田间道路上基于机器视觉的自主导航和避障奠定基础。     

基于虚拟现实的拖拉机双目视觉导航试验

针对农机导航系统的传统田间试验方式受作物生长状态的约束性较强,错过适当的作物生长时期将直接导致开发周期延长、成本增加等问题,该文提出了一种基于虚拟现实技术的拖拉机双目视觉导航试验方法。该方法以拖拉机为作业机械,苗期棉花为目标作物,在虚拟现实环境下建立田间作物行场景的三维几何模型,用于模拟田间试验场景;建立虚拟现实环境下的拖拉机物理引擎,根据实车参数及试验场景信息快速、准确地解算拖拉机的动力学参数,并且根据解算所得的状态参数在虚拟试验场景中实时渲染拖拉机的位姿状态;设计路径跟踪控制器,以经过双目视觉方法识别的田间路径为目标路径,根据拖拉机当前行驶路径与目标路径的相对位置关系解算并控制拖拉机前轮转向角度。以某型拖拉机参数为实车参数,采用大小行距方式布置5行曲线形态的苗期棉花作物行场景开展虚拟导航试验。拖拉机以不大于2 m/s的车速跟踪作物行时,平均位置偏差的绝对值不大于0.072 m、位置偏差的标准差不大于0.141 m;平均航向偏差的绝对值不大于2.622°、航向偏差的标准差不大于4.462°。结果表明:该文设计的拖拉机虚拟试验系统能够在虚拟现实环境下,模拟田间作物行环境开展基于双目视觉的导航试验,可为导航控制系统的测试及改进提供理论依据和试验数据。     

基于GPS和机器视觉的组合导航定位方法

准确、可靠的位置信息是进行农业机械自动导航的前提。该文构建了一个基于GPS和机器视觉的多传感器组合导航定位系统。在此系统中,采用GPS获取导航车的绝对位置信息、航向角度和行驶速度;机器视觉通过图像处理获取导航基准线,并得到代表作物行特征的点;UKF（unscented kalman filter,无迹卡尔曼滤波）滤波器用来对上述传感器获取的信息进行滤波,并以电瓶车为平台,对滤波前后的定位效果进行对比。试验结果表明,使用UKF滤波后的定位精度和稳定性得到了改善,X方向和Y方向标准偏差分别为2.43、0.07 m,定位曲线得到了平滑,克服了使用单一传感器进行定位的弊端,能够满足自动导航系统的要求。     

基于贝塞尔曲线的动态识别区农机避障路径实时规划

为解决农机田间作业避障路径实时规划问题,该研究提出一种在动态识别区内利用三阶贝塞尔曲线实时规划农机避障路径算法。首先构建农机作业行走动态识别区,在动态识别区内利用激光雷达感知障碍物。然后利用障碍物信息计算避障路径控制点选取范围,生成满足农机最小转弯半径等多约束条件下的路径簇,同时以曲率最小为目标从路径簇中选取最优避障路径。最后进行避障路径实时规划试验。试验结果表明,本文算法规划的避障路径最大曲率和平均曲率分别为0.126和0.054 m-1;路径跟踪过程中产生的最大横向误差和平均横向误差分别为0.12和0.057 m;拖拉机到障碍物外轮廓的距离大于0.375 m。和现有算法比较,本文算法规划的避障路径最大曲率和平均曲率分别减少25.9%和42.6%,路径跟踪过程中产生的最大横向误差和平均横向误差分别减少36.8%和28.8%。研究结果可为拖拉机无人驾驶作业提供技术支撑。     

基于串行BP网络的农业机器人视觉导航控制(英）

农业机器人视觉导航系统可引导其自身在田间自主行走,为此,必须充分有效地利用导航参数。将反馈和预视参数应用于农业机器人视觉导航系统实现导航。将当前ROI窗口划分为上下区域以获取预视导航信息和当前导航信息。根据预视导航参数、当前导航参数和反馈导航参数,利用串行BP神经网络训练并调整分配神经元间的权值和阈值,确保得到正确的输出。依据串行BP网络对系统控制算法进行测试,取得了满意的结果。农业机器人实际行走路线与理想路线横坐标的最大反馈位置偏差为-0.069 m,最大预视位置偏差为-0.043 m,最大反馈角度偏差为-3.5度,最大预视角度偏差-2度。试验结果表明,该方法能获取较高精度的导航参数。     

基于多学科技术融合的智能农机控制平台研究综述

农业机械的自动化和智能化包含内容广泛,有农机定位与导航,动态路径规划,机器视觉和远程监控等,牵涉到大量的工程技术学科,包括导航、图像、模型与策略、执行器以及数据链等。农机定位与导航一般采用基于农机运动学模型结合GPS(global positioning system)/IMU(inertial measurement unit)组合导航信息,在导航路径规划算法指引下实现农机轨迹跟踪的方法。建立的农机运动学模型精度,GPS数据的连续性以及惯导器件误差系数漂移等因素都会影响该方法的有效性。路径跟踪通常采用各种现代控制理论与方法,而面对复杂的田间作业环境变化,农机的自主避障以及动态路径规划能力也会影响轨迹跟踪精度。机器视觉的稳定性和目标特征信息分离度影响着农机环境感知能力,目前目标识别主要采用hough变换,hough变换的全局检测特性决定了该算法运算量较大,需要探究改进特征提取算法。远程监控农机作业是智能农机发展的一个方向,构建无线导航,控制和视频数据传输网络有助于提高农机的智能化水平,可以采用分布式哈希表(distributed hash table)来研究网络覆盖和互联技术。该文融合多个学科,从高精度定位与导航技术、复杂环境及工况下农机运动精确自主控制技术、稳定清晰的机器视觉感知技术和基于4G网络和新一代物联网的高覆盖数据传输技术几个方面,论述了智能农机在光机电液多个学科领域内的研究现状,并指出采用北斗地基增强网络和网络RTK(real-time kinematic)技术、惯导定位误差精确建模与补偿、环境感知与自主避障、立体结构自组网技术以及多机协作是现代农业机械的发展方向。以期为现代化智能农业机械的设计提供参考。     

基于LIO-SAM建图和激光视觉融合定位的温室自主行走系统

为解决传统导航方案在温室内无法应对光照变化大、作物行间距窄、接收GPS信号差等问题,该研究提出了基于即时定位与地图构建技术的激光视觉融合式自主导航算法。该系统利用三维激光雷达VLP-16(Velodyne LiDAR,VLP-16)和惯性测量单元获取温室环境信息,采用基于紧耦合的雷达惯导定位建图（tightly-coupled lidar inertial odometry via smoothing and mapping,LIO-SAM）算法构建导航地图,基于轮式里程计和视觉里程计采用扩展卡尔曼滤波器算法实现局部定位,融合激光点云配准算法和自适应蒙特卡洛定位算法实现全局定位。同时,在自主行走系统应用A*算法规划全局路径和动态窗口算法规划局部路径,从而实现自主导航。试验结果表明,LIO-SAM算法构建的温室导航地图最大相对误差、最大绝对误差和均方根误差分别为9.9%、0.081和0.063 m,在温室内改进后的定位算法横向偏差小于0.020 m,纵向偏差小于0.090 m;当自主行走系统以0.15、0.30和0.50 m/s的速度运行时,横向偏差、纵向偏差和航向偏角的平均值分别小于0...     

考虑滑移滑转的双电机履带底盘路径跟踪算法

针对履带底盘田间作业时由于土壤松软、田面不平整导致履带滑移滑转、自动导航路径跟踪精度低的问题,该研究提出了考虑滑移滑转的履带底盘路径跟踪算法,基于履带底盘运动学模型推导出表征滑移滑转特性的转向半径修正系数,并设计了一种基于预瞄模型的模糊控制路径跟踪算法。该方法在纯模糊控制基础上通过预瞄模型确定预瞄点,进而得到横向偏差与航向偏差,同时在常规模糊控制器中引入转向半径修正系数,建立横向偏差、航向偏差、转向半径修正系数三输入模糊控制器。以双电机履带底盘为控制对象,采用高精度RTK-GNSS和MTi-30惯性传感器获取底盘实时位姿信息与角速度信息,进行组合导航。开展了三输入模糊控制器田间U型路径跟踪试验,结果表明,三输入模糊控制器的直线跟踪最大绝对偏差、平均绝对偏差和标准差分别为12.0、3.6和4.4 cm;三输入模糊控制的曲线跟踪最大绝对偏差、平均绝对偏差和标准差分别为21.3、8.6和8.4 cm;为进一步确定本研究算法在履带出现滑移滑转时对路径跟踪精度的提升效果,开展了常规模糊控制器与三输入模糊控制器曲线路径跟踪对比试验,结果表明：当作业速度为0.6 m/s时,常规模糊控制器的最大绝对偏差、平均绝对偏差和标准差分别为31.1、8.3和10.2 cm,三输入模糊控制器的最大绝对偏差、平均绝对偏差和标准差分别为22.4、7.4和9.1 cm,相较于常规模糊控制器,路径跟踪精度分别提高了27.95%、10.84%和10.78%,所设计的三输入模糊控制器可有效降低履带滑移滑转的影响,增强导航系统的控制性能,可为履带底盘在田间松软土壤环境下高精度导航作业提供参考。     

基于K-means算法的温室移动机器人导航路径识别

针对温室移动机器人机器视觉导航路径识别实时性差、受光照干扰影响严重等问题,首先,将HSI颜色空间3个分量进行分离,选取与光照信息无关且可以有效抑制噪声影响的色调分量H进行后续图像处理,以削弱光照对机器人视觉导航的不良影响;针对温室环境图像特有的颜色特征信息,引入K-means算法对图像进行聚类分割,将垄间道路信息与绿色作物信息各自聚类,再通过形态学腐蚀方法去除聚类后图像中存在的冗余、干扰信息,以获得完整的道路信息,与常用阈值分割方法相比,可降低因分割信息不明确而导致后续Hough变换进行直线拟合时需占据大量内存且计算量较大的问题,进而提高移动机器人路径识别的快速性,并适应温室作业机器人自主导航的高实时性要求。试验结果表明,该文方法在复杂背景与变光照条件下的温室作业环境中可大幅降低光照对机器人导航的影响,对于光照不均具有良好的鲁棒性,道路信息提取率可达95%。同时,其平均单幅图像处理时耗降低53.26%,可显著提高路径识别速度。该研究可为解决温室移动机器人机器视觉导航路径识别的鲁棒性及实时性问题提供参考。     

基于CAN总线的分布式插秧机导航控制系统设计

为了提高插秧机自动导航系统的可靠性,设计了一种基于CAN总线的分布式控制系统。系统由1个主控节点和3个从节点组成。主控节点采用AT91SAM9261 ARM处理器,负责根据RTK GPS数据和电子罗盘数据决策适当的控制指令;3个从节点选用C8051F040单片机,分别实现转向控制、变速控制以及插秧机具升降控制;并根据CAN2.0总线协议,制定了插秧机自动导航系统主从节点数据传输通信协议。控制系统在久保田SPU－68型插秧机上进行了道路跟踪试验和田间作业试验,结果表明,采用基于CAN总线的嵌入式分布式导航控制系统保证了数据实时传输,插秧机能够自主完成路径跟踪、转向、变速以及插秧等操作。其中道路直线跟踪误差小于0.05 m,田间作业试验直线跟踪误差不大于0.2 m,插秧行距为30 cm,能基本满足水田插秧作业要求。     

高地隙施药机自动驾驶系统研制与试验

针对农业自动导航、电动自动转向、农机自动控制、精量施药控制等关键技术的集成应用问题,该研究以高地隙喷杆喷雾机为平台,基于机电液一体化控制与软硬件标准化,研制了用于高地隙施药机的自动驾驶系统。根据底盘机构和工作原理设计了电控执行机构,实现发动机启停、转向、油门调节、车速调节、液泵启停、喷杆伸缩的自动控制。设计了基于CAN总线的整车通信控制网络,实现手动遥控和自动导航2种模式的自由切换。设计了基于姿态测量的定位误差校正方法,补偿导航定位过程中因机体倾斜造成的位置测量误差,提出地头转弯过程中的直线作业路径规划方法,以提高调头的准确性并保证邻接行的上线精度。在验证自动操控机构和通信控制网络稳定性的基础上进行了手动遥控和自动导航的对比试验。结果表明:作业速度3.6km/h时,遥控操作和自动导航2种模式下横向偏差最大值分别为20.81和8.84 cm,航向偏角最大值为7.86°和2.48°、横向偏差的均方根误差最大值为7.47和4.66 cm。该研究设计的高地隙施药机自动驾驶系统能够实时准确执行手动遥控和自动导航2种模式下的操作指令,自动导航模式下的路径跟踪精度较高,满足田间施药作业需求。     

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。     

基于变增益单神经元PID的秸秆旋埋还田导航系统研制

水稻田土壤松软,收割机作业后会出现残留秸秆凸起、地表坑洼等现象,导致秸秆旋埋还田作业易出现重耕、漏耕和自动驾驶路径跟踪精度差等问题。该研究基于滑移估计模型推导了拖拉机路径跟踪的前轮转角控制率,并设计了一种变增益单神经元PID导航控制器。在自主设计的电控比例液压转向系统基础上开发了秸秆旋埋还田导航系统,采用双天线RTK-GNSS获取拖拉机的实时位置和航向角信息,由变增益单神经元PID控制器根据理论转角和航向角偏差变化输出实际执行转角,实现旋埋作业自主路径跟踪。田间试验表明,作业速度为1.15m/s时,变增益单神经元PID控制器的自适应直线跟踪最大横向偏差不超过0.071 m,平均绝对偏差不超过0.031 m。与常规PID控制器相比,变增益单神经元PID控制器的最大横向偏差和平均绝对偏差控制精度分别提高了53.08%和51.72%;与单神经元PID控制器相比,最大横向偏差和平均绝对偏差控制精度分别提高了39.00%和28.21%。该研究设计的变增益单神经元PID控制器可以增强导航系统的适应性和鲁棒性,提高路径跟踪精度,适用于未来无人驾驶下的秸秆旋埋还田作业。     

基于领航-跟随结构的大型喷灌机协同导航控制方法

针对传统圆形喷灌机、平移喷灌机存在的作业区域单一、对地块适应性差的问题,结合喷灌机圆平一体协同导航作业需求,该研究提出了一种基于领航-跟随结构的大型喷灌机协同导航控制方法。在喷灌机运动学模型的基础上,结合链式控制理论和多塔车比例积分(PI,Proportion Integration)级联控制结构,设计了主塔车路径跟踪控制律和子塔车协同跟随控制律。通过Matlab/Simulink 仿真验证了控制方法的可靠性,并以自行研制的喷灌机为载体进行田间验证试验。田间试验结果表明,平移作业模式时,主塔车平均横向偏差小于2.5 cm,主塔车航向偏差小于0.51°,子塔车平均同步偏差小于4 cm;圆形作业模式时,子塔车平均同步偏差小于5 cm。该研究提出的协同导航控制方法和参数适用于平移和圆形2种作业模式,且速度适应性较好,控制精度满足大型喷灌机协同导航喷灌作业需求,解决了传统喷灌机作业模式单一的问题,且为非规则田块的喷灌机导航控制提供技术支撑。     

水稻收获转运双机协同自主作业策略与试验

针对水稻收获机与转运车双机协同自主作业环节多、粮食转运过程复杂等问题,该研究设计了一种基于有限状态机（FSM,Finite State Machine）的水稻收获机与转运车协同作业策略。分析了水稻收获机与转运车协同作业模式,建立有限状态机模型。首先,基于作业环节设计触发条件、评估方法和执行流程等基础模块;然后,根据双机协同的各项状态建立状态信息矩阵;最后,依据协同触发事件与状态转移的逻辑设计状态转移链。构建协同作业时分复用控制逻辑框架,并运用Stateflow软件进行仿真分析,为验证所设计策略的田间实际作业效果,搭建了履带式水稻收获转运双机协同试验系统,收获速度为0.8 m/s,收割幅宽1.9 m,共28条收获边,协同路径选择在短边的机耕道上,连续协同工作时间大于120 min,采用套圈路径自主收获0.7 hm2水稻,期间共进行6次自动协同转运作业,将所收获的粮食转运到卡车上。试验结果表明,该策略可以实现水稻收获/卸粮转运自主作业,收获效率为0.35 hm2/h,为实现水稻收获双机智能转运协同功能奠定了基础,可为水稻无人农场建设提供技术支持。     

改进随机样本一致性算法的弯曲果园道路检测

果园道路检测的目的是为农业采摘机器人鲁棒实时地规划出合适的行走路径,因果园环境的复杂性,例如光照变化、杂草和落叶遮挡等因素的影响造成视觉检测算法鲁棒性差,为此提出融合边缘提取和改进随机样本一致性的弯曲果园道路检测方法。首先,根据果园道路的颜色分布特征和几何形状特征,使用有限差分算子提取图像边缘,再使用灰度值对比度约束和霍夫直线检测去除噪声,实现道路边缘点提取。然后,提出多项式函数描述直线和弯曲道路,使用改进的随机样本一致性算法和线性最小二乘法拟合道路边缘点,以估计多项式函数的参数,实现果园道路检测。在华南农业大学果园采集240张道路图像作为试验对象。试验表明:在光照变化、阴影和遮挡背景的影响下,该方法能有效地提取果园道路边缘点,并能正确地拟合道路以实现道路检测,平均正确检测率为89.1%,平均检测时间为0.2639 s,能够满足视觉导航系统的要求。该研究为农业采摘机器人的视觉导航的鲁棒性和实时性提供指导。     

基于改进RRT*算法的菠萝采收机导航路径规划

为了提高菠萝收获的机械化和自动化水平，该研究以菠萝采收机为研究对象，采用改进RRT*（Rapidly-exploring Random Trees Star）算法进行全局路径规划。首先在产生随机采样点时引入自启发式思想约束采样点的生成，在拓展新节点时借鉴人工势场引入方向权重对新节点拓展方向进行约束，同时计算权重wg合适的取值范围，采双向拓展加快迭代速度，后利用贪心算法修剪路径的冗余节点，并利用Cantmull-Rom插值函数对路径进行平滑处理。根据农田道路存在的复杂情况创建多障碍物、迷宫和狭窄通道3种仿真环境，分别对比RRT*算法、双向RRT*算法和改进后RRT*算法的性能进行测试。试验结果表明：3种环境下，本文算法的平均收敛时间是RRT*算法的17.97%，是双向RRT*算法的46.12%，平均规划速度是RRT*算法的4.7倍，是双向RRT*算法的2.2倍左右，平均拓展的节点数量比 RRT* 算法减少87.22%，比双向 RRT* 算法减少 52.52%，平均路径长度比 RRT* 算法减少 3.81%，比双向 RRT* 算法减少 6.08%。田间试验结果表明：本文算法的规划时间仅为RRT*算法的14.12%，为双向RRT*的20.34%，迭代次数比RRT*算法减少80.89%，比双向RRT*减少69.70%。另外，RRT*和双向RRT*算法规划出的路径上大于60°的转角分别是本文算法的1.56和2.06倍，大于100°的转角分别是本文算法的1.55和2.18倍，本文算法规划的路径更平滑。改进RRT*算法在农田里规划的路径符合菠萝采收机的路径导航需求，研究结果可为菠萝采收机的导航研究提供参考。     

雷沃ZP9500高地隙喷雾机的GNSS自动导航作业系统设计

为减少农药喷雾作业对人体造成的化学损害,该研究以雷沃高地隙喷杆喷雾机为平台,基于GNSS开发了自动导航作业系统,实现喷雾机在极少人工干预情况下的自动导航作业。通过对平台的机-电-液改造,实现了喷雾机作业系统的电气化控制。基于简化的二自由度车辆转向模型设计了以位置偏差和航向偏差为状态变量的直线路径跟踪控制算法,基于纯追踪模型设计了曲线路径跟踪控制算法。根据喷雾机田间作业需要设计了喷雾机一体化自动导航作业控制方法,使系统能够自动控制喷雾机完成直线、地头转弯行驶和喷雾作业,油门调节以及车辆启停控制。在1.3 m/s左右的前进速度条件下,分别在水泥路面、旱田、水田环境中进行了试验,测试结果表明:水泥路面车身横滚在–1.6?~1.5?范围,直线路径跟踪误差最大值为3.9 cm,平均值为-0.15 cm,标准差为1.0 cm;旱田地块车身横滚在–1.4?~3.3?范围,跟踪误差最大值为9.8 cm,平均值为1.3 cm,标准差为3.3 cm;水田环境车身横滚在–2.4?~5.2?范围,跟踪误差最大值为17.5 cm,平均值为2.2 cm,标准差为4.4 cm。试验数据表明,所设计的自动导航作业系统初始上线快速、地头转弯对行平顺、各设计功能执行可靠;导航系统具有良好的稳定性和控制精度,能够满足水田、旱田环境下的喷雾作业要求。     

田间道路改进UNet分割方法

为了保证自动驾驶农机的安全行驶,需要对农田间道路进行高精度识别。该研究以北京市大兴区榆垡镇为研究地点,构建了农田间道路图像数据集,使用开源标注工具Labelme软件进行图像标注,以UNet为基本网络结构,针对分割过程中存在的道路边缘和远处道路分割效果较差等现象,提出了3个改进方向:在编码器网络中添加残差连接,增加网络复杂度;使用池化卷积融合结构完成下采样,增加可训练参数以减少信息损失。试验结果表明,使用ACBlock(Asymmetric Convolution Block,ACBlock)和DACBlock(Dilated Asymmetric Convolution Block, DACBlock)替换UNet中的卷积核,增加了卷积核"骨架"结构的权重和卷积核的感受野,提高了远处道路及道路边缘的分割效果,农田间道路分割的交并比值为85.03%,相较于原UNet提高了6.52个百分点,且高于ResUNet、UNet3+等网络。农机行驶速度在20 km/h左右,该研究网络对于1280×720像素大小的图片平均推理时间为163 ms,符合农机自动驾驶时间复杂度要求。该研究提高了自动驾驶农机对农田间道路的感知能力,为安全行驶提供了信息支持。     

基于FIA*-APF算法的蟹塘投饵船动态路径规划

为了提高无人投饵船在含障碍物河蟹养殖池塘自主巡航的作业效率和安全性,该研究提出基于改进A*算法与人工势场法相融合（fusion of improved A* and artificial potential field,FIA*-APF）的蟹塘投饵船动态路径规划算法。首先引入动态加权因子优化A*算法评价函数;其次加入转折惩罚函数并删除冗余点,接着利用B样条曲线对全局路径进行平滑处理;最后将改进A*算法得到的全局路径作为改进人工势场法中的引力路径,生成投饵船自主巡航高效路径。根据养殖池塘创建静态和动态2种仿真环境,分别对传统人工势场法（traditional artificial potential field,TAPF）、基于A*和人工势场法的融合算法（the A* and artificial potential field,TA*-APF）和FIA*-APF算法的性能进行20次测试。仿真试验结果表明：2种环境下,FIA*-APF算法的平均规划时间是TAPF算法的17.23%,是TA*-APF算法的51.96%,平均指令节点数量比TAPF算法减少50.64%,比TA*-APF算法减少65.03%,平均路径长度比TA*-APF算法减少2.82%。蟹塘试验结果表明：FIA*-APF算法的规划时间为TAPF算法的38.16%,为TA*-APF的62.42%,路径长度比TAPF算法减少29.13%,比TA*-APF减少10.15%;另外,TAPF和TA*-APF算法规划路径上大于60°的转角分别是FIA*-APF算法的3.28和2.62倍,大于100°的转角分别是FIA*-APF算法的3.73和1.67倍,该研究算法规划的路径更高效平滑。研究结果可为无人投饵船自主导航提供参考。