基于组合导航的整平机定位系统的设计与试验

无人驾驶是农用机械车辆未来的发展趋势。为此,选择GPS/INS组合导航的定位方式对整平机进行速度控制和精确定位。首先,利用卡尔曼滤波算法将惯性导航中的高精度惯性传感器与磁力计进行数据融合,由解算出的航向角可得到整平机的偏航信息;然后,利用扩展卡尔曼滤波算法将惯性导航与GPS输出的导航参数进行融合。实验表明:组合导航输出的导航参数能够精确跟踪整平机实际的位置和速度信息,输出的姿态角精度满足实际要求。     

基于自校准变结构Kalman的农机导航BDS失锁续航方法

针对农机自动导航作业过程中存在的BDS信号失锁导致系统突然失控的问题,提出了一种适用于轮式农机的基于自校准变结构Kalman滤波器的农机导航BDS失锁续航方法。依据4自由度农机运动学模型,设计了BDS/INS信息融合Kalman滤波器;进行INS导航定位误差不确定度分析,并设计了基于自回归模型的航向校准方法、INS传感器角速率测量零偏实时校准方法,结合上述方法设计了自校准变结构滤波器,进行位姿信息处理,结合导航跟踪控制方法实现失锁续航功能。根据分米级精度要求,进行了机器人直线、矩形路径失锁续航试验和农机田间直线续航试验。机器人续航试验结果表明:行驶速度为1 m/s时,与运用未校准滤波器的续航系统相比,该方法实际平均横向偏差减小34%,横向偏差达到20 cm时机器人在路径上的平均行驶距离提高80%。农机田间续航试验结果表明:行驶速度为1 m/s时,在实际偏差小于20 cm的条件下,农机在路径上的行驶平均距离达到16. 65 m。     

基于低成本惯导和运动约束的农机高精度定位系统研究

北斗定位系统(BDS)能够实现厘米级的定位,在农机导航系统中获得了广泛应用。然而,单纯的卫星定位系统存在一些局限性,比如易受外界遮挡、数据频率低等。因此,在导航系统中集成惯性元件并发展组合导航技术成为重要研究方向。考虑到高性能惯导成本很高,不利于推广应用,本文研究了农业场景下,使用低成本惯导和BDS构成组合导航系统。为提高定位精度,解决由BDS中断导致误差发散的问题,设计了零速修正。同时,分析了BDS/INS组合导航系统中航向角误差不可观测的原因和误差来源,设计了航向约束方法。当BDS信息可用时,利用双天线航向角信息来抑制航向角误差的累积;当BDS中断时,使用零角速度修正。通过现场实验验证,当BDS可用时,零速修正可以将位置、速度和水平姿态的精度分别提高20%、40%和15%以上,航向约束可以将航向角精度提高90%以上;BDS中断时,零速修正可以将位置、速度的精度提高90%以上,水平姿态的精度提高80%以上,航向约束可以将航向角精度提高40%以上。     

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。     

基于自适应系数卡尔曼滤波的农业移动机器人组合定位

基于全球导航卫星系统（Global navigation satellite system,GNSS）的定位导航技术在半结构化、半开放式农业应用场景的部分区域,可能由于存在作物遮挡而导致GNSS接收信号出现短暂丢失的情况,进而影响机器人定位导航精度,甚至对作物和工作人员造成伤害。针对这一问题,本文开展了农业遮挡环境下的GNSS与惯性导航系统(Inertial navigation system,INS)的组合定位方法研究。搭建了用于多传感器定位导航实验的农业机器人系统,该系统由履带式移动平台、GNSS、INS等硬件和ROS(Robot operation system)操作系统、远程操控界面等软件构成。提出了引入自适应系数的GNSS/INS组合定位卡尔曼滤波算法,当GNSS无法进行差分定位或定位数据产生跃变时,通过自适应卡尔曼滤波能够切换到INS定位,从而实现机器人自身位置、姿态的最优估计。在典型农业遮挡场景（果园）进行了实地组合定位实验,并通过GNSS单通道定位、INS单通道定位、常规卡尔曼滤波融合定位、引入自适应系数的卡尔曼滤波定位等4种定位方法的对比,验证了本文提出算法的有效性。现场实验表明：定位过程中,当100m×20m的实验区域内出现30m×6m的高遮挡区域时,与GNSS定位信息测量方法、INS航迹推算定位方法以及常规卡尔曼滤波组合定位方法相比,自适应系数卡尔曼滤波组合定位方法定位精度分别提升62.1%、48.5%、47.7%。     

基于EKF的智能拖拉机组合导航系统研究

针对智能拖拉机的导航系统在长时间工作状态中经常会出现定位精度低的问题,提出一种采用扩展卡尔曼滤波法(EKF)设计BDS/DRS组合导航,利用MATLAB软件建立EKF模型,并对BDS/DRS组合导航系统进行仿真验证,结果表明与传统的单独导航相比,设计的组合导航能够明显提高定位精度,同时也证明了EKF方案具有良好的数据融合效果。     

插秧机多传感器组合导航方法研究

以洋马插秧机为研究平台,提出了一种基于多传感器信息融合的组合导航方法。该方法利用DGPS、陀螺仪和加速度计能够在插秧机上实现低成本、高精度的导航定位。同时,通过插秧机的运动学分析,建立了农机的二维运动学模型;基于所建立的农机运动学模型,采用卡尔曼滤波的方法对插秧机的位置、速度和航向角进行精确的估计。通过对插秧机实际行走的数据进行仿真实验表明,该方法能够为插秧机提供可靠的导航信息。     

基于视觉与惯性的农机组合导航的方法研究

以棚室电动微耕机为试验平台,提出了一种基于视觉与惯性融合的组合导航方法。利用摄像头、陀螺仪和加速度计在微耕机上实现了低成本、高精度的导航定位。通过以导航线为参考系的位姿描述建立农机运动学模型,采用卡尔曼扩展滤波对两种导航模块得到的农机位置、速度和航向角信息进行最优融合估计。微耕机实际行走数据的仿真实验表明:该方法能够为农机自动作业提供实用可靠的导航信息。     

森林BDS/GPS组合定位算法与精度分析

针对在森林资源调查和监测中需要实现高精度定位和导航的问题,在鹫峰国家森林公园选择以栓皮栎为主要树种的实验区,采用三鼎T-23型多频三星接收机和u-blox NEO-M8T多星座接收模块,对林下观测点进行定位观测,通过系统间时空统一并采用合理的观测值定权方法,利用BDS和GPS观测数据,建立森林BDS/GPS组合定位算法,将算法写入RTKLIB软件,实现森林观测点三维坐标解算(WGS-84坐标系),最后与单一GPS定位结果进行对比分析。实验结果表明,森林BDS/GPS组合定位卫星可见数为15～23颗,远高于单一GPS定位卫星可见数11颗; BDS/GPS组合定位PDOP值介于0. 5～1. 8之间,小于单一GPS定位PDOP值,二者变化趋势较为相近; BDS/GPS组合定位与GPS定位卫星信噪比均为10～50 d B,但由于BDS/GPS组合定位卫星可见数较多,其卫星信号更强,信噪比更为稳定。BDS/GPS组合定位结果在X、Y、Z方向的理论精度分别为2. 603、3. 302、3. 125 m,单一GPS定位结果分别为2. 382、4. 669、4. 344 m; BDS/GPS组合定位结果在X、Y、Z方向的实际精度分别为3. 112、3. 542、4. 073 m,单一GPS定位结果分别为4. 946、5. 254、7. 274 m。     

基于改进纯追踪模型的农机路径跟踪算法研究

为提高农机作业时直线行驶的精度,提出了一种基于改进纯追踪模型的农机路径跟踪算法。在建立了运动学模型和纯追踪模型的基础上,对农机直线跟踪方法进行研究;针对GPS导航精度易受噪声干扰的问题,通过卡尔曼滤波对航向误差以及横向误差进行了平滑处理,以获取更高精度的航向误差和横向误差;为提高纯追踪模型的自适应能力,以横向误差和航向误差的均方根误差为基础,构建适应度函数,并设计了权重函数,采用横向误差作为主要决策参数,通过粒子群优化(Particle swarm optimization,PSO)算法实时确定纯追踪模型中的前视距离;为使粒子群减少计算时间、尽快进行局部搜索,对PSO算法中惯性权重系数进行了改进。以东方红1104-C型拖拉机为试验平台,设计了农机自动导航控制系统,进行了农田播种试验。结果表明:当农机行驶速度为0.7 m/s时,采用基于改进纯追踪模型的农机路径跟踪算法,直线跟踪的最大横向误差为0.09 m;当行驶距离超过5 m后,最大横向误差为0.02 m,该算法能够有效地提高农机作业时的直线行驶精度。     

基于时间序列分析的卡尔曼滤波组合导航算法

GPS广泛用于农业机械导航研究中,其定位误差信号一般存在明显的自相关性,不能满足组合导航中常用的卡尔曼滤波算法观测噪声为高斯白噪声的要求。为此,建立了GPS定位误差AR模型,结合卡尔曼估计结果来预测和修正GPS定位误差,再将修正后的GPS定位信息应用于组合导航中的卡尔曼滤波过程。试验结果表明,无论GPS接收机是在静止还是在运动条件下,处理后的定位误差信号自相关性都明显降低,近似为白噪声;目标路径直线时的最大跟踪误差约为0.15 m,为曲线时,最大跟踪误差约为0.3 m。该方法为低精度GPS应用于农业机械导航提供了可行途径。     

基于改进BP神经网络的农业机械数据预测研究

为提高河南省农业机械数据预测的精度,获得更可靠的预测结果,提出基于自适应粒子群算法(APSO)优化的误差方向传播(BP)神经网络预测方法,利用APSO算法优越的全局搜索能力更新BP神经网络的权值和阈值,有效结合两种算法的优势,并引用河南省1986-2017年农业机械数据进行测试。仿真结果表明,本文提出的APSO-BP算法比同等条件下BP神经网络算法和PSO-BP算法预测误差平均可降低2.4%和1.35%,可以有效提高预测的速度和精度。     

农机INS/GNSS组合导航系统航向信息融合方法

为解决农机自动导航系统在田间作业过程中因防风树林等对卫星信号产生遮挡与干扰,导致其难以准确获取航向信息等问题,采用惯性导航系统（INS）和全球导航卫星系统（GNSS）航向信息融合方法进行了试验与研究,结合自适应卡尔曼滤波算法构建了综合滤波模型,提出了一种以GNSS信号品质与航向角变化幅度信息为指导的INS/GNSS航向信息融合策略,通过仿真试验以及实际应用测试对航向信息融合效果进行了验证。试验结果表明：以双天线GNSS航向角测量值作为参考基准,在直线行驶过程中,融合航向数据的平均绝对误差为-0.02°,标准差为0.50°;在转向行驶过程中,融合航向数据的平均绝对误差为0.62°,标准差为2.42°;融合后的航向输出结果明显提升了单独使用INS或GNSS时航向数据的精度,且在滤除GNSS航向角测量噪声的同时提高了GNSS航向角解算值的更新速率。该航向角融合算法能够增强农业机械自动导航系统航向角测定的准确性,可为导航系统实际田间作业情况下的抗环境扰动能力提供服务。     

基于北斗的农业机械立体视觉辅助导航系统设计

为提高农机在果园复杂环境下作业精度,降低驾驶员劳动强度,设计了精准辅助导航系统。通过北斗差分定位设备获取农业机械的经纬度、航向角度以及行驶速度等数据,根据农田信息规划出全局行驶路径,实时计算农业机械行驶过程中的航向偏角、行驶距离和耕作面积并绘制行驶轨迹,根据观察航向偏角和行驶轨迹,驾驶员来修正作业机械使农机按规划路径行驶。系统采用基于红外散斑的深度立体视觉相机,降低自然光线限制,以此获取农业机械前方深度图像,根据视觉算法对图像中的作物或障碍加以检测,并计算其到农业机械和路径中心线距离,判断是否需要避障并提示驾驶员应调整方向,当调整方向进行避障后返回到已规划路径继续行驶。试验结果表明,辅助导航系统在直线行驶试验时横向行驶最大偏差小于5 cm,能够辅助驾驶员按规划路径精准行驶;基于立体视觉的障碍检测测距误差范围在4%以内,且处理每帧图像耗时最大为40 ms,实时性很高,能高效辅助驾驶员进行精确避障。      

农机车载GPS和DR组合导航系统定位方法

为提高农机车载GPS和DR组合导航系统定位的精度,将模糊逻辑和卡尔曼滤波相结合,研究了模糊自适应卡尔曼滤波算法,在线修正系统量测噪声协方差阵.该算法在改装的农机车上进行了试验.试验表明,模糊自适应卡尔曼滤波能抑制异常值对系统定位精度的影响,定位精度较单个GPS高.系统使用模糊自适应卡尔曼滤波后,x方向和y方向平均误差分别为0.13m和0.20m,定位曲线得到了平滑.     

基于灰色BP神经网络的农业机械总动力预测

为预测宁夏地区农业机械化水平的发展变化趋势,提出一种将灰色预测模型与BP神经网络有效结合的农业机械总动力预测方法。在BP神经网络的数据预处理阶段融入灰色预测理论,建立基于灰色BP神经网络的农机总动力预测模型,并选取1991-2014年宁夏回族自治区农业机械总动力数据作为样本,利用该模型进行仿真预测,结果表明:该模型具有较高的预测精度,其平均相对误差仅为0.18%,明显优于灰色GM(1,1)模型的3.5 0%和标准BP神经网络的0.2 9%。