单侧制动式转向履带底盘自主行走局部路径规划方法

针对点动控制的单侧制动式转向履带底盘在自主行走中控制精度低、转向切换频繁的问题,提出了一种基于单侧制动转向履带底盘的三切线局部路径动态规划算法,根据履带底盘转向制动力矩不可控特性,设计了“转向-直行-转向”的局部路径规划方式。三切线局部路径动态规划算法由1条直线与2条圆弧相切组成,第1段圆弧与车辆行驶方向相切,车辆沿圆弧转向逐步偏向目标航线;第2段直线与两段圆弧相切,车辆沿直线行驶逐步靠近目标航线;第3段圆弧与目标航线相切,车辆沿圆弧转向逐步与目标航向一致。车辆通过历史移动的横向偏差和航向偏差采用加权递推平均滤波计算转弯半径,判断当前所处阶段进行调整。田间自动直线行驶试验结果表明：在横向偏差0.25m、航向偏差为0°的起始状态下,以行驶速度0.4m/s前进,在该算法下行驶的横向偏差绝对值均值和横向偏差标准差分别为0.085、0.104m,分别比bang-bang算法增加23.19%、19.54%,航向偏差绝对值均值和航向偏差标准差分别为3.31°、3.74°,分别比bang-bang算法减少25.95%、25.64%,总转向控制次数为9次,比bang-bang算法减少43.75%。三切线局部路径动态规划算法适用于单侧制动式转向履带底盘,具有更高的路径跟踪精度和较低的控制频率,满足田间作业需求。     

基于模糊控制的插秧机LQR曲线路径跟踪控制器优化方法

为了提高无人插秧机地头转向时的曲线路径跟踪精度,针对传统的误差权重矩阵固定的线性二次调节器（Linear quadratic regulator,LQR）路径跟踪控制器对插秧机的纵向速度、横向偏差以及航向角偏差的变化适应性较差的问题,基于车辆二自由度动力学模型,提出了一种通过模糊控制实时调整LQR控制器误差权重矩阵的路径跟踪控制器优化方法。该方法以纵向速度、横向偏差、航向角偏差为输入,以横向偏差和航向角偏差对应的误差权重为输出,建立模糊控制模型实时调整LQR控制器的误差权重矩阵。为了验证所提出算法的曲线路径跟踪控制精度和可行性,以改装后的洋马VP6E型无人插秧机为对象,进行Carsim和Simulink联合仿真试验以及实车试验。仿真试验结果表明,控制插秧机跟踪半径为2m的1/4圆弧路径时,所提出算法控制下的横向偏差绝对值均值为0.014m,最大值为0.032m,小于0.04m的占100%,航向角偏差绝对值均值为1.67°,最大值为4.94°,相较于传统引入前馈控制的LQR控制器,横向偏差绝对值均值降低50%,航向角偏差绝对值均值降低23%。实车试验结果表明,在插秧机跟踪半径为2m的1/4圆弧路径时,所提出算法控制下横向偏差绝对值均值为0.027m,最大值为0.048m,小于0.04m的占62%,航向角偏差绝对值均值为1.86°,最大值为4.94°,相较于传统引入前馈控制的LQR控制器,横向偏差绝对值均值降低40%,航向角偏差绝对值均值降低4.1%。该方法提升了无人插秧机曲线路径跟踪控制精度,为无人插秧机曲线路径跟踪控制提供了参考。     

基于虚拟雷达和两级神经网络的割草机路径跟踪算法

为提高果园内小型双电机驱动履带式割草机恶劣路面下路径跟踪精度，提出了一种基于虚拟雷达路径感知和两级深度神经网络的路径跟踪控制算法。首先搭建了两级串联的人工深度神经网络，一级深度神经网络通过虚拟雷达路径感知算法，计算得到履带式割草机与目标路径的相对位置关系。二级深度神经网络根据履带式割草机跟踪偏差、航向角、横向偏差影响因子、折算履带滑转率以及履带式割草机与目标路径的相对位置关系，计算得到两侧驱动电机的控制转速，实现路径跟踪控制。在灌溉翻浆的果园路面，开展了履带式割草机U形路径跟踪实车试验，当车速分别为0.4、0.8 m/s时，该算法路径跟踪的最大横向偏差分别为0.064、0.072 m,平均横向偏差分别为0.026、0.033 m。与传统的纯追踪控制算法相比，最大横向偏差分别减小31.18%、20.88%,平均横向偏差减小35.00%、29.79%。基于虚拟雷达和两级深度神经网络的路径跟踪控制算法可有效提升履带式割草机在恶劣路面下的路径跟踪精度。     

基于虚拟雷达模型的履带拖拉机导航路径跟踪控制算法

为提高传统果园广泛使用的小型履带式拖拉机导航路径跟踪控制精度和行驶稳定性,提出了一种基于虚拟雷达模型的导航路径跟踪控制算法。该算法借鉴人对车辆的驾驶经验,参考雷达扫描原理和图像识别原理,构建了虚拟雷达模型,生成虚拟雷达图,使用该图描述车辆与路径的位置关系;经深度神经网络分类生成对应的履带拖拉机行驶操作指令;以果园作业典型的U形路径为例进行了仿真验证试验和实车试验。仿真结果表明：本文提出的算法能够精准实现导航路径跟踪控制。果园实车试验表明：当车速为0.36、0.75m/s时,该算法路径跟踪的最大横向偏差分别为0.150、0.191m,平均横向偏差分别为0.031、0.051m,标准差分别为0.025、0.036m;与模糊控制算法相比,最大横向偏差分别减小了15.73%、36.33%,平均横向偏差分别减小了27.91%、19.05%,标准差分别减少了21.88%、28.00%。研究表明,基于虚拟雷达模型的导航路径跟踪控制算法具有更高的路径跟踪精度和行驶稳定性,满足果园实际作业需求。     

基于多传感器融合的水稻行识别与跟踪导航研究

水稻生产田间管理机械自动跟踪水稻行是提高水稻生产田间管理自动化程度的关键。为避免田间管理机械碾压水稻行,本文融合机器视觉和2D激光雷达信息识别水稻行,并进行水稻行跟踪导航控制。首先分别利用机器视觉和激光雷达提取水稻行中心点,并统一空间坐标和目标区域,再采用稳健回归算法拟合水稻行中心线,获取导航基准线并计算出导航参数。然后设计了预瞄追踪PID控制器,最后搭建了水稻行跟踪导航试验平台并进行试验研究。试验结果表明,跟踪模拟水稻行的曲线导航试验标准差为27.51 mm;跟踪机械移载的水稻行导航试验横向偏差标准差为43.03 mm,航向偏差标准差为3.38°。     

基于模型预测的插秧机路径跟踪控制算法

为了提高自动驾驶插秧机路径跟踪更高频的控制,本文提出一种基于模型预测的路径跟踪控制方法。以模型预测算法为基础设计自动驾驶控制器,通过简化农机车辆模型、线性化运动学方程、制定约束量,实现以当前状态量p=(x,y,θ)预测下一时刻的车辆状态,控制自动驾驶插秧机沿参考路径行走。通过在Matlab中建立仿真模型验证控制器的可行性,结果表明：直线路径跟踪横向偏差小于0.02m,航向偏差小于0.08°,曲线路径横向偏差平均值为0.022m、航向偏差平均值为0.699°,可用于实车试验。另外,以水稻插秧机为试验平台,通过设置不同车速验证算法的鲁棒性,直线路径跟踪平均横向、航向偏差分别为0.021m、6.187°,曲线路径跟踪平均横向、航向偏差分别为0.450m、10.107°,可满足自动驾驶插秧机路径跟踪精度及实时性需求,为农机路径跟踪控制研究提供了参考。     

基于改进粒子群优化模糊控制的农业车辆导航系统

以采用机器视觉导航的农业车辆为研究对象,提出了一种基于改进粒子群优化自适应模糊控制的农机导航控制方法。建立了车辆2自由度转向模型和视觉预瞄模型,对车辆横向控制进行状态描述。对粒子群算法进行了改进,提高了粒子群算法的收敛速度,降低了算法计算时间。构建了自适应模糊控制器,在模糊控制器中引入加权因子,以横向偏差和航向偏差时间误差绝对值积分(ITAE)之和作为系统目标函数,通过粒子群算法计算得到最优加权因子,进而调整控制规则实现导航车辆的自适应控制。仿真和导航试验结果表明,提出的控制方法可以迅速消除横向误差,具有超调量小、响应速度快等特点,既保留了模糊控制算法的优点,又提高了系统控制品质。在相同参数条件下,与常规模糊控制相比,改进模糊控制算法导航精度显著提高。当车速为0.8/s时,直线路径跟踪最大横向偏差不超过4.2 cm,曲线路径跟踪最大横向偏差不超过5.9 cm,能够较好地满足农业车辆导航作业要求。     

农用车辆自主导航控制系统设计与试验

集成软硬件系统搭建了一套农用车辆自主导航系统并进行了试验研究。硬件系统包括传感器、执行器和CAN-Bus通信网络;软件系统基于Windows操作系统、Visual Studio 2005开发环境,采用多线程编程技术开发。依据运动学规律建立了车辆运动模型,依据转向机构闭环响应曲线辨识了转向系统闭环模型,综合2个模型确立了航向与横向控制系统开环传递函数,基于PID理论设计了航向与横向控制器。试验结果表明:软硬件系统运行稳定;初始航向偏差在-86°与84°时,调节时间均在2 s以内,稳定后航向跟踪的精度均在1°以内;初始横向偏差在0.7 m和1.2 m时,横向偏差的最大值分别为10.4 cm与9.2 cm,横向偏差平均值分别为6.4 cm与3.5 cm,横向偏差标准差分别为2.6 cm与1.7 cm,横向控制器能够使系统平滑稳定地跟踪期望路径,跟踪精度在厘米级。     

基于ICR的履带车辆路径跟踪与转向控制算法研究

针对丘陵山区单边制动农用履带车辆路径跟踪精度低、控制次数多、转向偏差大等问题,本文开展不同负载条件下履带车辆路径跟踪控制研究。首先,对履带车辆的转向运动学进行理论分析,并建立履带车辆运动学模型;其次,根据履带车辆单边制动转向特性,提出一种基于瞬时旋转中心（Instantaneous center of rotation,ICR）的大角度转向控制算法,该算法能够根据规划路径的转向点位置与履带车辆转向瞬心,规划出最优的转向目标点,并控制履带车辆在该转向目标点一次性转向到所需航向,与此同时,完成转向控制器设计;最后,开展履带车辆在3种不同负载条件下的仿真试验与田间试验。仿真结果表明,大角度转向控制算法产生的跟踪路径平均误差面积与平均转向控制次数分别降低68.95%、68.77%;田间试验结果表明,大角度转向控制算法产生的跟踪路径平均横向偏差均值、平均转向控制次数与转向点处平均最小偏差分别减少57.27%、33.93%、62.29%,且路径跟踪效果更优,验证了大角度转向控制算法的有效性。试验结果满足履带车辆路径跟踪的要求,为实现农用履带车辆的路径跟踪提供理论基础与参考。     

玉米收获机自动对行系统设计与试验

为提高玉米收获机的对行质量,减轻驾驶员的劳动强度,设计了一套玉米收获机自动对行系统,包括自动对行感知系统和路径跟踪控制系统。感知系统由激光雷达、机械式对行传感器、陀螺转角仪等组成,激光雷达检测进入地块前的横向偏差,机械式对行传感器检测收获作业时的横向偏差,陀螺转角仪检测航向偏角。以纯追踪模型作为路径跟踪的控制方法,利用模糊控制原理动态调整纯追踪模型中的前视距离,结合收获机的运动学模型,确定收获机转向轮的期望转角,并通过Matlab/Simulink软件对模型进行仿真分析。将自动对行系统搭载于4YL-6型玉米收获机上进行田间试验,结果表明,激光雷达静态检测试验的偏差均值为0. 077 5 m,标准差均值为0. 130 9 m,偏差在±15 cm和±30 cm内的比例均值分别为80. 5%和95%;激光雷达地头自动对行试验的平均调整距离为7. 89m,平均偏差为0. 146 m;基于机械式对行传感器的收获作业自动对行试验的偏差均值为0. 087 6 m,标准差均值为0. 097 6 m,偏差在±15 cm和±30 cm内的比例均值分别为83. 1%和100%。试验结果满足玉米收获机的对行作业要求,可为玉米收获机的自动对行提供理论支持。     

基于高斯混合模型的履带拖拉机转弯半径控制方法

履带拖拉机采用差速转向,转向可控性差,影响自动导航性能,为提高履带拖拉机自动导航的性能,以液压传动控制行星差速转向履带拖拉机为研究对象,建立履带拖拉机转弯半径数学模型。构建每个控制量下转弯半径均值和方差计算方法,建立基于卡尔曼滤波和局部加权回归的转弯半径均值和方差更新方法。分别针对直线路径跟踪和掉头建立基于高斯混合模型的履带拖拉机转弯半径控制方法。采用纯跟踪算法分别以不同的初始位置偏差进行自动导航仿真试验,得到导航轨迹、位置偏差和角度偏差。以农夫NF-702型履带拖拉机为平台,分别以不同车速进行导航试验,试验结果表明,在初始航向角为0,车速分别为1.0、1.5m/s时,导航平均误差分别为-0.62cm和0.28cm,导航误差绝对值极值分别为10.14cm和8.10cm,导航误差绝对值均值分别为2.34cm和2.57cm,导航均方根误差分别为3.77cm和3.99cm。本文提出的基于高斯混合模型的履带拖拉机转弯半径控制方法可应用到液压传动控制行星差速转向履带拖拉机自动导航领域,满足实际田间作业需求。     

基于优化人工势场法的插秧机绕障策略研究

针对水田中存在的壕沟、田埂、石块、电线杆等障碍物使得插秧机无法保证作业连续性和插秧直线性等问题,设计了基于优化人工势场法的插秧机绕障路径规划策略。通过增加插秧机实时位置与目标作业点的相对距离作为判断条件来动态改变势场大小,同时设立了虚拟局部目标点来弥补传统人工势场法目标点不可达和局部最小点的算法缺陷;将插秧机简化为二轮车模型,建立插秧机转向系统数学模型,得出插秧机速度、行驶航向角和前轮转角表达式,以横向偏差与航向偏差作为评判路径优化效果的因素。转向控制器以复合模糊PID算法控制插秧机的转角,不断减小理想前轮转角与实际转角的偏差,实现转角最优化;采用超声波传感器实时检测道路障碍物并结合RTK-GPS实时更新位置坐标,设计出插秧机绕障转向控制策略。通过Matlab对优化的人工势场法的避障路径控制策略进行仿真,仿真结果表明,当障碍物不在影响范围内,插秧机直线追踪的最大横向位置偏差为5cm,平均偏差约为2cm,最大避障横向偏差小于0.5m,优化后的算法具有较好的控制精度,可避免目标点不可达的问题。基于洋马VP6E插秧机作为实验平台进行了实车实验,实验结果表明,当插秧机以速度0.5、1.0、1.5m/s行驶时,左侧绕障的最大横向偏差均不大于1.2218m,航向偏差最大值为30.1491°,绕障前后直线追踪的平均横向偏差为0.025m,平均航向偏差为3.12°;右侧绕障的最大横向偏差均不大于1.2459m,航向偏差最大值为25.2294°,绕障前后直线追踪的平均横向偏差为0.023m,平均航向偏差为3.36°,所设计的避障方法可满足插秧机在农艺作业过程中的避障要求,具有很好的可行性与鲁棒性。     

基于粒子群算法改进的轮式收获机纯追踪模型的路径跟踪研究

为满足轮式收获机地头收获路径跟踪精度要求，本研究提出了一种基于粒子群改进的带有预测特性的纯追踪路径跟踪算法。建立了轮式收获机运动学模型，推导了基于轮式收获机运动学模型的纯追踪路径跟踪算法。以收获机航向误差和横向误差为基础，构建了带有预测特性的隶属度函数，采用权重系数自适应方法，通过粒子群优化（PSO）算法，实现了实时动态确定最优前视距离。以玉米收获机为试验平台，开展了直线路径跟踪路面试验与“8”字曲线路径跟踪路面实验，试验结果表明：在1.5m/s速度时，直线路径跟踪的最大横向误差为4.39cm，最大航向误差为2.31°。在1m/s时，曲线路径跟踪的最大横向误差为5.24cm，最大航向误差为2.41°。试验结果表明本文设计改进的路径跟踪算法对直线路径及曲线路径都具有良好的路径跟踪效果，满足轮式收获机田间作业要求。     

基于模糊Stanley模型的农机全田块路径跟踪算法研究

为实现农业机械全田块高效自主作业,提出一种增益系数自适应的Stanley模型路径跟踪算法。以横向偏差和航向偏差为输入变量构建隶属度函数,设计模糊推理和解模糊化过程实时确定控制模型增益系数,提高Stanley模型对不同曲率路径的自适应能力。为验证所提算法有效性,以移动小车为平台开展联合收获机回字形全田块自主作业路径跟踪试验,结果表明所提算法显著改善Stanley模型路径跟踪精度,直线作业速度2.5m/s、转弯速度1m/s时,直线段和曲线段最大跟踪误差均小于3cm。大初始横向偏差路径跟踪试验表明,模糊Stanley模型较Stanley模型大幅度减小路径跟踪上线距离,满足农业机械全田块高效自动导航作业要求。     

轮式谷物联合收获机视觉导航系统设计与试验

为提高联合收获机收获质量与效率,构建了轮式谷物联合收获机视觉导航控制系统,结合OpenCV设计了谷物收获边界直线检测算法识别水稻田间已收获区域与未收获区域边界,经预处理、二次边缘分割和直线检测等得到联合收获机视觉导航作业前视目标路径,并根据前视路径相对位置信息进行田间动态标定获得联合收获机满幅收获作业状态;提出了一种基于前视点的直线路径跟踪控制方法,通过预纠偏控制实现维持满割幅的同时防止作物漏割,以相对位置偏差值和实时转向后轮转角作为视觉导航控制器的输入,并根据纠偏策略对应输出转向轮控制电压大小。稻田试验结果表明,该导航系统实现了轮式联合收获机田间相对位置姿态的可靠采集及目标直线路径跟踪控制的稳定执行,在田间照度符合人眼正常工作的情况下,收获边界识别算法检测准确率不低于96.28%,单帧检测时间50 ms以内;以不产生漏割为前提的视觉导航平均割幅率为94.16%,随作业行数增多,割幅一致性呈提高趋势。本研究可为联合收获机自动导航满割幅作业提供技术支撑。     

基于DGPS与双闭环控制的拖拉机自动导航系统

以东方红X-804型拖拉机为平台,设计了一种基于RTK-DGPS定位和双闭环转向控制相结合的自动导航系统,研究提高农业机械导航控制精度的方法。阐述了导航系统整体设计方案,以RTK-DGPS和AHRS500GA分别提供位置信息和辅助修正信息实现准确定位,以电控液压转向系统实现转向控制。分析了整体控制的策略,建立了路径跟踪的传递函数模型,阐述了双闭环转向控制算法的建立过程,以及控制器的硬件实现。试验结果表明:GPS定位数据经过校正后,平均偏差降低至0.031 m;双闭环控制算法提高了自动转向系统性能,稳态时方波信号以及正弦波信号的跟踪误差平均值为0.40°;在拖拉机田间作业跟踪过程中,路径跟踪误差平均值不超过0.019 m,转向轮偏角跟踪误差平均值为0.43°,标准差不超过0.041 m。     

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。     

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。