董 勝，袁朝輝，谷 超，楊 芳

?

基于多學(xué)科技術(shù)融合的智能農(nóng)機(jī)控制平臺研究綜述

董 勝1，袁朝輝1※，谷 超2，楊 芳3

（1. 西北工業(yè)大學(xué)自動化學(xué)院，西安710072；2.飛行器控制一體化技術(shù)重點(diǎn)實(shí)驗(yàn)室，中航工業(yè)自控所西安 710065；3. 河南科技大學(xué)機(jī)電學(xué)院，洛陽471023）

農(nóng)業(yè)機(jī)械的自動化和智能化包含內(nèi)容廣泛，有農(nóng)機(jī)定位與導(dǎo)航，動態(tài)路徑規(guī)劃，機(jī)器視覺和遠(yuǎn)程監(jiān)控等，牽涉到大量的工程技術(shù)學(xué)科，包括導(dǎo)航、圖像、模型與策略、執(zhí)行器以及數(shù)據(jù)鏈等。農(nóng)機(jī)定位與導(dǎo)航一般采用基于農(nóng)機(jī)運(yùn)動學(xué)模型結(jié)合GPS（global positioning system）/IMU（inertial measurement unit）組合導(dǎo)航信息，在導(dǎo)航路徑規(guī)劃算法指引下實(shí)現(xiàn)農(nóng)機(jī)軌跡跟蹤的方法。建立的農(nóng)機(jī)運(yùn)動學(xué)模型精度，GPS數(shù)據(jù)的連續(xù)性以及慣導(dǎo)器件誤差系數(shù)漂移等因素都會影響該方法的有效性。路徑跟蹤通常采用各種現(xiàn)代控制理論與方法，而面對復(fù)雜的田間作業(yè)環(huán)境變化，農(nóng)機(jī)的自主避障以及動態(tài)路徑規(guī)劃能力也會影響軌跡跟蹤精度。機(jī)器視覺的穩(wěn)定性和目標(biāo)特征信息分離度影響著農(nóng)機(jī)環(huán)境感知能力，目前目標(biāo)識別主要采用hough變換，hough變換的全局檢測特性決定了該算法運(yùn)算量較大，需要探究改進(jìn)特征提取算法。遠(yuǎn)程監(jiān)控農(nóng)機(jī)作業(yè)是智能農(nóng)機(jī)發(fā)展的一個方向，構(gòu)建無線導(dǎo)航，控制和視頻數(shù)據(jù)傳輸網(wǎng)絡(luò)有助于提高農(nóng)機(jī)的智能化水平，可以采用分布式哈希表(distributed hash table)來研究網(wǎng)絡(luò)覆蓋和互聯(lián)技術(shù)。該文融合多個學(xué)科，從高精度定位與導(dǎo)航技術(shù)、復(fù)雜環(huán)境及工況下農(nóng)機(jī)運(yùn)動精確自主控制技術(shù)、穩(wěn)定清晰的機(jī)器視覺感知技術(shù)和基于4G網(wǎng)絡(luò)和新一代物聯(lián)網(wǎng)的高覆蓋數(shù)據(jù)傳輸技術(shù)幾個方面，論述了智能農(nóng)機(jī)在光機(jī)電液多個學(xué)科領(lǐng)域內(nèi)的研究現(xiàn)狀，并指出采用北斗地基增強(qiáng)網(wǎng)絡(luò)和網(wǎng)絡(luò)RTK(real-time kinematic)技術(shù)、慣導(dǎo)定位誤差精確建模與補(bǔ)償、環(huán)境感知與自主避障、立體結(jié)構(gòu)自組網(wǎng)技術(shù)以及多機(jī)協(xié)作是現(xiàn)代農(nóng)業(yè)機(jī)械的發(fā)展方向。以期為現(xiàn)代化智能農(nóng)業(yè)機(jī)械的設(shè)計(jì)提供參考。

農(nóng)業(yè)機(jī)械；導(dǎo)航；機(jī)器視覺；定位；數(shù)據(jù)鏈；多學(xué)科技術(shù)融合

0 引 言

智能農(nóng)機(jī)裝備是提質(zhì)增效、轉(zhuǎn)變發(fā)展方式、增強(qiáng)農(nóng)業(yè)綜合生產(chǎn)能力的基礎(chǔ)，對支撐現(xiàn)代農(nóng)業(yè)發(fā)展，保障糧食安全意義重大。2012年、2013年全國農(nóng)業(yè)機(jī)械行業(yè)累計(jì)完成工業(yè)總產(chǎn)值分別為3,382.40億元、3,800.00億元，同比增長19.07%、12.35%[1]，市場需求剛性增長。

以美國為代表的發(fā)達(dá)國家較早開展了基于RTK-GPS (real-time kinematic-global positioning system)[2]技術(shù)的智能農(nóng)機(jī)定位與導(dǎo)航研究，迄今已累積了大量研究成果并成功用于商業(yè)化，國外主要代表廠家有Trimble、John Deere、GreenStar TM等。九十年代斯坦福大學(xué)的O’Connor等[3]將高精度RTK-GPS應(yīng)用于農(nóng)機(jī)導(dǎo)航中，其利用四天線GPS系統(tǒng)為拖拉機(jī)提供位姿信息，在田間行駛速度3.25 km/h時，航向誤差不大于0.1°，直線跟蹤標(biāo)準(zhǔn)差不大于2.5 cm。Noguchi等[4]提出了一種由RTK-GPS、光纖陀螺儀和慣性測量裝置組成的導(dǎo)航傳感器，可實(shí)現(xiàn)對農(nóng)機(jī)行進(jìn)中傾斜角和上升角度等位姿的測量，進(jìn)而完成實(shí)時偏差的確定和校正，實(shí)車運(yùn)行顯示改進(jìn)的農(nóng)機(jī)以2.5 m/s速度運(yùn)行時的位置偏差小于3 cm。Eaton等[5]將Back stepping控制方法應(yīng)用到農(nóng)機(jī)路徑跟蹤控制中，并且在控制方法的設(shè)計(jì)過程中考慮了轉(zhuǎn)向系動力學(xué)特性的影響，取得了較好的試驗(yàn)效果。Payne等[6]在大量辨識試驗(yàn)的基礎(chǔ)上提出了一種航向率動力學(xué)模型，并基于該模型設(shè)計(jì)了LQR路徑跟蹤控制方法，解決了農(nóng)機(jī)在高速行駛時的導(dǎo)航控制問題。Derrick等[7]提出了一種模型參考自適應(yīng)控制系統(tǒng)，采用前饋橫擺角速度控制器補(bǔ)償偏航率，進(jìn)而提高了直線路徑的橫向位置跟蹤精度。Bergerman 等[8]使用激光掃描儀探測周圍樹木及雜物進(jìn)行路徑規(guī)劃開發(fā)了一款果園自主移動機(jī)器人。Stombaugh[9]研究小組以Case Ih7220型號的兩輪驅(qū)動拖拉機(jī)為平臺；以安裝位置高于駕駛艙的方式消除GPS信號滯后，行進(jìn)中導(dǎo)航最大偏差±16 cm。這些研究團(tuán)隊(duì)都或多或少的使用了跨學(xué)科的技術(shù)融合手段[10-13]，取得了較好的研究成果。

在國內(nèi)，羅錫文等[14-16]在東方紅X-804拖拉機(jī)上開發(fā)了基于RTK-DGPS的導(dǎo)航控制系統(tǒng)。將拖拉機(jī)運(yùn)動學(xué)模型和操縱控制模型相結(jié)合，設(shè)計(jì)了應(yīng)用地面?zhèn)尉嗖罘侄ㄎ凰惴ǖ膶?dǎo)航控制器，取得了很好的定位導(dǎo)航效果，達(dá)到前進(jìn)速度為0.8 m/s時，最大跟蹤誤差小于0.15 m，平均跟蹤誤差不超過0.03 m。李逃昌等[17-19]針對運(yùn)動學(xué)模型中的近似條件對模型控制方法曲線路徑跟蹤精度的影響，提出了一種農(nóng)機(jī)導(dǎo)航自校正模型控制方法。該方法采用模型控制方法設(shè)計(jì)控制律，并采用模糊控制方法自適應(yīng)地在線調(diào)節(jié)模型控制律的控制量。前進(jìn)速度為 1.0 m/s時，直線跟蹤最大橫向偏差小于0.0649 m，曲線跟蹤橫向最大偏差小于0.1857 m。根據(jù)近年來公開出來的相關(guān)研究內(nèi)容和研究成果，國內(nèi)學(xué)者在定位和導(dǎo)航技術(shù)方面取得了一定進(jìn)步[20-22]，但是從事農(nóng)機(jī)智能化研究工作的機(jī)構(gòu)主要集中在高校以及一些大公司，相關(guān)設(shè)備也只是處在試驗(yàn)階段。農(nóng)機(jī)作業(yè)信息感知、決策智控、試驗(yàn)檢測等基礎(chǔ)和關(guān)鍵共性技術(shù)實(shí)力薄弱。農(nóng)機(jī)裝備在制造過程、整機(jī)裝配以及電器系統(tǒng)可靠性檢測方法和手段缺乏，系統(tǒng)復(fù)雜度較高，裝備田間試驗(yàn)數(shù)據(jù)不足等問題制約著智能農(nóng)機(jī)的發(fā)展應(yīng)用，因此實(shí)現(xiàn)農(nóng)業(yè)智能化，完成農(nóng)業(yè)革命還有很長的路需要走。

1 智能農(nóng)機(jī)的多學(xué)科技術(shù)融合

智能農(nóng)機(jī)的研究應(yīng)該滲透到多個學(xué)科，美國伊利諾伊州立大學(xué)Dickson MA等以John Deere GATOR型農(nóng)用車為平臺；建立了2自由度的線性動力學(xué)模型，RTK-DGPS、光纖陀螺FOG（fiber optic gyroscop）和IMU(inertial measurement unit)結(jié)合應(yīng)用于農(nóng)機(jī)作業(yè)路線跟蹤導(dǎo)航；提出預(yù)瞄策略的動態(tài)路徑搜索算法；通過WLAN與基站GIS數(shù)據(jù)相比校正，農(nóng)機(jī)前進(jìn)速度為3.5 m/s時，最大跟蹤誤差±10 cm[23]。這套智能農(nóng)機(jī)實(shí)現(xiàn)方案融合了多項(xiàng)技術(shù)，對中國智能農(nóng)機(jī)的發(fā)展具有啟發(fā)意義。

2016年中國中央一號文件指出，加快中國農(nóng)業(yè)現(xiàn)代化，重點(diǎn)要在農(nóng)業(yè)裝備、智能農(nóng)業(yè)等領(lǐng)域突破關(guān)鍵技術(shù)。一些學(xué)者也分析提出了中國發(fā)展農(nóng)業(yè)機(jī)械的重點(diǎn)領(lǐng) 域[24]。為了更好的適應(yīng)國家三農(nóng)工作計(jì)劃，關(guān)于智能農(nóng)業(yè)裝備可以開展以拖拉機(jī)及聯(lián)合多農(nóng)機(jī)具為對象進(jìn)行基于北斗的農(nóng)機(jī)定位與導(dǎo)航、機(jī)器視覺、機(jī)器學(xué)習(xí)、智能組網(wǎng)以及多機(jī)協(xié)作[25]的研究，多學(xué)科既相互獨(dú)立又緊密相連。本文將從復(fù)雜環(huán)境下基于北斗的定位導(dǎo)航技術(shù)，機(jī)器視覺感知技術(shù)，移動通信結(jié)合物聯(lián)網(wǎng)的自組網(wǎng)數(shù)據(jù)傳輸技術(shù)和自主作業(yè)智能控制技術(shù)幾個方面論述智能農(nóng)機(jī)在導(dǎo)航、控制、互聯(lián)網(wǎng)等領(lǐng)域內(nèi)的研究現(xiàn)狀與發(fā)展。提出一套跨學(xué)科組建智能農(nóng)機(jī)系統(tǒng)的實(shí)施策略，系統(tǒng)結(jié)構(gòu)框圖如圖1所示。

整個系統(tǒng)分為電子控制單元ECU（electronic control unit），農(nóng)機(jī)操縱控制，定位與導(dǎo)航，自組網(wǎng)等部分。ECU負(fù)責(zé)頂層決策，人機(jī)交互以及數(shù)據(jù)傳輸功能。農(nóng)機(jī)操縱控制系統(tǒng)負(fù)責(zé)實(shí)際農(nóng)機(jī)的運(yùn)動控制，以及緊急突發(fā)情況下的自主決策功能。各個部分相互獨(dú)立，通過互相傳輸?shù)臄?shù)據(jù)流各個部分又緊密聯(lián)系起來，共同完成農(nóng)機(jī)田間作業(yè)的復(fù)雜控制任務(wù)。下文將針對多學(xué)科技術(shù)在智能農(nóng)機(jī)系統(tǒng)應(yīng)用上的研究現(xiàn)狀和存在的一些問題，提出相應(yīng)的改善方法。進(jìn)而整合成一套基于北斗導(dǎo)航的智能農(nóng)機(jī)設(shè)計(jì)方案，并在方案設(shè)計(jì)過程中給出了一些可以開展進(jìn)一步研究的內(nèi)容，這些研究內(nèi)容也代表了智能農(nóng)機(jī)未來一段時間內(nèi)某一領(lǐng)域內(nèi)的發(fā)展方向。

圖1 智能農(nóng)機(jī)系統(tǒng)組成

2 農(nóng)機(jī)定位與導(dǎo)航

目前中國農(nóng)機(jī)定位與導(dǎo)航廣泛采用傳統(tǒng)RTK-GPS技術(shù)，該技術(shù)方法的觀測誤差會隨著流動站與基準(zhǔn)站距離的增大而增長，觀測結(jié)果的準(zhǔn)確度不能保證。在丘陵以及西部偏遠(yuǎn)地區(qū)導(dǎo)航信號還會受遮擋、信號增強(qiáng)站點(diǎn)分布稀疏等因素影響。有必要開展以北斗導(dǎo)航為核心輔助慣性導(dǎo)航元件的導(dǎo)航系統(tǒng)創(chuàng)新，且可以從“提高北斗定位精度”和“導(dǎo)航誤差精確建模與補(bǔ)償”等方面開展研究[26]。圖2展示了一種農(nóng)機(jī)導(dǎo)航方案。

圖2 農(nóng)機(jī)組合定位導(dǎo)航

該農(nóng)機(jī)定位與導(dǎo)航采用北斗結(jié)合IMU的緊組合導(dǎo)航模式。北斗信號經(jīng)過地基增強(qiáng)網(wǎng)絡(luò)后可以滿足偏遠(yuǎn)地區(qū)使用的要求，機(jī)載慣導(dǎo)元件誤差精確建模補(bǔ)償控制處理后給出的慣導(dǎo)信息融合北斗星歷數(shù)據(jù)，進(jìn)而與北斗信號比較通過設(shè)計(jì)最優(yōu)綜合與濾波算法，反饋補(bǔ)償修正北斗數(shù)據(jù)和慣導(dǎo)數(shù)據(jù)。

2.1 基于北斗地基增強(qiáng)網(wǎng)絡(luò)的高精度定位方法

北斗導(dǎo)航系統(tǒng)和地面慣性測量單元是完成農(nóng)機(jī)定位與導(dǎo)航的關(guān)鍵。北斗信號較弱時，無法直接使用衛(wèi)星定位導(dǎo)航數(shù)據(jù)，可以考慮利用網(wǎng)絡(luò)RTK技術(shù)和基于國家北斗地基增強(qiáng)網(wǎng)絡(luò)的高精度差分定位技術(shù)，融合北斗地基增強(qiáng)網(wǎng)絡(luò)與移動增強(qiáng)基準(zhǔn)站提供差分?jǐn)?shù)據(jù)服務(wù)，以此來保證導(dǎo)航定位精度，可以從以下幾個方面開展研究：

1）研究北斗地基增強(qiáng)技術(shù)，建立精確的最優(yōu)化觀測模型，研究北斗衛(wèi)星誤差來源及消除方法，使用虛擬參考站VRS(virtual reference station)技術(shù)克服傳統(tǒng)RTK的缺陷，修正導(dǎo)航定位的實(shí)時相關(guān)誤差。

2）研究觀測數(shù)據(jù)處理的關(guān)鍵技術(shù)，載波相位觀測通常會由于各種原因產(chǎn)生周跳，周跳探測與恢復(fù)是保證定位精度的前提，整周模糊度解算是高精度定位的關(guān)鍵步驟。處理好觀測數(shù)據(jù)將提升北斗地基增強(qiáng)網(wǎng)絡(luò)對農(nóng)機(jī)導(dǎo)航高精度定位的支撐作用；

3）研究多導(dǎo)航系統(tǒng)

北斗/GPS/GLONASS/Galileo多模多頻觀測信息最優(yōu)融合模型和模型參數(shù)精確估計(jì)方法以及基于多系統(tǒng)冗余信息的驗(yàn)后殘差載波粗差探測方法，實(shí)現(xiàn)高精度載波信息質(zhì)量控制，提高農(nóng)機(jī)北斗導(dǎo)航系統(tǒng)定位精度。

2.2 農(nóng)機(jī)慣導(dǎo)誤差精確建模與補(bǔ)償方法

IMU器件在實(shí)際使用過程中其定位導(dǎo)航誤差不斷積累，隨工作時間的增長而變大，通常定期利用外部信息（GPS/北斗數(shù)據(jù)）進(jìn)行誤差校正。這就導(dǎo)致有部分時間內(nèi)定位導(dǎo)航誤差較大。通常采用Kalman濾波算法精確估計(jì)陀螺漂移和加速度計(jì)零偏，研究農(nóng)機(jī)設(shè)備三維運(yùn)動約束，對慣導(dǎo)誤差精確建模，實(shí)現(xiàn)對慣導(dǎo)定位誤差的實(shí)時補(bǔ)償和控制。導(dǎo)航坐標(biāo)系選取東北天地理坐標(biāo)系，忽略加速度計(jì)的刻度系數(shù)誤差和安裝誤差角，慣導(dǎo)姿態(tài)誤差方程為[27]

（2）

（3）

速度誤差方程為

（5）

（6）

定位誤差方程為

（8）

（9）

在上述模型的基礎(chǔ)上可以進(jìn)一步考慮刻度系數(shù)誤差和安裝誤差角，建立誤差的精確模型[27]。將誤差方程寫成狀態(tài)空間描述，拉普拉斯變換后求得特征根可以分析導(dǎo)航誤差特性[28]。通過遞推卡爾曼濾波器將北斗導(dǎo)航信息和慣導(dǎo)系統(tǒng)的信息進(jìn)行融合，用北斗的導(dǎo)航信息作為慣導(dǎo)系統(tǒng)的校正信息，狀態(tài)變量選擇導(dǎo)航系統(tǒng)誤差和各慣性器件誤差。通過對誤差精確建模和組合導(dǎo)航的信息融合技術(shù)達(dá)到在偏遠(yuǎn)地區(qū)復(fù)雜環(huán)境下的高精度定位和導(dǎo)航目的。

3 農(nóng)機(jī)機(jī)器視覺感知

針對復(fù)雜環(huán)境下對農(nóng)機(jī)導(dǎo)航精度、實(shí)時性及自主精準(zhǔn)作業(yè)的需求，構(gòu)建穩(wěn)定清晰的全向視覺與雙目視覺結(jié)合的多源視覺感知平臺，可以提高農(nóng)機(jī)系統(tǒng)對復(fù)雜作業(yè)環(huán)境與目標(biāo)對象的綜合感知與分析能力，實(shí)現(xiàn)農(nóng)機(jī)靜態(tài)及行進(jìn)過程中對地理標(biāo)志物、障礙物、農(nóng)作物等目標(biāo)的準(zhǔn)確辨識，為農(nóng)機(jī)在衛(wèi)星信號不穩(wěn)定、慣導(dǎo)誤差累積作業(yè)環(huán)境下提供高精度位置信息，彌補(bǔ)慣性導(dǎo)航系統(tǒng)的缺陷。目前主要的目標(biāo)識別方法有Hough變換，模型匹配，虛交點(diǎn)分析等，然后還可以根據(jù)攝像機(jī)與目標(biāo)的幾何關(guān)系得到機(jī)械的位置姿態(tài)，用于輔助導(dǎo)航。

3.1 圖像場景特征分析與目標(biāo)識別技術(shù)

給智能農(nóng)機(jī)裝上全向視覺裝置，對視覺系統(tǒng)獲取的環(huán)境信息進(jìn)行場景分析。針對衛(wèi)星信號不穩(wěn)定、慣導(dǎo)誤差累積、農(nóng)機(jī)無法獲得連續(xù)有效的高精度定位信息的問題，通過圖像分析技術(shù)對特定標(biāo)識進(jìn)行識別，提取該標(biāo)識下預(yù)設(shè)的位置信息，修正慣導(dǎo)誤差，可以與第2節(jié)介紹的北斗/慣導(dǎo)組合定位系統(tǒng)進(jìn)行互補(bǔ)。

在國內(nèi)，機(jī)器視覺還主要集中在人臉、字體以及車牌識別等方面的應(yīng)用上，而其在具有復(fù)雜環(huán)境的農(nóng)業(yè)領(lǐng)域應(yīng)用還不廣泛。農(nóng)機(jī)的自能化離不開機(jī)器視覺。其對智能農(nóng)機(jī)的動作起提前預(yù)測作用[29]。張磊等[30-31]通過在農(nóng)機(jī)上安裝機(jī)器視覺在低速（<10 km/h）行駛中，其檢測障礙物的正確率達(dá)到96%，且不依靠慣導(dǎo)很好地完成了路徑跟蹤。其他學(xué)者[32-34]依靠機(jī)器視覺技術(shù)也很好地實(shí)現(xiàn)復(fù)雜環(huán)境下的路徑跟蹤和農(nóng)作物的特征提取。

3.1.1 特征信息提取

圖像理解任務(wù)的目標(biāo)識別與分析算法應(yīng)用比較廣泛的特征主要有低層視覺特征，中間語義特征和上下文特征[35]。低層視覺特征獲取方便，易于表達(dá)，應(yīng)用廣泛。但是特征數(shù)量較多，尤其是在復(fù)雜作業(yè)環(huán)境下使用低層視覺會大大提高算法復(fù)雜度。中間語義特征主要包括語義屬性特征，區(qū)域語義概念特征和詞袋（Bag-of-Word）[36-37]特征。低層視覺特征和中間語義在目標(biāo)識別中效率不高。而使用上下文信息進(jìn)行特征識別可以快速的捕獲特定場景中的重點(diǎn)信息。上下文信息中應(yīng)用到了經(jīng)驗(yàn)知識，可與統(tǒng)計(jì)模型如馬爾科夫隨機(jī)模型等結(jié)合起來。常用的上下文信息包括與目標(biāo)物體臨近的其他物體，物體自身的局部子區(qū)域。在復(fù)雜的農(nóng)田作業(yè)環(huán)境中可利用的上下文信息非常多，比如田壟的走勢信息，農(nóng)作物的分布生長狀態(tài)等[38-39]。通過對比一段圖像序列中的每幀圖片識別出田間的各種突發(fā)情況，采用合理的分類算法訓(xùn)練出智能分類器。

3.1.2 特征信息表達(dá)

在特征獲取的基礎(chǔ)上，所選取的特征信息表達(dá)方式是決定數(shù)據(jù)樣本之間的相似性和分類器設(shè)計(jì)關(guān)鍵。圖像特征信息優(yōu)化表達(dá)的策略主要有基于特征提取的特征選擇和高維數(shù)據(jù)聚類方法[40]等理論。

基于特征提取的特征選擇算法主要以主成分分析PCA（principal component analysis）[41]和線性判別分析LDA（linear discriminant analysis）[42]為主。PCA實(shí)際上是一種基于數(shù)據(jù)集方差的特征選擇算法的擴(kuò)展。通過樣本重構(gòu)使得樣本在低維空間中盡量分散且保留樣本原始空間的差異性。LDA基本思想是將高維空間的樣本投射到最佳鑒別矢量空間，投射后保證樣本在新的空間中有最大的類間距離和最小的類內(nèi)距離，一般采用Fisher準(zhǔn)則函數(shù)。

當(dāng)圖像數(shù)據(jù)轉(zhuǎn)化為向量后，數(shù)據(jù)的維度一般都很大，高維數(shù)據(jù)的聚類方法研究的就是數(shù)據(jù)間邏輯上或物理上的聯(lián)系，通過一定的規(guī)則將原始特征數(shù)據(jù)劃分為在性質(zhì)上相似的特征數(shù)據(jù)點(diǎn)。進(jìn)而把一個沒有類別標(biāo)記的數(shù)據(jù)集按照某種準(zhǔn)則劃分成若干個子集（類），并使相似的數(shù)據(jù)對象盡可能地歸為一類、不相似的數(shù)據(jù)對象盡可能地劃分到不同的類中[43]。通常采用子空間聚類或模糊聚類方法。子空間聚類可分為自下而上、自頂而下和混合策略3種類型[44]。典型的算法有CLIQUE（clustering in quest）[45]，ENCLUS（entropy-based clustering）[46]和MAFIA（merging of adaptive finite intervals algorithm）[47]等。該類算法通過使用Apriori策略來查找和合并某度量大于給定閾值的網(wǎng)格，產(chǎn)生候選子空間。并將這些候選子空間按其覆蓋即子空間中點(diǎn)數(shù)量的大小排序，最后用最小描述長度準(zhǔn)則將規(guī)模較低的子空間刪除。這類算法理論上可以處理任意數(shù)量維中的任意形狀和類型的簇。模糊聚類方法主要是把含有個樣本的數(shù)據(jù)集分為類，聚類結(jié)果用聚類中心和隸屬度表示[48]。主要目的是通過選取合適的迭代準(zhǔn)則，在極值的約束條件下使得目標(biāo)函數(shù)最小，即存在：

（12）

3.2 高穩(wěn)定全向和雙目視覺的農(nóng)機(jī)精確導(dǎo)航方法

復(fù)雜或極端作業(yè)環(huán)境下，可以采用較明顯的自然界特征信息（犁溝，田壟以及農(nóng)作物等）來提取導(dǎo)航基準(zhǔn)線，輔助農(nóng)機(jī)導(dǎo)航。但是實(shí)際應(yīng)用中農(nóng)機(jī)不同角度光照強(qiáng)度的影響較大，以及田間雜草等因素影響也會導(dǎo)致導(dǎo)航基準(zhǔn)線丟失。這種情況下可以利用置于農(nóng)機(jī)頂部的具有大范圍轉(zhuǎn)動能力的高穩(wěn)定高清晰全向視覺獲取地標(biāo)場景圖像，重新找到較遠(yuǎn)范圍內(nèi)的基準(zhǔn)線。并且還可以利用多個人工放置的地標(biāo)或特征較為明顯的天然地標(biāo)，通過上節(jié)論述的特征提取技術(shù)對特定標(biāo)識進(jìn)行識別，提取該預(yù)設(shè)標(biāo)識的位置信息，設(shè)計(jì)多地標(biāo)/農(nóng)機(jī)間距解算算法，利用多地標(biāo)與農(nóng)機(jī)的距離信息和幾何關(guān)系，結(jié)合三維空間中的Chan算法輔助農(nóng)機(jī)自定位。

高穩(wěn)定高清晰全向視覺獲取農(nóng)機(jī)周圍視景圖像，并采用圖像拼接技術(shù)得到全景圖像，以其作為目標(biāo)定位與識別的參考[49-50]；通過采集的視覺圖像，Cheein使用SVM使農(nóng)機(jī)正確識別出橄欖園中的樹枝障礙物[51]。置于農(nóng)機(jī)前端的雙目視覺采集農(nóng)機(jī)前方視景圖像，圖像數(shù)據(jù)信息融合后，結(jié)合全向視覺多場景圖像信息，可以實(shí)現(xiàn)復(fù)雜多變環(huán)境，如光照強(qiáng)度不均勻，目標(biāo)形變，遮擋，背景雜亂，背景與目標(biāo)具有相似特征，目標(biāo)多變性等作業(yè)環(huán)境條件下，目標(biāo)作物、苗田壟線和障礙物等的準(zhǔn)確識別。通過對視景圖像信息分析，給出農(nóng)機(jī)導(dǎo)航線，識別障礙物位置與類型，協(xié)助指導(dǎo)農(nóng)機(jī)自主行進(jìn)，穩(wěn)定有效避障，減少漏檢漏耕，保證農(nóng)機(jī)的精確自主作業(yè)。

4 農(nóng)機(jī)物聯(lián)網(wǎng)與數(shù)據(jù)鏈

在現(xiàn)代農(nóng)業(yè)生產(chǎn)、經(jīng)營和管理環(huán)節(jié)中，充分利用物聯(lián)網(wǎng)，電信網(wǎng)以及無線傳感器自組網(wǎng)絡(luò)的智能農(nóng)機(jī)數(shù)據(jù)傳輸技術(shù)，能夠給智能農(nóng)業(yè)的發(fā)展提供強(qiáng)大的動力。將多鏈路數(shù)據(jù)傳輸技術(shù)應(yīng)用到農(nóng)業(yè)各環(huán)節(jié)中已是目前的發(fā)展趨勢。要求突破在空天地各個層面（移動通信網(wǎng)、北斗導(dǎo)航、無人機(jī)和作業(yè)面自組織網(wǎng)）的立體拓?fù)渥越M網(wǎng)技術(shù)，滿足農(nóng)機(jī)作業(yè)區(qū)域網(wǎng)絡(luò)覆蓋，保證自組網(wǎng)的魯棒性和傳輸可靠性，為農(nóng)機(jī)作業(yè)提供網(wǎng)絡(luò)數(shù)據(jù)傳輸保障。

針對農(nóng)機(jī)各環(huán)境條件下的自主作業(yè)與遠(yuǎn)程監(jiān)控、北斗精確定位對數(shù)據(jù)傳輸帶寬的需求，依靠移動通信網(wǎng)絡(luò)（TD-LTE、LTE、NB-IoT）[52-54]，地面工作站，空中無人機(jī)基站和地面無線網(wǎng)格網(wǎng)絡(luò)（MESH）構(gòu)建立體拓?fù)渥越M網(wǎng)，網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示。并在自組網(wǎng)絡(luò)中實(shí)現(xiàn)多跳分組無線路由協(xié)議[55]能夠?qū)崿F(xiàn)多鏈路數(shù)據(jù)網(wǎng)絡(luò)傳輸。

地面工作站負(fù)責(zé)作業(yè)區(qū)域和移動通信網(wǎng)的連接，地面工作站和空中無人機(jī)上的多鏈路接入設(shè)備一同構(gòu)成作業(yè)區(qū)域主網(wǎng)。如公網(wǎng)斷開，地面工作站還負(fù)責(zé)區(qū)域北斗差分信號的處理和播發(fā)。

圖3 立體網(wǎng)絡(luò)覆蓋示意圖

空中無人機(jī)基站負(fù)責(zé)數(shù)據(jù)中繼，保證地面作業(yè)區(qū)域的移動農(nóng)機(jī)網(wǎng)絡(luò)覆蓋，地面MESH網(wǎng)絡(luò)與空中無人機(jī)基站協(xié)同完成農(nóng)機(jī)WiFi的網(wǎng)絡(luò)覆蓋，具體可以從以下幾個方面開展研究：

4.1 立體拓?fù)渚W(wǎng)絡(luò)

農(nóng)機(jī)的作業(yè)區(qū)域有多種網(wǎng)絡(luò)覆蓋，自組網(wǎng)絡(luò)覆蓋、WiFi自組網(wǎng)覆蓋、TD-LTE、NB-IoT技術(shù)的覆蓋及北斗短報文衛(wèi)星波束覆蓋[56]。結(jié)合基于分布式哈希表的結(jié)構(gòu)化路由算法實(shí)現(xiàn)可控的路由走向和開放的路由架構(gòu)，滿足農(nóng)業(yè)組網(wǎng)需要。

當(dāng)移動通信LTE、NB-IoT網(wǎng)絡(luò)有效覆蓋農(nóng)機(jī)作業(yè)區(qū)域時，信號質(zhì)量較好，多鏈路自組網(wǎng)絡(luò)的接入設(shè)備集成了4G收發(fā)模塊。能夠直接訪問移動通信網(wǎng)進(jìn)行傳輸視頻信息、北斗差分信息；通過NB-IoT接入，可傳送圖文信息。

當(dāng)公網(wǎng)LTE、NB-IoT網(wǎng)絡(luò)信號質(zhì)量較差的情況下，農(nóng)機(jī)上多鏈路自組網(wǎng)絡(luò)的接入設(shè)備能夠組成LTE自組網(wǎng)和WiFi MESH自組網(wǎng)。2類自組網(wǎng)通過地面工作站中繼接入中國移動4G網(wǎng)絡(luò)，這樣農(nóng)機(jī)上的接入設(shè)備可使用移動通信網(wǎng)絡(luò)傳送控制中心的各類數(shù)據(jù)信息。

在移動通信信號覆蓋較差，或者其他原因地面工作站無法訪問公網(wǎng)時，農(nóng)機(jī)作業(yè)區(qū)域內(nèi)可組成自組網(wǎng)絡(luò)，完成區(qū)域差分信息和農(nóng)機(jī)信息傳輸。地面工作站為本地數(shù)據(jù)控制中心，通過控制空中無人機(jī)基站的高度和位置實(shí)現(xiàn)接入設(shè)備發(fā)射功率的控制。

4.2 LTE、WiFi與MESH的多跳自組網(wǎng)

復(fù)雜的多跳自組網(wǎng)需要解決全網(wǎng)絡(luò)的時間同步問題[57]，恰恰采用的北斗導(dǎo)航報文中含有精確的世界時，可以用于自組網(wǎng)絡(luò)的時間同步。

農(nóng)機(jī)LTE組網(wǎng)由地面工作站、空中無人機(jī)基站、農(nóng)機(jī)多鏈路接入節(jié)點(diǎn)組成；WiFi MESH自組網(wǎng)由地面和空中節(jié)點(diǎn)組成。節(jié)點(diǎn)與相鄰節(jié)點(diǎn)能直接通信，節(jié)點(diǎn)與其他節(jié)點(diǎn)可以通過多跳路由實(shí)現(xiàn)數(shù)據(jù)傳輸。

多跳路由網(wǎng)絡(luò)不存在一個網(wǎng)絡(luò)中心控制點(diǎn)，允許所有節(jié)點(diǎn)任意移動，通信質(zhì)量不會因?yàn)橐粋€節(jié)點(diǎn)的移動而受到影響，使用較多的就是OLSR（optimized link state routing protocol）協(xié)議。多跳組網(wǎng)技術(shù)組網(wǎng)方便快捷，提高了信道利用率。

4.3 網(wǎng)絡(luò)接入方式及通用網(wǎng)關(guān)設(shè)計(jì)方法

農(nóng)業(yè)多鏈路數(shù)據(jù)傳輸網(wǎng)絡(luò)需要保證傳輸數(shù)據(jù)的實(shí)時性和可靠性，但由于實(shí)際應(yīng)用中各網(wǎng)絡(luò)接入技術(shù)間相對獨(dú)立，缺乏可靠的協(xié)同機(jī)制，各鏈路間的無縫切換難以保證。這種情況下可以研究通用的WiFi、自組網(wǎng)LTE到公網(wǎng)LTE協(xié)議轉(zhuǎn)換，即通用網(wǎng)關(guān)協(xié)議。

對于作業(yè)區(qū)域的節(jié)點(diǎn)，多條鏈路（專網(wǎng)LTE、WiFi）數(shù)據(jù)可捆綁在一起，形成一個虛擬的鏈路，節(jié)點(diǎn)作為“鏈路束節(jié)點(diǎn)”。網(wǎng)絡(luò)層將鏈路束當(dāng)作一條普通的鏈路，完成通信。并將多協(xié)議數(shù)據(jù)報文封裝，為高層的局域網(wǎng)協(xié)議通過廣域網(wǎng)傳輸提供一種標(biāo)準(zhǔn)機(jī)制，在數(shù)據(jù)鏈路層實(shí)現(xiàn)多鏈路協(xié)議的融合，為網(wǎng)絡(luò)層提供統(tǒng)一的傳輸格式和路由協(xié)議。

4.4 WiFi自組網(wǎng)按需路由選擇協(xié)議

目前最具代表性的按需路由方式有動態(tài)源路由協(xié)議和專用按需距離向量路由協(xié)議，這樣中間節(jié)點(diǎn)不用周期性的路由信息廣播，節(jié)省了一部分網(wǎng)絡(luò)帶寬，并且適用于能量有限的網(wǎng)絡(luò)環(huán)境。接下來需要研究的內(nèi)容是深入分析按需驅(qū)動路由協(xié)議涉及的多請求處理、出錯處理、路由表建立及維護(hù)等。研究按需路由維護(hù)機(jī)制，適應(yīng)農(nóng)機(jī)作業(yè)區(qū)域自組網(wǎng)覆蓋。

5 復(fù)雜環(huán)境、工況農(nóng)機(jī)精確自主控制方法

農(nóng)機(jī)自主控制的關(guān)鍵在于解決復(fù)雜環(huán)境、工況下農(nóng)機(jī)的智能調(diào)整策略和農(nóng)機(jī)的自主決策。農(nóng)機(jī)作業(yè)環(huán)境較為復(fù)雜，農(nóng)機(jī)、農(nóng)具種類多，作業(yè)類型多，耕地坡度差異，土壤附著力差異，作業(yè)時存在障礙物等，農(nóng)機(jī)應(yīng)能在這些復(fù)雜情況下均能精確自主運(yùn)行，實(shí)現(xiàn)農(nóng)機(jī)最佳動力匹配、農(nóng)機(jī)自主控制等。

在圖1所示的系統(tǒng)組成圖中，集成智能操控系統(tǒng)完成機(jī)器學(xué)習(xí)、自主控制的任務(wù)。通過控制農(nóng)機(jī)上的各種操縱機(jī)構(gòu)完成自主避障路徑規(guī)劃，無人干預(yù)困境脫險[58]等工作。具體到系統(tǒng)實(shí)現(xiàn)方法上可以依靠圖4所示的策略完成。

圖4 農(nóng)機(jī)精確自主控制實(shí)現(xiàn)策略

5.1 “農(nóng)機(jī)-農(nóng)具-土壤”動力學(xué)特性的數(shù)學(xué)描述

對各類農(nóng)機(jī)、農(nóng)具、土壤力學(xué)特性進(jìn)行分類分析，建立農(nóng)機(jī)具多自由度動力學(xué)模型，通過理論分析和試驗(yàn)研究，尋求實(shí)際農(nóng)機(jī)作業(yè)條件下的降階模型，該動力學(xué)模型結(jié)構(gòu)參數(shù)可能不確定[59]。針對模型參數(shù)不確定情況可以采用最小二乘遞推在線辨識的方法來解決。以實(shí)際農(nóng)機(jī)狀態(tài)量與模型狀態(tài)量的差值函數(shù)最小為目標(biāo)進(jìn)行參數(shù)估計(jì)，不斷優(yōu)化直到識別出一個在特定條件下相對精確的系統(tǒng)模型，

最小二乘遞推算法可以概括為取加權(quán)矩陣

（14）

（15）

5.2 研究基于動力學(xué)模型和控制律參數(shù)自調(diào)整的軌跡跟蹤控制策略

基于農(nóng)機(jī)作業(yè)動力學(xué)特性設(shè)計(jì)控制策略，通過導(dǎo)航控制偏差預(yù)測，以未來控制偏差目標(biāo)函數(shù)最小為目標(biāo)，在線優(yōu)化控制律參數(shù)，始終以最佳控制參數(shù)控制農(nóng)機(jī)完成軌跡跟蹤?？刂撇呗圆捎梦恢谩⒆藨B(tài)角及其導(dǎo)數(shù)作為狀態(tài)反饋來提高農(nóng)機(jī)控制的穩(wěn)定性，引入前饋控制提高機(jī)動性[60]。基于導(dǎo)航控制偏差預(yù)測優(yōu)化控制律參數(shù)，超前調(diào)整控制律參數(shù)。

結(jié)合上述內(nèi)容可以做出如圖5所示的關(guān)系：控制律1與實(shí)際農(nóng)機(jī)狀態(tài)輸出構(gòu)成農(nóng)機(jī)作業(yè)的閉環(huán)控制，控制律1復(fù)制于當(dāng)前更新的控制律2；實(shí)際農(nóng)機(jī)輸出與農(nóng)機(jī)待估模型的輸出之差構(gòu)成目標(biāo)函數(shù)，依據(jù)最小在線辨識的參數(shù)；控制律2與農(nóng)機(jī)精確模型構(gòu)成控制律2的參數(shù)在線調(diào)整策略，通過預(yù)測未來一段時間的導(dǎo)航控制偏差構(gòu)成目標(biāo)函數(shù)，依據(jù)最小在線優(yōu)化控制律2的參數(shù)，模型2復(fù)制于當(dāng)前更新的模型1?？刂浦型ㄟ^在線模型辨識、控制律參數(shù)優(yōu)化，實(shí)施適應(yīng)當(dāng)前作業(yè)環(huán)境與特性的最優(yōu)控制。狀態(tài)反饋包括：定位信息及其導(dǎo)數(shù)、姿態(tài)角信息及其導(dǎo)數(shù)、圖像信息、轉(zhuǎn)向角等。多維控制量包括：離合、剎車、油門、換擋、轉(zhuǎn)向、懸掛等控制量。

圖5 農(nóng)機(jī)控制結(jié)構(gòu)圖

針對農(nóng)機(jī)作業(yè)實(shí)際需要的避障等問題，依據(jù)圖像及導(dǎo)航綜合信息、“農(nóng)機(jī)-農(nóng)具”特性參數(shù)，以最小路徑、最少漏耕面積等指標(biāo)實(shí)施動態(tài)路徑規(guī)劃。在避障控制以及其它特殊環(huán)境下的控制中，對控制過程進(jìn)行存儲、學(xué)習(xí)，可以提高自主控制決策的能力。

動態(tài)路徑規(guī)劃基本輸入輸出為：

輸出：最優(yōu)解（狀態(tài)轉(zhuǎn)移路徑），或多條備選路徑；

動作：狀態(tài)轉(zhuǎn)移估值（估價函數(shù)）；

可以抽象出算法中的兩個重要概念狀態(tài)和狀態(tài)轉(zhuǎn)移估值（估價函數(shù)）。

為了能更好地給出一塊作業(yè)田地的路徑表示方式，將作業(yè)田地劃分成若干個面積相等的方格。構(gòu)建出農(nóng)機(jī)以及障礙物在該網(wǎng)格中的模型。如圖6所示，農(nóng)機(jī)每次動作都有多種選擇，其初始狀態(tài)（初始位置）為，目標(biāo)狀態(tài)為。

注：Si,j為當(dāng)前農(nóng)機(jī)所在狀態(tài)；i,j表示農(nóng)機(jī)所在網(wǎng)格行數(shù)和列數(shù)，S為目標(biāo)狀態(tài)；為了躲避障礙物，農(nóng)機(jī)可以有8個選擇進(jìn)入下一個狀態(tài)。每一步行動的代價函數(shù)都可以用F(Sij)=G(Sij)+H(Sij)來表示，通過迭代估計(jì)可以計(jì)算出每一步的代價，F(xiàn)(Si-1, j-1)為網(wǎng)格位置Si-1, j-1的代價。

尋路步驟如下：

狀態(tài)轉(zhuǎn)移方程：

將它從"開啟列表"中移掉，添加到"關(guān)閉列表"再繼續(xù)找出它周圍可以到達(dá)的方塊，如此循環(huán)下去[61]。

（18）

（19）

注：F(Si)為代價函數(shù)；j為農(nóng)機(jī)路徑搜索步長；qdes為期望航向角，(°)；為了躲避障礙，農(nóng)機(jī)可以有n個選擇進(jìn)入下一個狀態(tài)。每一步行動都采用式（17）-（19）給出的計(jì)算方法得出該步行動的消耗，取消耗最小值進(jìn)入下一狀態(tài)。

5.4 農(nóng)機(jī)試驗(yàn)平臺

多學(xué)科技術(shù)方法合理性驗(yàn)證需要農(nóng)機(jī)試驗(yàn)裝置，目前大多數(shù)試驗(yàn)平臺選擇的是農(nóng)用拖拉機(jī)。因?yàn)橥侠瓩C(jī)使用環(huán)境條件相對比較好，空間開闊，便于改裝控制。這樣在模型與控制算法研究基礎(chǔ)上，可以構(gòu)建農(nóng)機(jī)自主控制裝置，并安裝于拖拉機(jī)平臺完成自主控制試驗(yàn)。通過改裝拖拉機(jī)的轉(zhuǎn)向、變速、離合和剎車等，能夠?qū)崿F(xiàn)拖拉機(jī)的自動駕駛。圖8展示了一套農(nóng)機(jī)精確控制系統(tǒng)組成原理。一般自主控制農(nóng)機(jī)裝備由集成控制電子單元（ECU）、農(nóng)機(jī)控制執(zhí)行單元、農(nóng)機(jī)平臺、輔助測量傳感器等組成。

圖8 試驗(yàn)平臺組成

集成控制電子單元包括：數(shù)據(jù)通信單元，模型參數(shù)在線辨識單元，控制律參數(shù)在線調(diào)整單元，綜合控制單元、狀態(tài)測量與回路控制單元。各單元之間通過內(nèi)部總線進(jìn)行數(shù)據(jù)通信，數(shù)據(jù)通信單元讀取農(nóng)機(jī)導(dǎo)航指令、定位信息、姿態(tài)信息、圖像信息等。

農(nóng)機(jī)控制執(zhí)行單元包括：離合、剎車、油門、換擋控制執(zhí)行器，轉(zhuǎn)向、懸掛液壓控制系統(tǒng)等。農(nóng)機(jī)控制執(zhí)行單元將傳感器信號反饋給集成控制電子單元，并接受集成控制電子單元發(fā)送的離合、剎車、油門、換擋、轉(zhuǎn)向、懸掛等自動控制信號。

輔助測量傳感器包括：轉(zhuǎn)向傳感器，輪速傳感器，懸掛加裝的力和位移傳感器[65-66]。在轉(zhuǎn)向控制策略中，通過比較轉(zhuǎn)向控制模式1（采用轉(zhuǎn)向傳感器作為內(nèi)閉環(huán)反饋的控制模式[67-68]）和轉(zhuǎn)向控制模式2（僅采用姿態(tài)角信號作為轉(zhuǎn)向控制反饋的控制模式[69-70]）的控制效果，盡量減少傳感器數(shù)量。四個輪速傳感器用于模型降階研究，車輛動力學(xué)模型可以表達(dá)為具有車身6自由度、底盤懸架4自由度、四輪轉(zhuǎn)速4自由度等的多自由度模型，需要根據(jù)農(nóng)機(jī)控制特點(diǎn)進(jìn)行降階，輪速傳感器用于建模分析和模型降階研究，最終自主控制策略可以不需要輪速反饋。

設(shè)計(jì)智能農(nóng)機(jī)試驗(yàn)裝置應(yīng)該體現(xiàn)下列先進(jìn)性：

1）控制的穩(wěn)定性?？梢砸朕r(nóng)機(jī)坐標(biāo)信息及其導(dǎo)數(shù)、姿態(tài)角信息及其導(dǎo)數(shù)等構(gòu)成狀態(tài)反饋，使用更多狀態(tài)量的導(dǎo)數(shù)信息，一定程度上在航向控制穩(wěn)定性、軌跡偏差控制等方面性能會有所提高。

2）在線調(diào)整控制律參數(shù)，滿足多場景使用要求。依據(jù)當(dāng)前“農(nóng)機(jī)-農(nóng)具-土壤”動力學(xué)特性，在線優(yōu)化控制律參數(shù)，始終以符合當(dāng)前特性的最佳控制參數(shù)實(shí)施控制。

3）農(nóng)機(jī)自主決策。農(nóng)機(jī)自動控制應(yīng)該可以實(shí)現(xiàn)農(nóng)機(jī)最佳動力匹配、農(nóng)機(jī)人工智能控制、自動導(dǎo)航控制等。

6 結(jié) 論

現(xiàn)代智能農(nóng)機(jī)應(yīng)用到導(dǎo)航，控制，圖像以及數(shù)據(jù)鏈等技術(shù)，各項(xiàng)工程技術(shù)之間有穿插和重疊?；谲囕v運(yùn)動約束的導(dǎo)航誤差校正方法和全向及雙目場景目標(biāo)高維特征提取方法為精確軌跡跟蹤控制提供了條件，數(shù)據(jù)鏈保證了各部分?jǐn)?shù)據(jù)的高效可靠傳輸，為遠(yuǎn)程操作提供了可能。近年來多傳感器信息融合技術(shù)越來越多的應(yīng)用到各行業(yè)的定位與導(dǎo)航系統(tǒng)中并取得了較好的實(shí)現(xiàn)效果?？梢姂?yīng)用基于誤差精確建模的緊組合導(dǎo)航方式結(jié)合多傳感器信息融合技術(shù)是自動導(dǎo)航系統(tǒng)研究的主要方向。在農(nóng)機(jī)視覺圖像處理領(lǐng)域應(yīng)用數(shù)學(xué)中的小波變換和多尺度理論能較好的進(jìn)行目標(biāo)識別。將用于航空航天的導(dǎo)航技術(shù)、全向機(jī)器視覺技術(shù)、機(jī)械電子技術(shù)以及飛行控制技術(shù)等國防科學(xué)技術(shù)應(yīng)用于智能農(nóng)業(yè)中，必將顯著提高中國農(nóng)機(jī)行業(yè)技術(shù)水平，具有較高科研價值，又能很好的響應(yīng)國家軍民融合的發(fā)展戰(zhàn)略。下一步還可以探索多機(jī)協(xié)調(diào)工作實(shí)現(xiàn)方案，為以后中國農(nóng)民土地合理流轉(zhuǎn)，規(guī)?；?jīng)營打下了技術(shù)基礎(chǔ)，將大大降低勞動強(qiáng)度，提高勞動生產(chǎn)率。

同時多學(xué)科技術(shù)融合的智能農(nóng)機(jī)也將會為其他交通車輛的智能化提供技術(shù)借鑒，車輛的機(jī)器視覺和機(jī)器學(xué)習(xí)結(jié)合互聯(lián)網(wǎng)技術(shù)將產(chǎn)生巨大的影響力，改變多個行業(yè)的運(yùn)營模式，并帶來了汽/柴油等化石能源消耗的大幅度降低，起到降耗減排的效果；有效保護(hù)生態(tài)環(huán)境。促進(jìn)資源節(jié)約型、環(huán)境友好型社會的快速發(fā)展，產(chǎn)生較高的社會和生態(tài)效益。

[1] 中國機(jī)械工業(yè)年鑒編輯委員會. 中國機(jī)械工業(yè)年鑒2013[M]. 北京：機(jī)械工業(yè)出版社，2013.

[2] Ortiz B V, Balkcom K B, Duzy L, et al. Evaluation of agronomic and economic benefits of using RTK-GPS-based auto-steer guidance systems for peanut digging operations[J]. Precision Agriculture, 2013(14): 357－375.

[3] O'Connor M, Bell T, Elkaim G, et al. Automatic steering of farm vehicles using GPS[J]. Intl. conf. precision Agriculture, 1996.

[4] Noguchi N, Terao H, Sakata C. Performance improvement by control of flow rates and diesel injection timing on dual-fuel engine with ethanol[J]. Bioresource Technology, 1996, 56(1): 35－39.

[5] Eaton R, Pota H, Katupitiya J. Path tracking control of agricultural tractors with compensation for steering dynamics[C]// 48th IEEE Conference on Decision & Control, China, 2009: 7357－7362

[6] Payne M L, Hung J Y, Bevly D M. Control of a robot-trailer system using a single non-collocated sensor[C]// 38th Annual Conference on IEEE Industrial Electronics Society, 2012: 2674－2679

[7] Derrick J B, Bevly D M. Adaptive steering control of a farm tractor with varying yaw rate properties[J]. Journal of Field Robotics, 2009, 26(6): 519－536.

[8] Bergerman M, Maeta S M, Zhang J, et al. Robot farmers: autonomous orchard vehicles help tree fruit production[J]. Robotics & Automation Magazine IEEE, 2015, 22(1): 54－63.

[9] Stombaugh T, Benson E R, Hummel J W. Automatic guidance of agricultural vehicles at high field speeds[C]// 1998 ASAE Annual International Meeting, Orlando: 1998: 537－544.

[10] Montero J I, Henten E J V, Son J E, et al. Greenhouse engineering: new technologies and approaches[J]. Acta Horticulturae, 2011, 893(893): 51－63.

[11] Kondo N, Yata K, Iida M, et al. Development of an end-effecter for a tomato cluster harvesting robot[J]. Engineering in Agriculture, Environment and Food, 2010, 3(1): 20－24.

[12] Fakharian A, Gustafsson T, Mehrfam M. Adaptive kalman filtering based navigation: An IMU/GPS integration approach[C]// IEEE International Conference on Networking, Sensing and Control (ICNSC), 2011: 181－185.

[13] Xiong Z, Chen L, Juan H E, et al. Small agricultural machinery path intelligent tracking control based on fuzzy immune PID[J]. Jiqiren/robot, 2015, 37(2): 212－223.

[14] 羅錫文，張智剛，趙作喜，等. 東方紅X-804拖拉機(jī)的DGPS自動導(dǎo)航控制系統(tǒng)[J]. 農(nóng)業(yè)工程學(xué)報，2009，25(11)：139－145. Luo Xiwen, Zhang Zhigang, Zhao Zuoxi, et al. Design of DGPS navigation control system for dong fang hong X-804 tractor[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2009, 25(11): 139－145. (in Chinese with English abstract)

[15] 黃沛琛，羅錫文，張智剛. 改進(jìn)純追蹤模型的農(nóng)業(yè)機(jī)械地頭轉(zhuǎn)向控制方法[J]. 計(jì)算機(jī)工程與應(yīng)用，2010，46(21)：216－219. Huang Peichen, Luo Xiwen, Zhang Zhigang. Agricultural machinery steering control method based on improved pure tracking model[J]. Computer Engineering and Applications, 2010, 46(21): 216－219. (in Chinese with English abstract)

[16] 羅錫文，張智剛，胡煉，等. 4種DGPS模塊動態(tài)定位精度測試與分析[J]. 華南農(nóng)業(yè)大學(xué)學(xué)報，2010，31(1)： 102－107. Luo Xiwen, Zhang Zhigang, Hu Lian, et al. Measurement and analysis of dynamic positioning accuracy of four DGPS modules[J]. Journal of South China Agricultural University, 2010, 31(1): 102－107. (in Chinese with English abstract)

[17] 李逃昌，胡靜濤，高雷，等. 基于模糊自適應(yīng)純追蹤模型的農(nóng)業(yè)機(jī)械路徑跟蹤方法[J]. 農(nóng)業(yè)機(jī)械學(xué)報，2013，44(1)：205－210. Li Taochang, Hu Jingtao, Gao Lei, et al. Agricultural machine path tracking method based on fuzzy adaptive pure pursuit model[J]. Transactions of the Chinese Society for Agricultural Machinery, 2013, 44(1): 205－210. (in Chinese with English abstract)

[18] 李逃昌. 基于級聯(lián)式控制策略的農(nóng)業(yè)機(jī)械自動導(dǎo)航控制方法研究[D]．北京：中國科學(xué)院大學(xué)，2014. Li Taochang. Research on Automatic Navigation Control Method Based on Cascade Control Strategy for Agricultural Machinery[D]. Beijing: University of Science and Technology of China, 2014.(in Chinese with English abstract)

[19] 白曉平，胡靜濤，高雷，等. 農(nóng)機(jī)導(dǎo)航自校正模型控制方法研究[J]. 農(nóng)業(yè)機(jī)械學(xué)報，2015，46(2)：1－7. Bai Xiaoping, Hu Jingtao, Gao Lei, et al. Self-tuning model control method for farm machine navigation[J]. Transactions of the Chinese Society for Agricultural Machinery, 2015, 46(2): 1－7. (in Chinese with English abstract)

[20] 劉繼展，劉煒，毛罕平，等. 面向立柱栽培的機(jī)器人移栽苗序與路徑分析[J]. 農(nóng)業(yè)工程學(xué)報，2014，30(5)：28－35. Liu Jizhan, Liu Wei, Mao Hanping, et al. Preparation and path analysis of robot transplantation for column cultivation[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2014, 30(5): 28－35. (in Chinese with English abstract)

[21] 偉利國，張權(quán)，顏華，等. XDNZ630型水稻插秧機(jī)GPS自動導(dǎo)航系統(tǒng)[J]. 農(nóng)業(yè)機(jī)械學(xué)報，2011，42(7)：186－190. Wei Liguo, Zhang Quan, Yan Hua, et al. GPS automatic navigation system design for XDNZ630 rice transplanter[J]. Transactions of the Chinese Society for Agricultural Machinery, 2011, 42(7): 186－190. (in Chinese with English abstract)

[22] 權(quán)龍哲，張冬冬，查紹輝，等. 三臂多功能棚室農(nóng)業(yè)機(jī)器人的運(yùn)動學(xué)分析及試驗(yàn)[J]. 農(nóng)業(yè)工程學(xué)報，2015，31(13)：32－38. Quan Longzhe, Zhang Dongdong, Zha Shaohui, et al. Kinematics analysis and experiment of multifunctional agricultural robot in greenhouse with three arms[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(13): 32－38. (in Chinese with English abstract)

[23] Dickson M A, Zhang Q. Sensor-fusion navigator for automated guidance of off-road vehicles: United States Patent: US6445983[P]. 2002-09-03.

[24] 耿效華. 發(fā)展我國農(nóng)業(yè)機(jī)械自動化、信息化和智能化的必要性和重點(diǎn)領(lǐng)域[J]. 中國農(nóng)機(jī)化學(xué)報，2007(5)：50－52. Geng Xiaohua. The necessity and key fields of developing agricultural machinery automation, information and intelligence in China[J]. Journal of Chinese Agricultural Mechanization, 2007(5): 50－52. (in Chinese with English abstract)

[25] Shearer S A, Pitla S K, Luck J D. Trends in the automation of agricultural field machinery[C]//In Proc. of the 21st Annual Meeting of the Club of Bologna, Italy, 2010.

[26] 卞鴻巍，李安，覃方君，等. 現(xiàn)代信息融合技術(shù)在組合導(dǎo)航中的應(yīng)用[M]. 北京：國防工業(yè)出版社，2010.

[27] 秦永元. 慣性導(dǎo)航[M]. 北京：科學(xué)出版社，2006.

[28] Yang L, Noguchi N, Takai R. Development and application of a wheel-type robot tractor[J]. Engineering in Agriculture Environment & Food, 2016, 9(2): 131－140.

[29] 姜國權(quán)，柯杏，杜尚豐，等. 基于機(jī)器視覺的農(nóng)田作物行檢測[J]. 光學(xué)學(xué)報，2009，29(4)：1015－1020. Jiang Guoquan, Ke Xing, Du Shangfeng, et al. Crop row detection based on machine vision[J]. Acta Optica Sinica, 2009, 29(4): 1015－1020. (in Chinese with English abstract)

[30] 張磊. 基于機(jī)器視覺的農(nóng)田區(qū)域邊界和障礙物檢測方法的研究[D]. 北京：中國農(nóng)業(yè)大學(xué)，2007. Zhang Lei. Study on the Detection Method of Farmland Boundary and Obstacle Based on Machine Vision[D]. Beijing: China Agricultural University, 2007. (in Chinese with English abstract)

[31] 張磊，王書茂，陳兵旗. 基于機(jī)器視覺的麥田邊界檢測[J]. 農(nóng)業(yè)機(jī)械學(xué)報，2007，38(2)：111－114. Zhang Lei, Wang Shumao, Chen Bingqi. Wheat border detection based on machine vision[J]. Transactions of the Chinese Society for Agricultural Machinery, 2007, 38(2): 111－114. (in Chinese with English abstract)

[32] Wu Tong, Xu Gongxian. Path following for a tractor-trailer system using sliding mode control[J]. Journal of Bohai University:Natural Science Edition, 2016, 37(2): 172－176.

[33] Li L, Wei X, Zhu W, et al. Research on auxiliary navigation system for wide spraying mechanism based on machine vision[J]. Nongye Jixie Xuebao/transactions of the Chinese Society of Agricultural Machinery, 2015, 46(9):28－33.

[34] Wang F, Zheng J, Tang Y. Analysis on application and research progress of machine vision in agriculture in China[J]. Shandong Agricultural Sciences, 2016, 48(4): 139－144.

[35] Liu C M, Lee C H, Wang L C. Distributed clustering algorithms for data-gathering in wireless mobile sensor networks[J]. Journal of Parallel Distributed Computing, 2007, 67(11): 1187－1200

[36] Yang J, Jiang Y G, Hauptmann A G, et al. Evaluating bag-of-vision words representations in scene classification[C]// Proceedings of international workshop on Multimedia Information Retrieval, New York, USA, 2007: 197－206.

[37] 王君秋，査紅彬. 結(jié)合興趣點(diǎn)和邊緣的建筑物和物體識別方法[J]. 計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報，2007，18(8)： 1257－1263. Wang Junqiu, Zha Hongbin. Building and object recognition method combining interest points and edges[J]. Journal of Computer-Aided Design and Computer Graphics, 2007,18(8): 1257－1263. (in Chinese with English abstract)

[38] 孫元義，張紹磊，李偉. 棉田噴藥農(nóng)業(yè)機(jī)器人的導(dǎo)航路徑識別[J]. 清華大學(xué)學(xué)報：自然科學(xué)版，2007，47(2)： 206－209. Sun Yuanyi, Zhang Shaolei, Li Wei. Guidance lane detection for pesticide spraying robot in cotton fields[J]. Journal of Tsinghua University: Science and Technology, 2007, 47(2): 206－209. (in Chinese with English abstract)

[39] 王曉燕，陳媛，陳兵旗，等. 免耕覆蓋地秸稈行茬導(dǎo)航路徑的圖像檢測[J]. 農(nóng)業(yè)機(jī)械學(xué)報，2009，40(6)：158－163. Wang Xiaoyan, Chen Yuan, Chen Bingqi, et al. Detection of stubble row and inter-row line for computer vision guidance in no-till field[J]. Transactions of the Chinese Society for Agricultural Machinery, 2009, 40(6): 158－163. (in Chinese with English abstract)

[40] Bouveyron C, Girard S, Schmid C. High-dimensional data clustering[J]. Computational Statistics & Data Analysis, 2006, 52(1): 502－519.

[41] 于成龍. 基于特征提取的特征選擇研究[D]. 南京：南京郵電大學(xué)，2011. Yu Chenglong. Feature Selection Based on PCA[D]. Nanjing: Nanjing University of Posts and Telecommunications, 2011. (in Chinese with English abstract)

[42] Naikal N, Yang A Y, Sastry S S. Informative feature selection for object recognition via sparse PCA[C]// IEEE International Conference on Computer Vision. IEEE, 2011: 818-825.

[43] 賀玲，蔡益朝，楊征. 高維數(shù)據(jù)聚類方法綜述[J]. 計(jì)算機(jī)應(yīng)用研究，2010，27(1)：23－26.

[44] 范玉華. 面向圖像理解的特征信息優(yōu)化表達(dá)及場景目標(biāo)識別與分析[D]. 北京：北京航空航天大學(xué)，2013. Fan Yuhua. Scene Object Recognition and Analysis with Optimizing Representation of Features for Image Understanding[D]. Beijing: Beihang University, 2013. (in Chinese with English abstract)

[45] Agrawal R, Gehrke J, Gunopulos D, et al. Automatic subspace clustering of high dimensional data for data mining applications[C]// Proc of ACMSIGMOD Conference. Seattle. WA, 1998: 94－105.

[46] Chen C H, Fu A W, Zhang Y. Entropy-based subspace cluste-ring for mining numerical data[C]// Proc of the 5th ACM SIGKDD. San Diego, CA, 1999: 84－93.

[47] Nagesh H, Goil S, Choud A, et al. Adaptive grids for cluste-ring massive data sets[C]// Proc of the 1st SIAM ICDM. Chicago, IL, 2001.

[48] Fern X Z, Brodley C E. Random projection for high dimensional data clustering: A cluster ensemble approach[C]//Machine Learning, Proceedings of the Twentieth International Conference. DBLP, 2003: 186－193.

[49] Sun D, Chen D, Wang S, et al. A dynamic instability detection and prediction system for high clearance tractor[J]. Ifac Papers Online, 2016, 49(16): 50－54

[50] Zhang Z. Flexible camera calibration by viewing a plane from unknown orientations[C]// The Proceedings of the Seventh IEEE International Conference on Computer Vision. IEEE, 2002: 666－673.

[51] Cheein F A, Steiner G, Carelli P G, et al. Optimized EIF-SLAM algorithm for precision agriculture mapping based on stems detection[J]. Computers & Electronics in Agriculture, 2011, 78(2): 195－207.

[52] Drenjanac D, Tomic S, Agüera J. Wi-Fi and satellite-based location techniques for intelligent agricultural machinery controlled by a human operator[J]. Sensor, 2014, 14(10): 19767－19784.

[53] 張開生，田開元，呂明，等. 基于物聯(lián)網(wǎng)技術(shù)的農(nóng)業(yè)大棚環(huán)境監(jiān)控系統(tǒng)設(shè)計(jì)[J]. 西安科技大學(xué)學(xué)報，2015，35(6)：805－811. Zhang Kaisheng, Tian Kaiyuan, Lv Ming, et al. Design of agricultural greenhouse environment monitoring system based on Internet of things[J]. Journal of Xi'an University of Science and Technology, 2015, 35(6): 805－811. (in Chinese with English abstract)

[54] 趙鵬飛. 自組織路由技術(shù)在農(nóng)業(yè)數(shù)據(jù)無線傳輸中的應(yīng)用研究[D]. 南京：南京農(nóng)業(yè)大學(xué)，2008. Zhao Pengfei. Application of Self Organizing Routing Technology in Wireless Transmission of Agricultural Data[D]. Nanjing: Nanjing Agricultural University, 2008. (in Chinese with English abstract)

[55] 何鵬舉，戴冠中，傅磊，等. 遠(yuǎn)程網(wǎng)絡(luò)化測控系統(tǒng)研究與實(shí)現(xiàn)[J]. 微電子學(xué)與計(jì)算機(jī)，2006，23(7)：195－198. He Pengju, Dai Guanzhong, Fu lei, et al. Research and implementation of remote networked measurement and control system[J]. Microelectronics & Computer, 2006, 23(7): 195－198. (in Chinese with English abstract)

[56] Lauridsen M, Kovács I, Mogensen P E, et al. Coverage and capacity analysis of LTE-M and NB-IoT in a rural area[C]// IEEE 84th Vehicular Technology Conference Vehicular Technology Conference, Montreal, 2016: 56－67.

[57] 劉思偉，趙玉亭，慕德俊. 無人機(jī)多跳自組網(wǎng)實(shí)時視頻傳輸性能評[J]. 計(jì)算機(jī)應(yīng)用，2007，27(10)：2398－2400. Liu Siwei, Zhao Yuting, Mu Dejun. Performance evaluation of real time video transmission in UAV multi hop ad hoc networks[J]. Journal of Computer Applications, 2007, 27(10): 2398－2400. (in Chinese with English abstract)

[58] 汪明磊，陳無畏，王家恩. 智能車輛車道保持系統(tǒng)中避障路徑規(guī)劃[J]. 合肥工業(yè)大學(xué)學(xué)報自然科學(xué)版，2014(2)： 129－133.

Wang Minglei, Chen Wuwei, Wang jiaen. Obstacle avoidance path planning for intelligent vehicle lane keeping system[J]. Journal of Hefei University of Technology (Natural Science), 2014(2): 129－133. (in Chinese with English abstract)

[59] 張聞宇，丁幼春，王雪玲，等. 基于SVR逆向模型的拖拉機(jī)導(dǎo)航純追蹤控制方法[J]. 農(nóng)業(yè)機(jī)械學(xué)報，2016，47(1)：29－36. Zhang Wenyu, Ding Youchun, Wang Xueling, et al. Pure tracking control method for tractor navigation based on SVR inverse model[J]. Transactions of the Chinese Society for Agricultural Machinery, 2016, 47(1): 29－36. (in Chinese with English abstract)

[60] 袁朝輝，張娟. 飛機(jī)操縱前輪轉(zhuǎn)向模糊控制仿真研究[J]. 系統(tǒng)仿真學(xué)報，2008，20(17)：4509－4513. Yuan Zhaohui, Zhang Juan. Simulation study on fuzzy control of aircraft steering wheel steering[J]. Journal of System Simulation, 2008, 20(17): 4509－4513. (in Chinese with English abstract)

[61] Meng Z, Huang P, Yan J. Trajectory planning for hypersonic vehicle using improved sparse A* algorithm[C]//IEEE/ ASME International Conference on Advanced Intelligent Mechatronics, 2008, 28(2): 1152－1157.

[62] 吳天羿，許繼恒，劉建永，等. 基于改進(jìn)A*算法的越野路徑規(guī)劃研究[J]. 計(jì)算機(jī)應(yīng)用研究，2013，30(6)：1724－1726 Wu Tianyi, Xu Jiheng, Liu Jianyong, et al. Research on cross-country path planning based on improved A* algorithm[J]. Application Research of Computer, 2013, 30(6): 1724－1726. (in Chinese with English abstract)

[63] 辛煜，梁華為，杜明博，等. 一種可搜索無限個鄰域的改進(jìn)A*算法[J]. 機(jī)器人，2014，36(5)：627－633. Xin Yu, Liang Huawei, Du Mingbo, et al. An improved A* algorithm for searching infinite neighborhood[J]. Robot, 2014, 36(5): 627－633. (in Chinese with English abstract)

[64] Henten E J V, Hemming J, Tuijl B A J V, et al. An autonomous robot for harvesting cucumbers in green houses[J]. Autonomous Robots, 2002, 13(3): 241－258.

[65] Cariou C, Lenain R, Thuilot B, et al. Motion planner and lateral-longitudinal controllers for autonomous maneuvers of a farm vehicle in headland[C]//2009 IEEE/RSJ International Conference on Intelligent Robots and Systems, USA, 2009: 5782－5787.

[66] Cariou C, Lenain R, Thuilot B, et al. Autonomous maneuver of a farm vehicle with a trailed implement: motion planner and lateral-longitudinal controllers[C]//2010 IEEE International Conference on Robotics and Automation Anchorage Convention District, Anchorage, 2010: 3819－3824.

[67] 陳文良，宋正河，毛恩榮. 拖拉機(jī)自動駕駛轉(zhuǎn)向控制系統(tǒng)的設(shè)計(jì)[J]. 華中農(nóng)業(yè)大學(xué)學(xué)報，2005，10：57－62. Chen Wenliang, Song Zhenghe, Mao Enrong. Design of automatic steering control system of tractor[J]. Journal of Huazhong Agricultural University, 2005, 10: 57－62. (in Chinese with English abstract)

[68] 黎永鍵，趙祚喜，高俊文，等. 東方紅拖拉機(jī)電控液壓轉(zhuǎn)向系統(tǒng)設(shè)計(jì)及試驗(yàn)研究[J]. 農(nóng)機(jī)化研究，2016(11)：246－251. Li Yongjian Zhao Zhuoxi, Gao Junwen, et al. Design and experimental study of electro hydraulic steering system for Dongfanghong tractor[J]. Journal of Agricultural Mechanization Research, 2016(11): 246－251. (in Chinese with English abstract)

[69] Javad R, Hossein N, Mahdi R. et al. Automatic guidance of an agricultural tractor along with the side shift control of the attached row crop cultivator[J]. Journal of Agricultural Science and Technology, 2012, 2(1): 151－158.

[70] Zheng B, Anwar S. Yaw stability control of a steer-by-wire equipped vehicle via active front wheel steering[J]. Mechatronics, 2009, 19(6): 799－804.

Research on intelligent agricultural machinery control platform based on multi-discipline technology integration

Dong Sheng1, Yuan Zhaohui1※, Gu Chao2, Yang Fang3

(1.7100722.7100653.471023,)

The meaning of agricultural machinery automation and intellectualization includes a wide range of content, involving a large number of engineering disciplines, such as navigation, images, models and strategies, actuators and data chain. The intellectualization of agricultural machinery is the symbol of a country’s engineering and technical strength. How to co-ordinate the multidisciplinary technologies and reasonably integrate them into a system is the key to the success of intelligent agricultural machinery. According to the requirements of the development of land scale management in China, intelligent agricultural machinery should use advanced technology in the aeronautics, astronautics and ground to achieve high-speed computing and transmission of data information in a dynamic environment, and to command the actuator to complete the tasks efficiently and effectively. In recent years, the research on intelligent agricultural machinery has been mainly concentrated on vision measuring, image processing, trajectory tracking and vehicle navigation, pattern recognition and their application, and so on, which have focused on image information acquisition method, image processing and recognizing algorithm, intelligent navigation algorithm and system integration application, and so on. The technology of automatic steering control, obstacle detection and active obstacle avoidance, and multi machine cooperative navigation, and the technology of agricultural machinery will be the focus of the next generation of intelligent agricultural machinery. This paper studied the Beidou enhanced network and network RTK (real-time kinematic) method to improve the accuracy of positioning and navigation technology, accurately modeled and compensated aiming at the inertial navigation error of agricultural machinery, and prolonged the working time of positioning. The dynamic model of agricultural machinery was established, and the parameters of the model were identified on the basis of the actual situation. Based on the constraint conditions, the knowledge learning and decision control technology was introduced into the agricultural machinery. And then combined with machine vision, the perception of the working environment and operating objects was enhanced, and the image recognition algorithm was used to assist navigation and control. Finally, according to the requirements of remote monitoring, and navigation and positioning for data transmission, the realization of data transmission technology of three-dimensional topology was studied so as to ensure the real-time data fusion of various technical units. The invention disclosed a set of intelligent device with electromechanical integration. It was equipped with a multi-source fusion intelligent controller based on the dynamic model of agricultural machinery, and an inertial navigation system, which could effectively isolate the disturbance of agricultural machinery to achieve stable tracking and the combination of WIFI and the new generation of Internet of Things to complete the multi-link data communication. According to the dynamic analysis of agricultural machinery, the data model was obtained. The model structure was determined, but the parameters were uncertain. The model parameters could be obtained by on-line identification on the basis of the minimum value of the difference between the actual state and the model state. Then the control strategy was designed according to the model. Based on the navigation control error prediction, the control law parameters were optimized through minimizing the objective function of the future control deviation, and the trajectory tracking of agricultural machinery would be always controlled with the best control parameters. Agricultural navigation used the tight integrated navigation technology of Beidou plus IMU (inertial measurement unit), and machine vision was taken as an aid. Based on the enhanced technology of mobile network base station of Beidou Foundation and high precision standard inertial navigation system for precision agriculture applications, the continuity and reliability of navigation and positioning information were ensured, which laid the foundation for the use of intelligent agricultural machinery in remote sensing areas. Therefore, the agricultural machinery in the next period will be more intelligent and easy in operation. New farmers in the Farm Hall will command all kinds of agricultural machines to carry out operations in a variety of environmental conditions, and monitor agricultural machinery in a few kilometers or tens of kilometers away in real time, which greatly reduce the burden on farmers, and achieve high efficiency, standardization and hommization, and also provide some technical references for the development of other industries.

agricultural machinery; navigation; machine vision; positioning; data link; multi-discipline technology integration

10.11975/j.issn.1002-6819.2017.08.001

TP273

A

1002-6819(2017)-08-0001-11

2017-03-16

航空科學(xué)基金（MIMU/單星偽距偽距率組合導(dǎo)航技術(shù)（20165853041））

董 勝，男，河南確山人，博士生，主要研究方向?yàn)閮x器儀表與自動控制。西安 西北工業(yè)大學(xué)自動化學(xué)院710072。Email：dongshengzaixian@163.com

袁朝輝，男，漢族，安徽舒城人，教授、博士生導(dǎo)師，主要研究方向?yàn)闄C(jī)電液一體化。西安 西北工業(yè)大學(xué)自動化學(xué)院 710072。Email：13992852669@139.com

董 勝，袁朝輝，谷 超，楊 芳.基于多學(xué)科技術(shù)融合的智能農(nóng)機(jī)控制平臺研究綜述[J]. 農(nóng)業(yè)工程學(xué)報，2017，33(8)：1－11. doi：10.11975/j.issn.1002-6819.2017.08.001 http://www.tcsae.org

Dong Sheng, Yuan Zhaohui, Gu Chao, Yang Fang.Research on intelligent agricultural machinery control platform based on multi-discipline technology integration[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(8): 1－11. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2017.08.001 http://www.tcsae.org