譚晨佼,李軼林,王東飛,毛文菊,楊福增

(1.西北農(nóng)林科技大學(xué) 機械與電子工程學(xué)院,陜西 楊凌 712100;2.農(nóng)業(yè)農(nóng)村部北方農(nóng)業(yè)裝備科學(xué)實驗觀測站,陜西 楊凌 712100;3.農(nóng)業(yè)農(nóng)村部蘋果全程機械化科研基地,陜西 楊凌 712100)

0 引言

隨著科學(xué)技術(shù)的不斷發(fā)展,我國農(nóng)業(yè)正朝著以提高農(nóng)業(yè)資源利用率、保護農(nóng)業(yè)生態(tài)環(huán)境為核心的“精準(zhǔn)農(nóng)業(yè)”方向發(fā)展[1],而精準(zhǔn)農(nóng)業(yè)的發(fā)展也帶動著農(nóng)業(yè)機械向著自動化、智能化的方向發(fā)展。與此同時,隨著我國人民生活水平的不斷提高,人們對農(nóng)產(chǎn)品的需求也在成倍地增長,但由于工業(yè)對于勞動力的吸引及人口老齡化等原因,農(nóng)村勞動力正不斷下降,不可避免地要求提高我國農(nóng)業(yè)機械的智能化水平。智能化農(nóng)業(yè)機械能夠降低勞動強度、解放勞動力、提高生產(chǎn)效率、降低生產(chǎn)成本及增強操作舒適性,而農(nóng)業(yè)機械的自動導(dǎo)航技術(shù)作為農(nóng)業(yè)機械智能化技術(shù)中的一項關(guān)鍵技術(shù),廣泛應(yīng)用于耕種[2-5]、除草[6-7]、施肥[8-9]、施藥[10-12]、收獲[13-14]等農(nóng)業(yè)生產(chǎn)中。所謂自動導(dǎo)航,就是農(nóng)業(yè)機械利用自身攜帶的傳感器感知周圍環(huán)境和車體的信息,通過對獲取信息處理并進行導(dǎo)航?jīng)Q策和控制,從而完成相應(yīng)的農(nóng)業(yè)生產(chǎn)任務(wù)。

本文介紹了現(xiàn)代農(nóng)業(yè)機械自動導(dǎo)航系統(tǒng)的典型結(jié)構(gòu),針對環(huán)境感知技術(shù)和導(dǎo)航控制策略的國內(nèi)外研究現(xiàn)狀進行了詳細綜述,分析了目前常用的環(huán)境感知技術(shù)的優(yōu)缺點,并探討了農(nóng)業(yè)機械自動導(dǎo)航技術(shù)的未來發(fā)展趨勢。

1 現(xiàn)代農(nóng)業(yè)機械自動導(dǎo)航系統(tǒng)的典型結(jié)構(gòu)

農(nóng)業(yè)機械自動導(dǎo)航系統(tǒng)主要包括環(huán)境感知單元、控制單元和執(zhí)行單元三部分,如圖1所示。環(huán)境感知單元是利用傳感器對農(nóng)業(yè)機械進行實時定位及對周圍障礙物進行檢測;控制單元負責(zé)對導(dǎo)航路徑進行跟蹤,并輸出相應(yīng)的控制信號;執(zhí)行單元根據(jù)控制信號控制車輛的轉(zhuǎn)向,從而使車輛沿著導(dǎo)航路徑行走。

圖1 現(xiàn)代農(nóng)業(yè)機械自動導(dǎo)航系統(tǒng)的典型結(jié)構(gòu)

2 環(huán)境感知技術(shù)

環(huán)境感知技術(shù)主要兼用傳感器收集農(nóng)業(yè)機械作業(yè)時周圍的環(huán)境物體信息和車體狀態(tài)信息,如位置、航向及速度等。

2.1 全球?qū)Ш叫l(wèi)星系統(tǒng)

全球?qū)Ш叫l(wèi)星系統(tǒng)簡稱GNSS(Global Navigation Satellite System),主要包括美國的GPS(Global Positioning System),俄羅斯的GLONASS,歐盟的GALILEO和中國的BDS(BeiDou Navigation Satellite System)。目前,農(nóng)業(yè)機械導(dǎo)航系統(tǒng)中普遍使用具有厘米級定位精度的RTK-GPS(real-time kinematic GPS)[1]。O’Connor[15]最早將RTK-GPS運用到拖拉機自動導(dǎo)航上,其研發(fā)的導(dǎo)航系統(tǒng)直線跟蹤誤差小于2.5cm,航向精度小于1°。ünal等[16]利用RTK-GPS設(shè)計了具有自動導(dǎo)航功能的殘茬測量機器人,導(dǎo)航精度小于12cm。張智剛等[17]以久保田插秧機為研究平臺,利用Trimble4700 RTK-DGPS和HMR3000電子羅盤設(shè)計開發(fā)了自動導(dǎo)航控制系統(tǒng),在行進速度0.75m/s時,直線跟蹤的平均跟蹤誤差為4cm,最大跟蹤誤差0.13m;在行進速度0.33m/s時,圓曲線跟蹤的平均跟蹤誤差為4cm,最大跟蹤誤差8.7cm。黎永鍵等[18]基于RTK-DGPS設(shè)計了東方紅X-804型拖拉機的自動導(dǎo)航系統(tǒng),路徑跟蹤誤差平均值小于1.9cm,標(biāo)準(zhǔn)差不超過4.1cm,角度跟蹤誤差平均值為0.43°。劉明陽[19]基于RTK-GPS和IMU設(shè)計了郁閉果園機器人,該機器人能夠按照設(shè)定的目標(biāo)路徑實現(xiàn)郁閉果園內(nèi)的自主行走。劉兆朋等[20]基于RTK-GNSS設(shè)計了雷沃ZP9500 高地隙噴霧機的自動導(dǎo)航作業(yè)系統(tǒng),分別在水泥路面、旱地和水田進行了測試,該系統(tǒng)的直線路徑跟蹤橫向位置偏差最大值分別為3.9、9.8、17.5cm,平均值分別為0.15、1.3、2.2cm,標(biāo)準(zhǔn)差分別為1.0、3.3、4.4cm。試驗結(jié)果表明:該系統(tǒng)具有較好的控制精度,如圖2所示。

圖2 雷沃ZP9500噴霧機自動導(dǎo)航作業(yè)系統(tǒng)

目前,GNSS導(dǎo)航應(yīng)用廣泛且技術(shù)成熟,其中RTK-GPS的定位精度可達厘米級,在大田等開闊環(huán)境下具有廣闊應(yīng)用前景;但在設(shè)施農(nóng)業(yè)和枝葉茂密的郁閉果園內(nèi),GNSS信號容易被遮擋,易造成定位結(jié)果的不準(zhǔn)確。

2.2 機器視覺

機器視覺由于其獲取的環(huán)境信息豐富、目標(biāo)信息完整、經(jīng)濟性好,近年來在農(nóng)業(yè)機械導(dǎo)航中應(yīng)用廣泛。Wang等[21]利用閾值分割和形態(tài)學(xué)算法提取作物行,從而生成導(dǎo)航線,實現(xiàn)了基于單目視覺的拖拉機自動導(dǎo)航。Hiremath等[22]提出了基于粒子濾波的視覺導(dǎo)航算法,并與現(xiàn)有的下采樣、超格林濾波和閾值分割等算法進行了對比,證明該算法的魯棒性較好,能夠準(zhǔn)確地指導(dǎo)機器人在玉米地行走。English等[23]提出了一種基于視覺紋理跟蹤的方法,主要提取和跟蹤占主導(dǎo)地位的平行紋理的方向和橫向偏移量,從而抽象出特定作物的細節(jié),如顏色、株距等,并在白天和夜晚進行了試驗,試驗結(jié)果表明:該方法能夠自動引導(dǎo)機器人沿著作物行行走。Radcliffe等[24]利用多光譜攝像機采集果園圖像,結(jié)合樹冠與天空背景信息,提取出樹行中心的路徑。在桃園的實地試驗結(jié)果表明:該導(dǎo)航系統(tǒng)的均方誤差為2.13cm,如圖3所示。

圖3 Radcliffe研制的視覺導(dǎo)航平臺

孟慶寬等[25]利用K-means聚類算法將綠色作物從土壤背景中分離出來,并通過形態(tài)學(xué)濾波去除雜草等干擾信息,最后利用粒子群算法快速準(zhǔn)確地提取出導(dǎo)航路徑。其研發(fā)的導(dǎo)航系統(tǒng)最大橫向偏差小于15cm,能夠滿足農(nóng)業(yè)機械自主導(dǎo)航作業(yè)的要求,算法抗干擾性強、復(fù)雜度低。翟志強等[26]提出一種基于Census變換的雙目視覺作物行識別算法,運用主成分分析法擬合作物行中心線。試驗表明:作物行中心線的正確識別率不小于92.58%,平均偏差角度不大于1.166°,圖像處理時間平均值不大于0.293s。馬志艷等[27]提出了一種基于視覺的茶作物行間行走路徑規(guī)劃方法,在壟間利用漫水填充法分離壟溝,然后利用最小二乘法提取導(dǎo)航線,對于壟頭,先分離出轉(zhuǎn)彎一側(cè)的作物,采用圓形模型擬合壟頭處輪廓,通過擬合的圓規(guī)劃出轉(zhuǎn)彎時路徑,壟間算法處理平均耗時172ms,壟頭算法處理平均耗時141ms,具有較好的實時性。

由于視覺傳感器價格便宜且獲取的環(huán)境信息豐富,基于機器視覺的自動導(dǎo)航方法目前研究較多。但是,在設(shè)施農(nóng)業(yè)、果園等復(fù)雜的環(huán)境中,圖像處理算法易受光照、陰影的影響,還需要針對這類環(huán)境進行算法優(yōu)化,增強魯棒性和實時性。

2.3 激光雷達

激光雷達利用光的反射對周圍環(huán)境進行掃描,測距精度高,能夠可靠地提供周圍物體的方位和深度信息[28]。Hiremath等[29]提出了一種激光雷達的概率傳感器模型,利用該傳感器模型開發(fā)了一種基于粒子濾波的導(dǎo)航算法。試驗結(jié)果表明:其航向均方誤差為2.4°,橫向偏差的均方誤差為4cm,能夠很好地適應(yīng)玉米地的自動導(dǎo)航。Kurashiki等[30]利用激光測距儀和地圖匹配,實現(xiàn)了自動駕駛車輛在果園中的自我定位。果園實地試驗的結(jié)果表明:橫向方向上的平均誤差約為20cm,如圖4所示。戚樹騰等[31]利用激光雷達掃描果樹樹干得到果樹的位置信息,然后用霍夫變換實現(xiàn)果樹行直線的提取,并在模擬果園環(huán)境下進行了試驗,結(jié)果表明:機器人在0.14m/s行駛40m后,最大橫向偏差為26cm,能夠適用于果園作業(yè)。周俊等[32]利用激光雷達實時檢測果樹樹干中心點,并與先前記錄的中心點進行匹配,利用匹配的結(jié)果校正根據(jù)里程計數(shù)據(jù)計算出的機器人位置和航向,實現(xiàn)在密植果園內(nèi)的準(zhǔn)確定位。10次重復(fù)實驗表明:x和y方向上定位誤差的標(biāo)準(zhǔn)差都約為8cm,精度能夠滿足密植果園作業(yè)機器人的需求,如圖5所示。

圖4 Kurashiki研制的導(dǎo)航平臺

由于需要固定反射光線的目標(biāo),激光雷達在玉米地、果園這類容易反射激光的環(huán)境下應(yīng)用廣泛。目前,常通過激光雷達掃描植株、樹干位置信息作為導(dǎo)航信息,實現(xiàn)農(nóng)業(yè)機械的自動導(dǎo)航。不足之處:二維激光雷達視角小,對較小物體檢測效果不佳,且對作物行、樹行的對稱性也有較高要求;三維激光雷達成本較高,且數(shù)據(jù)量大,對處理算法提出了較高要求。

圖5 密植果園作業(yè)機器人

2.4 慣性測量單元

慣性測量單元是利用陀螺儀和加速度計檢測物體姿態(tài)角和加速度的裝置,能夠不依賴外界環(huán)境進行導(dǎo)航。由于低成本的慣性測量單元的誤差易隨時間的增加而累加,因此一般不單獨使用而是融合其他傳感器使用。Takai等[33]利用RTK-GPS和IMU(Inertial Measurement Unit)開發(fā)了自動導(dǎo)航履帶式機器人,并設(shè)計了地頭轉(zhuǎn)向的“鑰匙孔”算法,試驗表明:該機器人的橫向跟蹤誤差小于5cm。Yang等[34]利用RTK-GPS和IMU開發(fā)了能夠自動導(dǎo)航的輪式拖拉機以降低勞動成本,并在耕地、噴藥和除草等田間作業(yè)中試驗,結(jié)果表明:均方誤差均小于5cm,滿足勞動生產(chǎn)的需要,如圖6所示。張京等[35]提出了一種以GNSS信號品質(zhì)和航向角變化幅度信息為指導(dǎo)的INS/GNSS航向信息融合策略,并通過仿真和實際應(yīng)用測試了航向信息的融合效果。試驗結(jié)果表明:較單獨使用INS或GNSS,其融合后的航向明顯提升了精度。趙書尚等[36]選用RTK-GPS和IMU組合導(dǎo)航的方式,重點對GPS因地形傾斜和土質(zhì)硬度不均勻引起的誤差進行校正,構(gòu)建了卡爾曼濾波器,校正了因GPS傾斜帶來的定位誤差,減少了拖拉機運動軌跡的波動。

慣性測量單元不依賴外界環(huán)境工作,能夠在短時間內(nèi)提供較為精確的位置信息和航向信息,但長時間的導(dǎo)航會產(chǎn)生位置誤差積累,在實際使用中,常與其他傳感器互相融合來修正慣性導(dǎo)航的誤差積累,從而實現(xiàn)在各種環(huán)境下的精確導(dǎo)航。

圖6 輪式拖拉機自動導(dǎo)航系統(tǒng)

2.5 其他傳感器

超聲波傳感器是利用超聲波回波測距原理對周圍環(huán)境進行感知,具有結(jié)構(gòu)簡單、不受光線影響、成本低等特點,但其定位精度較低。王盟[37]利用三球定位技術(shù),設(shè)計了基于DSP(Digital Signal Processing)和超聲波傳感器的全局定位系統(tǒng),并利用模糊推理方法,實現(xiàn)了機器人的避障和路徑規(guī)劃功能。機械傳感器具有機構(gòu)簡單、可靠性高和成本低的優(yōu)點。陳剛等[38]研制了一種用于玉米自動對行作業(yè)的機械接觸式導(dǎo)航控制系統(tǒng),試驗結(jié)果表明:在轉(zhuǎn)向輪偏轉(zhuǎn)角度為0.115rad、轉(zhuǎn)向輪轉(zhuǎn)動速度為0.357rad/s、作業(yè)速度為4km/h時,自動對行作業(yè)穩(wěn)定性最好。

結(jié)合相關(guān)文獻[39-41],對比了4種常用農(nóng)業(yè)機械環(huán)境感知傳感器的性能,如表1所示。

表1 4種常用農(nóng)業(yè)機械環(huán)境感知傳感器性能對比

各個傳感器均有各自的優(yōu)缺點,因此適用的場合也不同,GNSS、IMU在不良天氣和照度的環(huán)境下表現(xiàn)更加優(yōu)秀,機器視覺和激光雷達獲取的環(huán)境信息更加豐富,GNSS和激光雷達的定位精度優(yōu)秀,機器視覺和IMU則在成本方面更具優(yōu)勢。

3 導(dǎo)航控制策略

3.1 PID控制

PID是比例、積分、微分的簡稱,適用于線性且動態(tài)特性不隨時間變化的系統(tǒng)[42]。典型的PID控制系統(tǒng)結(jié)構(gòu)如圖7所示。

圖7 PID控制結(jié)構(gòu)圖

PID控制算法不依賴數(shù)學(xué)模型,魯棒性較強,穩(wěn)態(tài)誤差小,在農(nóng)業(yè)機械導(dǎo)航控制方面應(yīng)用廣泛。合適的比例系數(shù)、積分系數(shù)、微分系數(shù)決定著系統(tǒng)的精度,但這3個參數(shù)的調(diào)整常依賴工程經(jīng)驗,因此優(yōu)化PID控制有一定難度。

3.2 模糊控制

模糊控制是以模糊集合論、模糊語言變量和模糊邏輯推理為基礎(chǔ)的控制方式,不需要對被控對象建立完整的數(shù)學(xué)模型,特別適用于非線性、時變、模型不完全的系統(tǒng)[49]。典型的模糊控制結(jié)構(gòu)如圖8所示。

圖8 模糊控制結(jié)構(gòu)圖

目前,采用模糊控制的農(nóng)業(yè)機械導(dǎo)航中常以當(dāng)前位置與目標(biāo)路徑之間的橫向偏差、航向偏差作為模糊控制器的輸入,以輪速差或期望轉(zhuǎn)向角為輸出。模糊控制規(guī)則的設(shè)計一般依靠專家的經(jīng)驗和知識,能快速調(diào)節(jié)系統(tǒng)誤差并保持較好的穩(wěn)定性,但在零位附近跟蹤誤差一般較大,難以快速修正。

3.3 神經(jīng)網(wǎng)絡(luò)控制

神經(jīng)網(wǎng)絡(luò)控制是指在控制系統(tǒng)中利用神經(jīng)網(wǎng)絡(luò)對非線性對象進行建模,克服受控對象的不確定性、遲滯等動態(tài)影響,從而實現(xiàn)精確控制[55]。Jodas等[56]開發(fā)了一種通過人工林特征來控制移動機器人的導(dǎo)航系統(tǒng),比較了支持向量機和人工神經(jīng)網(wǎng)絡(luò),并找出最合適路線的效果。試驗結(jié)果表明:支持向量機和人工神經(jīng)網(wǎng)絡(luò)的準(zhǔn)確率分別為93%和90%。Eski等[57]采用PID控制器和基于模型的神經(jīng)網(wǎng)絡(luò)PID控制系統(tǒng)分別對無人農(nóng)用車輛進行了控制為了測試所開發(fā)的控制結(jié)構(gòu)的性能,使用了3種不同的輸入信號,結(jié)果表明:當(dāng)兩種控制結(jié)構(gòu)的結(jié)果都以瞬態(tài)響應(yīng)(如上升時間、沉降時間、峰值時間、峰值、沉降時間)和穩(wěn)態(tài)響應(yīng)的方式進行檢驗時,所設(shè)計的控制系統(tǒng)均取得了良好的效果。陳軍等[58]以當(dāng)前車輛與目標(biāo)路徑的距離、橫擺角、轉(zhuǎn)向角和轉(zhuǎn)向角變化量為輸入,下一個采樣點與目標(biāo)路徑的距離、橫擺角和轉(zhuǎn)向角為輸出,構(gòu)建了4-4-4-3的BP神經(jīng)網(wǎng)絡(luò)算法。試驗結(jié)果表明:車輛沿直線路徑行駛時,95%的變差絕對值小于5cm。唐晶磊等[59]根據(jù)預(yù)視導(dǎo)航參數(shù)、當(dāng)前導(dǎo)航參數(shù)和反饋導(dǎo)航參數(shù),訓(xùn)練了BP神經(jīng)網(wǎng)絡(luò)。試驗結(jié)果表明:農(nóng)業(yè)機器人實際行走路線與理想路線橫坐標(biāo)的最大反饋位置偏差為-6.9cm,最大預(yù)視位置偏差為-4.3cm,最大反饋角度偏差為-3.5°,最大預(yù)視角度偏差為-2°,能夠獲取精度較高的導(dǎo)航參數(shù)。袁鑄等[60]為了優(yōu)化農(nóng)業(yè)機器人的軌跡精度,在控制算法中引入了BP神經(jīng)網(wǎng)絡(luò)與計算力矩法結(jié)合的自動控制器,通過BP神經(jīng)網(wǎng)絡(luò)對不確定動力學(xué)因素進行判斷,并提出解決該因素的自適應(yīng)學(xué)習(xí)法。仿真結(jié)果表明:該優(yōu)化算法能有效優(yōu)化機器人運動路徑,提高了機器人整體作業(yè)效率。

神經(jīng)網(wǎng)絡(luò)控制不需要精確的數(shù)學(xué)模型,有很強的非線性擬合能力,易于計算機實現(xiàn)。在農(nóng)業(yè)機械導(dǎo)航控制中,常利用偏差作為輸入,期望轉(zhuǎn)向角作為輸出來訓(xùn)練神經(jīng)網(wǎng)絡(luò),或利用神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)優(yōu)化PID控制中的比例、積分、微分系數(shù),來改善PID控制的精度。其缺點是訓(xùn)練神經(jīng)網(wǎng)絡(luò)需要大量的樣本,且神經(jīng)網(wǎng)絡(luò)的輸出具有不確定性。

3.4 基于模型的控制

基于模型的控制主要是利用農(nóng)機運動學(xué)和動力學(xué)模型,實現(xiàn)對農(nóng)機的路徑跟蹤控制。Backman等[61]利用GPS、IMU和2D激光雷達設(shè)計了一種拖拉機-拖車導(dǎo)航系統(tǒng),使用了非線性模型控制拖車的路徑跟蹤。試驗結(jié)果表明:橫向偏差小于10cm,且在彎曲路徑的行駛速度能達到12km/h。Bao等[62]建立了車輛的動力學(xué)模型,利用拓展卡爾曼濾波實現(xiàn)了對車輛的狀態(tài)估計。白曉平等[63]針對運動學(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)機導(dǎo)航自校正模型控制方法,采用模型控制方法設(shè)計控制律,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。試驗結(jié)果表明:當(dāng)速度為1.0m/s時,直線跟蹤最大橫向偏差小于6.49cm,曲線路徑跟蹤的最大橫向偏差小于18.57cm。張聞宇等[64]為了解決油菜直播機組導(dǎo)航作業(yè)中田頭換行、轉(zhuǎn)彎等直線跟蹤之間的銜接控制問題,提出了一種雙切圓尋線模型的控制方法,并對初始偏差較大時拖拉機的尋線路徑進行了定量分析,獲得最優(yōu)尋線路徑的幾何關(guān)系,構(gòu)建了控制決策方法,同時計算得到前輪轉(zhuǎn)角以實現(xiàn)導(dǎo)航控制。田間和路面的試驗結(jié)果表明:當(dāng)行駛速度為0.7m/s、拖拉機與目標(biāo)直線初始橫向偏差為7m、初始航向偏角為90°時,控制器橫向偏差響應(yīng)的超調(diào)量不超過3%,上升時間小于14s,調(diào)節(jié)時間小于19s。

運動學(xué)模型的控制常將農(nóng)業(yè)機械抽象成二輪車模型,根據(jù)位置、航向從而確定農(nóng)業(yè)機械的轉(zhuǎn)向角度,實現(xiàn)軌跡的跟蹤控制。由于運動學(xué)模型魯棒性較差,控制精度難以取得較好的效果。動力學(xué)模型由于體現(xiàn)了農(nóng)機內(nèi)在力與運動之間的關(guān)系,因此基于動力學(xué)模型的控制精度更高,但動力學(xué)模型的精確構(gòu)建較為復(fù)雜。

4 結(jié)論與展望

4.1 結(jié)論

農(nóng)業(yè)機械自動導(dǎo)航系統(tǒng)主要包括環(huán)境感知、控制決策和轉(zhuǎn)向執(zhí)行3部分:環(huán)境感知負責(zé)實時定位和對周圍障礙物的檢測,控制決策負責(zé)對導(dǎo)航路徑進行跟蹤,轉(zhuǎn)向執(zhí)行負責(zé)執(zhí)行控制決策單元的控制指令。

GNSS導(dǎo)航使用廣泛,精度高,能夠全天候工作;但其信號容易受到干擾。機器視覺采集的信息豐富;但其易受光照、陰影等自然環(huán)境的干擾。激光雷達測距精確,探測距離遠;但視角相對較小,且成本較高。慣性測量單元能夠不依賴外界環(huán)境,在短時間內(nèi)提供較為精確的位置信息;但長時間的導(dǎo)航會產(chǎn)生誤差積累,位置精度大大降低。

PID控制算法不依賴數(shù)學(xué)模型,魯棒性較強,應(yīng)用廣泛;但比例、積分、微分的系數(shù)常依賴工程經(jīng)驗,優(yōu)化PID控制算法具有一定難度。模糊控制能快速調(diào)節(jié)系統(tǒng)誤差并保持較好的穩(wěn)定性;但在零位附近跟蹤誤差一般較大,難以快速修正。神經(jīng)網(wǎng)絡(luò)控制不需要精確的數(shù)學(xué)模型,有很強的非線性擬合能力,易于計算機實現(xiàn);缺點是訓(xùn)練神經(jīng)網(wǎng)絡(luò)需要大量的樣本,且神經(jīng)網(wǎng)絡(luò)輸出具有不確定性。運動學(xué)模型的控制常將農(nóng)業(yè)機械抽象成二輪車模型,由于運動學(xué)模型魯棒性較差,控制精度難以取得較好的效果;動力學(xué)模型由于體現(xiàn)了農(nóng)機內(nèi)在力與運動之間的關(guān)系,因此基于動力學(xué)模型的控制精度更高,但動力學(xué)模型的精確構(gòu)建較為復(fù)雜。

4.2 展望

隨著自動導(dǎo)航技術(shù)的不斷發(fā)展,研究基于深度學(xué)習(xí)的障礙物檢測技術(shù)與智能避障策略,進一步提高農(nóng)業(yè)機械的自動化水平,以實現(xiàn)農(nóng)業(yè)機械的智能化。由于不同傳感器均存在各自的優(yōu)缺點,農(nóng)業(yè)環(huán)境也存在著時變性、多樣性和復(fù)雜性,因此針對不同的農(nóng)業(yè)環(huán)境,研究不同傳感器融合的環(huán)境感知系統(tǒng),從而提高系統(tǒng)的穩(wěn)定性和可靠性。例如,在設(shè)施農(nóng)業(yè)、郁閉果園這類衛(wèi)星信號易受影響的環(huán)境中,可結(jié)合機器視覺、激光雷達等傳感器實現(xiàn)精確導(dǎo)航。研究基于農(nóng)業(yè)物聯(lián)網(wǎng)技術(shù)的導(dǎo)航作業(yè)遠程監(jiān)控平臺,實現(xiàn)農(nóng)業(yè)機械作業(yè)的可視化、遠程管理和任務(wù)調(diào)度;此外,可研究同構(gòu)或異構(gòu)農(nóng)機聯(lián)合導(dǎo)航作業(yè)及集群控制策略,從而提高農(nóng)業(yè)機械的作業(yè)效率,實現(xiàn)農(nóng)業(yè)機械的大規(guī)模應(yīng)用。