丘陵山區田間道路自主行駛轉運車及其視覺導航系統研制

李云伍，徐俊杰，王銘楓，劉得雄，孫紅偉，王小娟

?

丘陵山區田間道路自主行駛轉運車及其視覺導航系統研制

李云伍1，徐俊杰1，王銘楓1，劉得雄2，孫紅偉1，王小娟1

（1. 西南大學工程技術學院，重慶 400716；2. 丘陵山區農業裝備重慶市重點實驗室，重慶 400716）

自然條件的限制使得丘陵山區農產品和物資的田間轉運難以實現高安全性的機械化作業。為此，該文研制了一種在丘陵山區田間道路上自主行駛的轉運車及其視覺導航系統。該系統采用RTK-GNSS（real-time kinematic-global navigation satellite system，實時動態-全球衛星導航系統）進行路網信息采集、實時定位和路徑規劃，利用機器視覺進行田間道路識別并提取路徑跟蹤線；田間道路非路口區域由機器視覺系統進行導航，路口區域采用RTK-GNSS實時定位進行導航。全局路徑規劃中對A*算法估價函數進行改進，將路口節點處的道路曲率及道路起伏信息引入代價函數。圖像處理中強化道路上的陰影處理和信息融合，實現道路與背景的準確分割；然后將道路區域分塊求取形心點，擬合后生成道路的虛擬中線作為局部路徑的導航線。路徑規劃仿真表明，改進的A*算法能融合丘陵山地道路起伏變化的特征，規劃的路徑更合理。轉運車自主行駛測試表明，在直線路徑、多曲率復雜路徑以及地形起伏路徑3種工況下，自主行駛軌跡與實際道路中線的平均偏差分別為0.031、0.069和0.092 m，最大偏差分別為0.133、0.195和0.212 m；轉運車沿道路中線自主行駛的平均相對誤差分別為5.16%、11.5%和15.3%，滿足田間道路轉運車自主行駛的安全要求。

農業機械；自動導航；機器視覺；RTK-GNSS；轉運車；丘陵山區

0 引 言

丘陵山區占中國國土面積的70%左右[1]，是中國糧油糖作物及薯類、果桑茶麻、蔬菜、青飼料等特色經濟作物的重要生產基地。農產品及農用物資在田間的轉運是農業生產中的重要環節，丘陵山區地勢起伏、坡度大、土地分散，田間道路狹窄曲折、陡升陡降，導致農產品和農用物資難以在田間道路上實現機械化運輸。目前丘陵山區田間轉運工具普遍為手推車、兩輪車等，這些轉運方式存在勞動強度大、安全性差、效率低等問題。在農村勞動力日益缺乏、提高生產率需求日益迫切的情況下，丘陵山區亟需自動化程度高、安全性好的田間道路轉運機械。

近年來中國加強了丘陵山區農田整治與基礎設施建設，在丘陵山區田間與居民點之間普遍建立起0.8~1.2 m寬的水泥硬化田間便道[2]，縱橫交錯的水泥便道使田塊與居民點之間建立了便捷的交通聯系，為開發高安全性、自主行駛的田間轉運機械提供了基礎條件。

轉運機械在田間道路上自主行駛的核心在于自動導航系統。目前農業機械的自動導航主要用于播種、施肥、噴藥、收獲、整地及起壟等農機作業過程[3-20]，采用全球衛星導航系統（global navigation satellite system，GNSS）導航、激光雷達導航、機器視覺導航、慣性導航以及各種組合導航等方式。在國內，張鐵民等[4]提出了基于電荷耦合器件（charge coupled device，CCD）圖像傳感器、加速度計、電子羅盤及超聲波等多傳感器信息融合的農用小車導航系統及其控制方法。刁智華等[5]通過機器視覺系統檢測出玉米作物行的中心線，以此控制農業機械的自動對準或行走。劉兆朋等[6]針對高地隙噴桿噴霧機開發了基于GNSS的自動導航作業系統。張美娜等[7]將RTK-DGPS系統、慣性傳感器、絕對式光電編碼器和增量式光電編碼器相融合，實現農用車輛的自動導航。劉軍等[8]通過全球定位系統/慣性導航系統（global positioning system/inertial navigation system，GPS/INS）組合獲得載體的實時位置信息，從而實現農用車輛的自動駕駛。劉柯楠等[9]研制了太陽能驅動平移式噴灌機的基于GPS、電子羅盤的導航控制系統。陳艷等[10]構建了一個基于GPS和機器視覺的多傳感器組合導航定位系統。彭順正等[11]提出了一種基于圖像處理的棗園導航基準線生成算法。羅錫文等[12]、楊柳等[13]、張碩等[14]也分別研究了基于GPS的拖拉機自動導航控制系統。

在國外，Kurita等[15]在履帶式水稻收獲機上搭載視覺系統和GNSS系統，實現了其自動導航作業。Thanpattranon等[16]基于激光測距傳感器，研究了拖拉機牽引式掛車在作物行間自動行走的導航系統。Backman等[17]研究了一種新的農業機械導航系統，采用二維激光雷達提取導航跟蹤線，采用GPS和慣性測量單元識別機械的前進方位。Ball等[18]研究了農業機器人的自動導航和障礙物識別，采用GPS、慣性測量單元和視覺系統進行定位，立體視覺系統進行障礙物探測。Garcia等[19]研究了玉米地作物行的機器視覺識別方法，準確地提取了作物行的識別線，為自動導航提供了基準。Radcliffe等[20]、Lyu等[21]也研究了果園行間的機器視覺導航問題。

上述研究主要是針對平整地形條件下的田間或作物行間的自主行駛問題，而針對丘陵山區田間道路特點進行自主行駛的導航系統研究還很少?；诖?，本文研制了適于丘陵山區田間道路的自主行駛轉運車及其視覺導航系統，主要包括田間道路路網的獲取與路徑規劃，基于機器視覺的局部路徑導航線提取和路徑跟蹤控制策略，并進行了轉運車在丘陵山區田間道路上的自主行駛試驗。

1 丘陵山區田間道路轉運車組成

本文所研制的丘陵山區田間道路自主行駛轉運車具有環境感知、動態規劃與決策、行為控制與執行等多種功能，主要包括驅動及剎車系統、整車控制系統、自動導航系統、超聲波雷達避障系統、自動轉向系統等。整車組成如圖1所示。

圖1 自主行駛轉運車組成

1.1 整車結構及控制系統

丘陵山區田間道路狹窄、起伏、曲折，考慮到運行安全性，結合田間道路上的運輸量、行駛速度以及連續工作時間要求，設計的自主行駛轉運車的基本參數如表1所示。

驅動系統采用電機驅動模式，直流電機通過減速器、差速器驅動后輪為轉運車提供動力。根據設計最大爬坡度下勻速行駛的最大需求功率進行動力匹配，驅動電機的功率為700 W，2塊12 V、30 Ah的動力蓄電池作為動力源。

表1 自主行駛轉運車基本參數

剎車系統采用電磁剎車方式，在驅動電機輸出端安裝電磁剎車器，采用常閉式剎車模式，增加整車的安全性，且容易實現電控剎車。

整車控制系統具有啟停、全局路徑規劃、避障及轉向決策功能，由Raspberry Pi微型計算機執行，根據超聲波雷達檢測的前方障礙物距離信息做出避障決策（前方一定范圍內有障礙物則停下，障礙物移除則繼續前行）；根據儲存的路網信息、實時位置和目標地進行全局路徑規劃；根據自動導航系統確定的路徑跟蹤線和實時位置偏差做出轉向控制。整車控制系統架構如圖2所示。

注：RTK-GNSS為實時動態-全球衛星導航系統；RaspberryPi為樹莓派微型計算機。

1.2 自動轉向系統

基于采集田間道路路網信息的需要以及便于操作，轉向系統設有電控與手動2種模式，可自由切換。轉向舵機通過齒輪與轉向軸聯接，自主行駛時，轉向舵機切換到電控模式，整車控制器發出偏轉角度信息PWM信號（pulse-width modulation），舵機根據轉向指令旋轉一定的角度，從而驅動轉向軸旋轉，實現轉運車的電控轉向。手動轉向時，轉向舵機切換到自由狀態，此時手動操作轉向把手帶動轉向軸旋轉，實現轉向。

轉向舵機由控制電路、減速齒輪、直流電機等組成。根據滿載情況下前輪轉向的力矩要求，轉向舵機的啟動扭矩為11 N?m、保持扭矩為10 N?m、額定轉速為0.5(°)/ms。

1.3 自動導航系統

自動導航系統采用RTK-GNSS與機器視覺組合的導航模式。丘陵山區田間道路狹窄，由于道路兩旁作物及樹木的遮擋，田間道路上的GNSS信號易丟失，導致定位誤差大；而機器視覺導航具有較強的自主性和實時性，不依靠任何外界設備。因此，自主行駛時，非路口區域的田間道路由機器視覺系統進行導航。但路口區域的田間道路往往彎道多且曲率大，機器視覺由于視角范圍的限制以及計算延遲，不能準確預判道路的轉向及其尺度，而由RTK-GNSS預存的路徑信息則能做出這些預判。因此，路口區域采用RTK-GNSS預儲存的路徑信息以及實時定位進行導航。

丘陵山區田間道路具有非規范化、狹窄、曲折不定、高低不平等特點，因此GNSS導航系統采用RTK載波相位差分定位技術，定位信號更新頻率最高為10 Hz，動態水平定位精度為±1 cm，動態垂直定位精度為±2 cm，選取單目攝像頭作為田間道路的圖像采集傳感器，分辨率為640×480像素，幀率為30 fps。

2 自主行駛全局路徑規劃

2.1 路網采集及存貯

丘陵山區耕地單塊面積小、耕地分散，道路情況復雜，轉運車自主行駛時應首先規劃出行駛的全局路徑。由于目前還沒有可用的田間道路路網地圖，因此本文采取人工操作轉運車在運行區域內所有田間道路上行駛一次，利用搭載的RTK- GNSS系統采集所有道路的路徑信息并儲存起來。采集過程中，對道路路徑三維坐標采用三次B樣條曲線進行擬合修正，提取道路的拓撲網絡結構，得到平滑可靠的GNSS軌跡地圖。將獲取的地圖坐標數據以路段為對象，儲存其路徑信息。

存儲路徑信息時按路口節點、路段和網絡關系分別進行描述：針對路口節點，采用一維數組結構，儲存節點編號、三維坐標以及關聯路徑段數；路段信息與節點存儲結構相同，由多個采樣點一維數組組合為二維數組，儲存路段編號、路段內所有采樣點坐標以及路段起止節點編號；對于拓撲網絡關系，采用改進鄰接矩陣存儲地圖數據[22]。

圖3為實地采集并提取的重慶市北碚區歇馬鎮農嶸村果園道路網絡，圖中數字表示道路路口及關鍵節點，包括居民點8、22，田間倉庫25、26以及其他若干田塊路口。該區域為典型的丘陵山地地形，田間道路起伏曲折，全部為水泥硬化路面，支路寬度1.2 m，主路寬度2.5 m，坡度在0°~13.2°之間。

注：數字1~36表示道路路口及關鍵節點；X、Y為地理坐標系中以該區域內某一固定點為原點的東向、北向坐標。

2.2 路徑規劃算法及其改進

轉運車自主行駛時，設定目標點后即可通過全局路徑規劃得到轉運車的行駛路徑。本文采用A*算法進行全局路徑規劃[23]，其估價函數的通用表達式為

式中()是節點的估價函數；()為起始節點到節點的實際代價；()代表從節點到目標節點的啟發估計代價。

()通過遞歸計算得到

為保證A*算法能搜素到最優解，估價函數()必須滿足如下原則：

1）可接納性：()不能超過當前節點到目標節點路徑真實代價；

在田間道路地圖網絡中，為保證估價函數可接納性成立，采用歐幾里得距離作為距離估價函數。

式中(x,y,z)、(x,y,z)分別為當前點和目標點的三維坐標。

A*算法中，相鄰2個節點間代價為該段路徑的實際距離，為兼顧轉運車在田間道路上行駛的安全性和經濟性，對A*算法進行改進，引入路口道路曲率κ及節點到之間的道路起伏度C(,)到實際代價中。

1）路口道路曲率κ

田間道路路口不是規則十字或T形結構，與路口相連的路徑往往為曲線，部分路口交叉角較大致使轉運車不能順利轉向；同時道路狹窄，轉運車在路口大角度轉向時容易發生側翻、偏離道路等危險情況。因此，本文將路口處的道路曲率作為路徑評價指標之一，對當前道路曲率進行判斷，當對應曲率半徑小于轉運車最小轉彎半徑時，認為當前道路不可通行。

采用基于弦長的離散化點曲率計算方法計算路口處各方向的曲率，然后對當前曲率與轉運車最小轉彎半徑對應曲率比較，得到路口節點處曲率κ取值如式（4）所示。

式中為轉運車軸距，m；max為前輪最大偏轉角，rad；為道路曲率半徑，m。當κ為∞時，此道路不可通行。

2）道路起伏度C(,)

丘陵山區田間道路陡升陡降，頻繁上下坡需要額外能量用于爬坡，不利于節能。當2條道路水平路徑長度相同時，應優先選擇起伏變化較平坦的路段。因此，本文考慮路段內連續上下坡時的海拔高程變化，通過道路起伏懲罰系數k與累計高程變化(,)之積來等效轉運車在起伏路段行駛時相比于水平路段的距離增長。道路起伏度C(,)定義為

式中z為采樣點海拔高度，m；為該段路徑采樣點個數，懲罰系數k的取值正相關于累計高程變化(,)與實際距離(,)之比。

3）綜合估價函數

考慮到道路曲率和道路起伏，改進后起始點到當前節點的實際代價表示為

3 機器視覺局部路徑規劃

丘陵山區田間道路狹窄曲折，沒有車道線，邊界模糊且不規則。轉運車行駛時，為防止偏離出道路，應沿道路中線行駛。本文采用低成本圖像傳感器模塊（羅技C270），通過圖像分割和陰影處理，生成道路虛擬中線作為局部路徑的跟蹤導航線。

3.1 圖像分割及后處理

采集多種田間道路圖像在各個顏色空間中進行分割處理，對比分割效果發現，HSV（hue-saturation-value）顏色空間[24]中的V分量能夠較好地適應道路上水漬、雜草等因素的影響，S分量能夠很好地解決陰影對道路的影響。因此，采用HSV顏色空間V分量閾值進行道路圖像的分割處理。由于圖像分割處理的目標是道路區域，對象尺寸比較大，且沒有細小部分的細節要求，所以利用形態學濾波和連通域處理[25]對圖像進行去噪，以更好地提取目標區域。

形態學濾波中，選擇3×3的結構元素對道路圖像先進行開運算，再進行閉運算。采用基于4鄰接的Seed-Filling進行連通區域標記，計算每個連通區域的面積，丟棄面積較小的輪廓，針對比較大的輪廓曲線進行多邊形或凸包擬合，最后重新繪制輪廓，得到需要的道路區域。部分道路圖像處理效果如圖4所示。

圖4 部分道路圖像分割及后處理結果

3.2 陰影處理

田間道路典型的特征之一是道路兩旁的作物或者樹木在道路上留下形狀各異的陰影。HSV顏色空間中，V分量對道路的識別度較高，但很容易將陰影部分與背景部分混為一體，直接影響道路區域識別的準確性，所以對陰影部分的恢復尤為重要。當色度保持不變時，S、V分量決定了彩色圖像的總體效果，包括顏色信息和亮度信息，且S分量對陰影部分極其不敏感，基本不受陰影部分的影響。因此，為實現道路上陰影部分的檢測，對道路圖像S、V分量均進行點運算，然后對變換后的S、V分量進行加權融合，并利用Otsu閾值分割得到道路區域缺失的陰影部分，最后將陰影圖像與V分量閾值分割后的圖像進行邏輯運算，將陰影部分恢復到道路區域，得到完整的道路區域信息。

圖像點運算通過變換函數對每個像素進行轉換來改變圖像顯示效果，若輸入圖像為(,)，輸出圖像為(,)，則點運算表示為

式中表示變換函數的斜率，表示截距。通過調整、的取值來改變圖像的對比度、亮度等。

為了突出陰影部分，采用點運算增強對陰影不敏感的S分量的對比度，而對陰影敏感的V分量則減少其對比度。S、V分量經過點運算后，即可將其融合，突出陰影部分的特征。采用像素加權平均法（weighted averaging，WA）進行融合。

設V分量經過點運算后的圖像為1，S分量經過點運算后的圖像為2，加權融合后的圖像為，則圖像之間的數學表達式為：

式中是多維數組元素的索引值；為加權系數，為加入的常數項。

為了更好地得到S、V分量點運算時的值和加權融合時的、值，設計了如表2所示的參數對圖像S、V分量分別進行點運算后加權融合，并進行閾值分割處理獲取陰影區域。對分割結果進行評價，用1~10表示，數值越大表示效果越好。通過對處理結果的分析比較，選擇合適的、、值。

表2 像素加權融合試驗設計及結果

注：為1矩陣的加權系數；為2矩陣的加權系數；1、2分別為V、S分量變換函數的斜率。

Note:is weight of1 matrix;is weight of2 matrix;1,2are slopes of the transform functions for V and S components.

經過多幅圖像的點運算和加權融合效果測試，最終選擇V分量變換函數斜率1=0.5，S分量變換函數斜率2=8，1矩陣加權系數=0.5，2矩陣加權系數=0.5來進行道路的陰影處理，部分道路陰影識別結果如圖4c所示。

陰影部分提取后，需要將其還原到道路區域，保證道路的完整性。將經過陰影處理的二值圖像與V分量分割處理的二值圖像按位進行或運算，即可將陰影區域與道路區域合并。圖4d為合并后最終得到的完整道路區域。

3.3 導航線生成

圖像中識別出完整的道路區域后，即可提取導航線，其結果如圖5所示。根據攝像頭安裝位置和拍攝角度，選取靠近攝像頭三分之二的道路圖像作為感興趣區域（region of interest，ROI）[26]，對ROI進行分塊操作。根據行駛速度及后續預瞄跟蹤控制的要求，以攝像頭正前方實際道路長度每30 cm為單元進行分塊，總共分為12塊，對每塊的道路區域坐標進行提取，并利用式（10）求取目標區域的形心點坐標（x,y）。

式中、為像素坐標，為每分塊道路區域像素點集合，為內的像素點總個數。

將得到的形心用圓點在原圖像中表現出來，如圖5b所示。

圖5 田間道路區域的形心點及其擬合線

由圖5b可看出，由于存在雜草、陰影、水漬等不利因素的影響，有時會造成路徑信息提取錯誤甚至缺失。由于道路的曲率不會產生突變，為了保證路徑的連續性，對所提取的多個形心點進行平滑處理，選擇最小二乘法對這些形心點進行擬合，如圖5c所示，生成的擬合線即為田間道路的虛擬中線，代表了田間道路的實時走向，即轉運車局部路徑的跟蹤導航線。選取圖5a所示田間道路進行測試，本文算法擬合的道路中線與實際道路中線的橫向偏差最大不超過5%。

4 路徑跟蹤控制

路徑跟蹤主要是控制轉運車的橫向運動，使其能夠沿著期望導航線行駛[27]。本文采用基于農機運動學模型的路徑跟蹤控制方法，如圖6所示，將轉運車簡化為二輪車模型，并建立以后輪軸心為原點、后軸線為軸（向右為正）、前后軸心連線為軸（前進方向為正）的坐標系。

注：T(x, y)為導航線上的某點，l為轉運車后軸中心到點T(x, y)的距離，m；θ為點T(x, y)與后軸中心點的連線與前進方向之間的夾角，rad；δ為前輪偏轉角，rad；R為轉彎半徑，m；L為軸距，m。

根據圖6幾何關系可得

式中、為導航線上點(,)的、方向坐標值，m；為導航線上點(,)與后軸中心的連線與前進方向之間的夾角，rad；為轉運車轉彎半徑，m。用曲率代替轉彎半徑，可得

轉運車前輪偏轉角與行駛軌跡曲率的關系為

式中為轉運車前輪偏轉角，rad；為轉運車軸距，m。

由式（12）和式（13）可得

式（14）表達了轉運車到達導航線上點(,)所需的前輪偏轉角與(,)點坐標的關系。根據式（14），即可選取轉運車前方一定距離的導航線上的點作為跟蹤點，確定轉運車前輪偏轉角度，從而進行路徑跟蹤的自動轉向控制。通過攝像頭的標定可得到跟蹤點與轉運車的距離與其像素坐標的對應關系。本文根據轉運車的行駛速度，選取攝像頭前方3.8 m內的形心點進行預瞄跟蹤控制。對于前后2幀圖像之間的窗口銜接偏差問題，重疊部分采用前輪偏轉角融合的方法解決：第一幀時，取攝像頭前方1.0 m距離內形心點對應的前輪偏轉角的均值作為目標轉角；第二幀時，取第一幀圖像1.0~2.0 m距離內形心點對應的前輪偏轉角和第二幀圖像1.0 m距離內形心點對應的前輪偏轉角的均值作為第二幀的目標偏轉角，依次循環。

5 試驗測試

為驗證路徑規劃的可行性和測試轉運車自主行駛系統的性能，進行了全局路徑規劃的仿真試驗以及直線路徑、多曲率復雜路徑和地形起伏路徑下的實車自主行駛試驗。試驗時間為2018年1月，試驗地點為圖3所示研究區域，首先根據采集的道路網絡進行全局路徑規劃仿真試驗，然后進行轉運車自主行駛實地試驗。圖7為試驗場景。

圖7 實車試驗

1）路徑規劃仿真試驗

以路口11到路口34的路徑規劃為例，Dijkstra算法規劃出的路徑為11-12-13-14-15-21-29-30-31-32-34，實際道路總長度為548.09 m，累計高程變化81.34 m；改進A*算法規劃出的路徑為11-7-8-9-10-17-18-35-34，實際道路總長度為556.12 m，累計高程變化57.04 m。2條路徑的海拔高度變化對比如圖8所示，可以看出，雖然改進A*算法規劃出的路徑比Dijkstra算法規劃的路徑長7.03 m，但道路起伏變化相對較平坦，累計高程變化減少24.3 m，相對減少29.87%。同時，根據行駛動力學計算，改進A*算法規劃路徑下轉運車的總能耗比Dijkstra算法規劃路徑下的總能耗低29.4%，由此可知，改進的A*算法融合了丘陵山地道路起伏變化的特征，規劃的路徑更合理。

圖8 改進A*算法與Dijkstra算法規劃路徑海拔高度對比

2）自主行駛測試

在圖3所示的改進A*算法規劃出的11-7-8-9-10-17- 18-35-34路段上進行自主行駛測試，路面寬度為1.2 m，總長度為556.12 m。轉運車滿載情況下，以2 m/s的速度恒速行駛，在此道路上行駛3次，第一次在人工操作下利用RTK-GNSS采集實際道路中線的坐標信息；第二次在機器視覺導航下完全自主行駛，同時RTK-GNSS采集自主行駛軌跡的坐標信息；第三次在自主行駛模式下測試轉運車遇行人能否自動停止。

第一次人工采集道路實際中線坐標時，在路面上標識出實際中線，手動駕駛轉運車沿中線行駛，并對RTK-GNSS采集后的坐標數據進行平滑化處理；通過抽樣檢查，采集的中線坐標與實際中線坐標的偏差在0.06 m之內。

第二次的完全自主行駛中，選擇此路段上直線路段、多曲率復雜路段、地形起伏路段3種路況的自主行駛軌跡進行分析，其中多曲率復雜路段的曲率變化以及地形起伏路段的高程變化如圖9所示。3種路況下轉運車自主行駛的軌跡與RTK-GNSS采集的田間道路實際中線的偏差如圖10所示。

圖9 試驗道路曲率及高度變化曲線

由圖10可知，直線路徑工況下，自主行駛軌跡與實際道路中線基本重合，最大偏差為0.133 m，平均偏差為0.031 m；多曲率復雜路徑工況下，兩者最大偏差為0.195 m，平均偏差為0.069 m；地形起伏路徑工況下，兩者最大偏差為0.212 m，平均偏差為0.092 m。以道路邊緣至道路中線的距離為基準，直線路徑、多曲率復雜路徑、地形起伏路徑3種工況下轉運車沿道路中線自主行駛的平均相對誤差分別為5.16%、11.5%和15.3%。相比于直線路況，多曲率復雜路徑和起伏路徑因彎道、坡度等不利因素的影響，轉運車自主行駛的軌跡偏差及平均相對誤差有所增大。

圖10 不同道路情況下轉運車自主行駛軌跡與道路中線的偏差

第三次行駛試驗時，行人站立于道路上，當轉運車行駛至距離行人1.5 m時報警并自動停止，而當行人移開后，轉運車繼續前移。

在實際測試中，3種道路工況下轉運車都能在田間道路上可靠行駛，即使自主行駛軌跡與實際道路中線偏差最大時，轉運車的車輪外緣與道路邊緣仍有0.123 m的安全距離，結合遇障礙物自動停止的避障方式，說明研制的導航系統滿足轉運車在田間道路上自主行駛的安全要求。

分析轉運車自主行駛軌跡與道路中線產生偏差的原因，主要有：①道路兩邊雜草的影響。路邊雜草經圖像處理后被歸為非道路區域，使得圖像處理后得到的虛擬中線并不是道路的實際中線；②轉運車行駛過程中車身姿態的實時變化導致圖像識別的道路虛擬中線實時變化，使得路徑跟蹤點實時改變；③路面起伏不平使車身發生抖動，RTK-GNSS的測量值發生波動。

6 結 論

研制了丘陵山區田間道路上自主行駛的轉運車以及基于RTK-GNSS和機器視覺的自動導航系統。RTK-GNSS實現全局路徑規劃和實時定位，機器視覺系統實現田間道路的識別并提取導航跟蹤線。進行了仿真分析和實車試驗，得到以下結論。

1）基于改進A*算法的路徑規劃更合理。全局路徑規劃中將路口節點處的彎曲率及道路起伏信息引入代價函數，對A*算法進行了改進。試驗路網的路徑規劃仿真結果表明，改進A*算法規劃路徑下轉運車的總能耗比Dijkstra算法規劃路徑下的總能耗低29.4%，改進的A*算法能融合丘陵山地道路起伏變化的特征。

2）通過圖像處理提取導航跟蹤線的方法可行。機器視覺系統對田間道路可行駛區域、路面陰影區域進行識別，提取道路區域形心點并進行擬合后得到道路的虛擬中線。采用的圖像處理方法能有效地將田間道路從背景中區分出來，提取的道路虛擬中線代表了道路的實時走向，與實際道路中線的橫向偏差最大不超過5%。

3）轉運車自動導航系統能滿足轉運車在田間道路上自主行駛的安全要求。轉運車自主行駛測試表明，在直線路徑、多曲率復雜路徑以及地形起伏路徑3種工況下，自主行駛路徑軌跡與道路中線的平均偏差分別為0.031、0.069和0.092 m，最大偏差分別為0.133、0.195和0.212 m；轉運車沿道路中線自主行駛的平均相對誤差分別為5.16%、11.5%和15.3%，滿足田間道路上轉運車自主行駛的安全要求。

[1] 李耀輝．淺議丘陵山區農機化發展面臨的問題和對策[J]．中國農學通報，2017，33(8)：140－143． Li Yaohui. On the problems faced by agricultural mechanization development in hilly and mountainous regions and countermeasures[J]. Chinese Agricultural Science Bulletin, 2017, 33(8): 140－143. (in Chinese with English abstract)

[2] 王小娟，李云伍，劉得雄，等. 基于機器視覺的丘陵山區田間道路虛擬中線提取方法[J]. 西南大學學報：自然科學版，2018，40(4)：162－169.Wang Xiaojuan, Li Yunwu, Liu Dexiong, et al. A machine vision－based method for detecting virtual midline of field roads in the hilly areas[J]. Journal of Southwest University: Natural Science Edition, 2018, 40(4): 162－169. (in Chinese with English abstract)

[3] 胡靜濤，高雷，白曉平，等. 農業機械自動導航技術研究進展[J]. 農業工程學報，2015，31(10)：1－10. Hu Jingtao, Gao Lei, Bai Xiaoping, et al. Review of research on automatic guidance of agricultural vehicles[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(10): 1－10. (in Chinese with English abstract)

[4] 張鐵民，李輝輝，陳大為，等. 多源傳感器信息融合的農用小車路徑跟蹤導航系統[J]. 農業機械學報，2015，46(3): 37－42.Zhang Tiemin, Li Huihui, Chen Dawei, et al. Agricultural vehicle path tracking navigation system based on information fusion of multi-source sensor[J]. Transactions of Chinese Society for Agricultural Machinery, 2015, 46(3): 37－42. (in Chinese with English abstract)

[5] 刁智華，趙明珍，宋寅卯，等. 基于機器視覺的玉米精準施藥系統作物行識別算法及系統實現[J]. 農業工程學報，2015，31(7)：47－52. Diao Zhihua, Zhao Mingzhen, Song Yinmao, et al. Crop line recognition algorithm and realization in precision pesticide system based on machine vision[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(7): 47－52. (in Chinese with English abstract)

[6] 劉兆朋，張智剛，羅錫文，等. 雷沃ZP9500 高地隙噴霧機的GNSS自動導航作業系統設計[J]. 農業工程學報，2018，34(1)：15－21.Liu Zhaopeng, Zhang Zhigang, Luo Xiwen, et al. Design of automatic navigation operation system for Lovol ZP9500 high clearance boom sprayer based on GNSS[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(1)：15－21. (in Chinese with English abstract)

[7] 張美娜，呂曉蘭，陶建平，等. 農用車輛自動導航控制系統設計與試驗[J]. 農業機械學報，2016，47(7)：42－47.Zhang Meina, Lü Xiaolan, Tao Jianping, et al. Design and experiment of automatic guidance control system in agricultural vehicle[J]. Transactions of the Chinese Society for Agricultural Machinery, 2016, 47(7)：42－47. (in Chinese with English abstract)

[8] 劉軍，袁俊，蔡駿宇，等. 基于GPS/INS和線控轉向的農業機械自動駕駛系統[J]. 農業工程學報，2016，32(1)：46－53. Liu Jun, Yuan Jun, Cai Junyu, et al. Autopilot system of agricultural vehicles based on GPS/INS and steer-by-wire [J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(1): 46－53. (in Chinese with English abstract)

[9] 劉柯楠，吳普特，朱德蘭，等. 基于 GPS 的太陽能平移式噴灌機自動導航系統設計與試驗[J]. 農業工程學報，2016，32(16)：84－94.Liu Kenan, Wu Pute, Zhu Delan, et al. Design and experiment of autonomous navigation system for solar powered linear move sprinkler machine based on GPS[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(16): 89－94. (in Chinese with English abstract)

[10] 陳艷，張漫，馬文強，等. 基于GPS和機器視覺的組合導航定位方法[J]. 農業工程學報，2011，27(3)：126－130. Chen Yan, Zhang Man, Ma Wenqiang, et al．Positioning method of integrated navigation based on GPS and machine vision[J]．Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2011, 27(3): 126－130. (in Chinese with English abstract)

[11] 彭順正，坎雜，李景彬. 矮化密植棗園收獲作業視覺導航路徑提取[J]. 農業工程學報，2017，33(9)：45－52. Peng Shunzheng, Kan Za, Li Jingbin. Extraction of visual navigation directrix for harvesting operation in short-stalked and close-planting jujube orchard[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(9): 45－52. (in Chinese with English abstract)

[12] 羅錫文，張智剛，趙作喜，等. 東方紅 X-804 拖拉機的DGPS自動導航控制系統[J]. 農業工程學報， 2009， 25(11)：139－145.Luo Xiwen, Zhang Zhigang, Zhao Zuoxi, et al. Design of DGPS navigation control system for Dongfanghong 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)

[13] 楊柳，羅婷婷，程新榮，等. 基于Raspberry Pi的拖拉機通用自動駕駛系統[J]. 農業工程學報，2015，31(21)：109－115. Yang Liu, Luo Tingting, Cheng Xinrong, et al. Universal autopilot system of tractor based on Raspberry Pi[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(21): 109－115. (in Chinese with English abstract)

[14] 張碩，劉進一，杜岳峰，等. 基于速度自適應的拖拉機自動導航控制方法[J]. 農業工程學報，2017，33 (23)：48－55.Zhang Shuo, Liu Jinyi, Du Yuefeng, et al. Method on automatic navigation control of tractor based on speed adaptation[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(23): 48－55. (in Chinese with English abstract)

[15] Kurita H, Iida M, Cho W, et al. Rice autonomous harvesting: Operation framework[J]. Journal of Field Robotics, 2017, 34(6): 1084－1099.

[16] Thanpattranon P, Ahamed T, Takigawa T. Navigation of autonomous tractor for orchards and plantations using a laser range finder: Automatic control of trailer position with tractor[J]. Biosystems Engineering, 2016, 147(1): 90－103.

[17] Backman J, Oksanen T, Visala A. Navigation system for agricultural machines: Nonlinear model predictive path tracking[J]. Computers and Electronics in Agriculture, 2012, 82(1): 32－43.

[18] Ball D, Upcroft B, Wyeth G, et al. Vision-based obstacle detection and navigation for an agricultural robot[J]. Journal of Field Robotics, 2016, 33(8): 1107－1130.

[19] Garcia Santillan I, Guerrero J M, Montalvo M, et al. Curved and straight crop row detection by accumulation of green pixels from images in maize fields[J]. Precision Agric, 2018, 19(1): 18－41.

[20] Radcliffe J, Cox J, Bulanon D M. Machine vision for orchard navigation[J]. Computers in Industry, 2018, 98(1):165－171.

[21] Lyu H, Park C, Han D. Orchard free space and center line estimation using naive Bayesian classifier for unmanned ground self-driving vehicle[J]. Symmetry, 2018, 10(9): 355.

[22] 唐彩紅. 基于方向優先和對向搜索的改進Dijkstra算法[J].計算機與現代化，2014，21(7)：113－116. Tang Caihong. An improved Dijkstra algorithm based on direction priority and bidirectional search[J]. Computer and Modernization, 2014, 21(7): 113－116. (in Chinese with English abstract)

[23] 崔寶俠，王淼弛，段勇. 基于可搜索24鄰域的A*算法路徑規劃[J]. 沈陽工業大學學報，2018，40(2): 180－184. Cui Baoxia, Wang Miaochi, Duan Yong. Path planning for A*algorithm based on searching 24 neighborhoods[J]. Journal of Shenyang University of Technology, 2018, 40(2): 180－184. (in Chinese with English abstract)

[24] 耿英楠，高云龍，趙巖．基于RGB比例空間的立體匹配算法[J]．吉林大學學報：信息科學版，2016，34(1)：54－58. Geng Yingnan, Gao Yunlong, Zhao Yan. Stereo matching algorithm based on RGB proportional space[J]. Journal of Jilin University: Information Science Edition, 2016, 34(1)：54－58. (in Chinese with English abstract)

[25] 郭艾俠，熊俊濤，肖德琴，等．融合Harris與SIFT算法的荔枝采摘點計算與立體匹配[J]．農業機械學報，2015，46(12)：11－17． Guo Aixia, Xiong Juntao, Xiao Deqin, et al. Computation of picking point of litchi and its binocular stereo matching based on combined algorithms of Harris and SIFT[J]. Transactions of Chinese Society for Agricultural Machinery, 2015, 46(12): 11－17. (in Chinese with English abstract)

[26] Escobar Alvarez H D, Johnson N, Hebble T. R-advance: Rapid adaptive prediction for vision-based autonomous navigation, control, and evasion[J]．Journal of Field Robotics, 2018, 35(1): 91－100．

[27] 李逃昌，胡靜濤，高雷，等. 基于模糊自適應純追蹤模型的農業機械路徑跟蹤方法[J]. 農業機械學報，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 Chinese Society for Agricultural Machinery, 2013, 44(1): 205－210. (in Chinese with English abstract)

Development of autonomous driving transfer trolley on field roads and its visual navigation system for hilly areas

Li Yunwu1, Xu Junjie1, Wang Mingfeng1, Liu Dexiong2, Sun Hongwei1, Wang Xiaojuan1

(1.400716,; 2.400716,)

In hilly areas, it is difficult to realize mechanized transportation with high safety for agricultural products and materials due to constraints of natural conditions. With the gradually decreasing of rural labor force, farmers in hilly areas urgently need highly automatic field road transfer trolley to reduce the amount of labor required to transport agricultural products and to increase productivity. In this paper, an autonomous driving transfer trolley with visual navigation system for hilly areas were developed and studied. The transfer trolley mainly consisted of drive and brake system, control system, autonomous navigation system, ultrasonic radar obstacle detection system and automatic steering system. The autonomous navigation system included a RTK-GNSS (real-time kinematic-global navigation satellite system) and a machine vision module. The RTK-GNSS functions as road coordinate information collecting, real-time positioning and path planning, the machine vision module functions as field road identifying and path tracking line extracting. To avoid the effect of incorrect positioning resulted from occasional GNSS signal outages due to obstacles such as trees and crops along both sides of the field road, autonomous guidance was implemented by the machine vision module at the non-intersection segments of the road, while it was implemented by the RTK-GNSS at the intersection segments of the road. According to the features of field road with large curvature and fluctuation, in the global path planning, an improved A* algorithm was presented through adjusting the evaluation function by introducing the curvature at intersection nodes and fluctuation information of the road into cost function. In the field road image processing, in order to better distinguish the road area from its surroundings, V component of HSV (hue-saturation-value) color space was used for image segmentation, and S component and V component, after point operating, were fused by weighted method to identify the shadows on the road. Then the shadow regions were combined with the segmented road region. After obtaining the accurate road region in the image, the region was divided into 12 blocks and the centroid points of each block were extracted and smoothed to form a virtual line which was taken as the autonomous navigation line on the road. According to driving speed of the transfer trolley, points on the navigation line were selected as targets for preview tracking control, and a fusion method of front wheel steering angle was used to realize the transition between 2 sequential images. A global path planning simulation test based on actual field road network information was performed to compare the results between the improved A* algorithm and the Dijkstra algorithm. The simulation results showed that: compared with the Dijkstra algorithm, the accumulated altitude change of the path planned by the improved A* algorithm reduced 29.87%, and the total energy consumption of the transfer trolley through the path reduced 29.4% accordingly. Therefore, the improved A* algorithm was more suitable for field roads with large curvature and fluctuation and the corresponding planed path was more reasonable. An actual driving test on a 1.2 m wide field road was carried out. The transfer trolley was set to automatic driving with a constant speed of 2 m/s. To survey the deviation between the autonomous travel trajectory and the actual midline of the road under various conditions in hilly areas, 3 types of field roads, namely straight, complex multi-curvature and fluctuating roads, were selected as test roads. The autonomous driving test showed that: the mean deviations between the actual midline of the road and the automatic travel trajectory on straight roads, multi-curvature complex roads and undulating roads were 0.031, 0.069 and 0.092 m, and the maximum deviations were 0.133, 0.195 and 0.212 m, respectively. Taking the distance from road edge to road centerline as the calculating basis, the average relative errors of the transfer trolley, automatic traveling along the road centerline of these 3 roads, were 5.16%, 11.5% and 15.3%, respectively, the autonomous visual navigation system meeted the safety requirements of autonomous driving transfer trolley on field roads in hilly areas.

agricultural machinery; autonomous navigation; machine vision; RTK-GNSS; transfer trolley; hilly areas

2018-08-16

2018-10-30

國家自然科學基金青年科學基金項目（61304189）

李云伍，副教授，博士，主要從事智能農業機械與動力系統研究。Email：liywu@swu.edu.cn

10.11975/j.issn.1002-6819.2019.01.007

TP273; S229+.1

A

1002-6819(2019)-01-0052-10

李云伍，徐俊杰，王銘楓，劉得雄，孫紅偉，王小娟. 丘陵山區田間道路自主行駛轉運車及其視覺導航系統研制[J]. 農業工程學報，2019，35(1)：52－61. doi：10.11975/j.issn.1002-6819.2019.01.007 http://www.tcsae.org

Li Yunwu, Xu Junjie, Wang Mingfeng, Liu Dexiong, Sun Hongwei, Wang Xiaojuan. Development of autonomous driving transfer trolley on field roads and its visual navigation system for hilly areas[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 35(1): 52－61. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2019.01.007 http://www.tcsae.org