基于三維點云的運輸車糧箱動態均勻裝載方法研究

王梟雄 王 卓 白曉平 葛志康 趙泳嘉

(1.中國科學院沈陽自動化研究所，沈陽 110016；2.中國科學院大學計算機科學與技術學院，北京 100049；3.中國科學院機器人與智能制造創新研究院，沈陽 110169)

0 引言

隨著自動駕駛技術的發展，特別是主從式協同控制技術的發展，聯合收獲機-運輸車協同控制的自動收獲作業方式被廣泛研究與應用[1-4]。其作物卸料裝車普遍采用固定裝載點，或預設裝載路徑的方式進行，在無人工參與平倉的情況下，其裝載率較低。有效的裝載方法對于提高運輸車糧箱裝載率，進而提高主從協同作業的效率具有重要意義。

為了在裝載過程中建立有效的數據反饋，需要對運輸車糧箱的裝載狀態進行檢測。目前對糧箱裝載狀態的識別主要有基于超聲波傳感器[5]、基于壓力傳感器[6]和基于機器視覺[7-9]的方法。在瀝青混凝土卸料裝車系統中，王芳等[5]使用超聲波傳感器來檢測料堆的高度，田明銳等[8]使用機器視覺的方法，通過測量料堆角度和高度信息，來判斷運輸車箱的裝載情況。王錄民等[6]通過在糧堆底部安裝壓力傳感器，利用糧堆高度與底部壓力的近似線性關系判斷谷物分布狀態，完成對靜態下的糧倉裝載狀態測量。陳瑩等[7]使用CCD相機從多個角度拍攝堆料的側視圖，通過各個橫截面的面積來計算大型堆料的體積。LIU等[9]使用基于機器視覺的方法，利用谷物與糧箱的接觸線來檢測裝載狀態，將糧倉劃分為4個區域，通過設定閾值來判斷其裝載狀態。

目前，由于對裝載狀態檢測的精度不高，基于此進行的裝載方法對裝載率的提高有限。近年來，基于三維點云的測量與目標重建被廣泛研究，通過雙目視覺[10]、結構光[11]或激光雷達[12-13]來完成對目標的測量，在果樹測量[14-15]和動物體尺測量[16-17]等農業領域取得了良好的效果。

本文提出基于三維點云的聯合收獲機-運輸車卸料裝載方法。該方法運用多個相機獲取能準確反映運輸車糧箱裝載狀態的三維點云，以此進行裝載均勻性評估，通過實時調整卸料裝載點位置，使糧箱始終保持在均勻的裝載狀態，從而提高滿載時的糧箱裝載利用率，同時提高裝載過程中運輸車糧箱的穩定性，降低溢料的可能性。針對裝載物相互遮擋造成的點云不完整問題，建立堆體的物理模型和相機遮擋模型，來估計盲區點云高度，從而進行點云填充，以得到完整的裝載狀態信息。

1 檢測裝置與方法

1.1 檢測裝置

通常運輸車糧箱為上方開口的長方體結構，如圖1所示。為了避免對聯合收獲機-運輸車協同作業過程中的卸料裝載過程造成影響，且相機安裝在超出車體寬度的區域時存在安全隱患，相機的可選安裝區域被限定在糧箱四周的上方區域，如圖1中的陰影部分。考慮到安裝過高時，相機與糧箱難以進行剛性連接，車輛行駛過程中的振動會對相機的檢測造成影響，安裝高度通常受到限制。

圖1 相機安裝位置與糧倉示意圖Fig.1 Camera installation location and granary diagram

由于單個相機的可視范圍難以覆蓋較大的糧箱，而增加相機數量會增加成本，同時提高系統的復雜度，本文使用2個相機，通過調整相機的安裝位置及相機視場的俯仰角、偏航角和滾動角來提高相機視場對糧箱區域的覆蓋率[18]。

相機的三維有向感知模型如圖2所示，其由P、λ、θ、ω、2α、2β、d等7個因素確定[18]，其中P為相機的安裝位置坐標(x,y,z)，如圖1所示，其取值范圍為

(1)

式中a、b、c——糧箱的長度、寬度和高度

h——相機安裝的限制高度

圖2 相機三維有向感知模型Fig.2 3D directional sensing model for camera

(2)

ω為相機繞光軸PC的滾動角(右手定則)，取值范圍為[0,π]，2α、2β分別為相機水平方向視場角和垂直方向視場角，d為相機的最佳成像距離，取值范圍為[d1,d2],d1、d2為相機的最近成像距離與最遠成像距離。

為了準確地對糧箱的裝載狀態進行檢測，相機的視野范圍應盡可能多地覆蓋糧箱內裝載物堆體的表面，而作物在糧倉內的裝載包括從空載到滿載的多種情況，將堆體表面在糧箱內的分布近似簡化為均勻隨機分布，則相機對堆體表面的覆蓋率可由相機對糧倉空間的覆蓋率進行度量。將糧箱空間離散化為等距離的離散點，對于滿足上述條件的任意一個相機安裝位姿(x0,y0,z0,λ0,θ0,ω0)，依據空間點覆蓋判定準則計算覆蓋率η[18]，計算式為

η=|ψa|/|ψ|

(3)

式中 |·|——求集合中元素總數的運算符號

ψ——空間區域的空間點集合

ψa——相機視場覆蓋的空間點集合

對于糧倉離散空間中的任意一點T(x0,y0,z0),如圖2所示，在相機安裝位置為P(x,y,z)時，其屬于相機視場覆蓋的空間點集合ψa的條件為

(4)

其中

(5)

(6)

式中ec——相機感知方向單位矢量

Xt——相機的視場滾動角為0°時，相機水平視場方向單位矢量

Xrt——相機的視場滾動角為ω時，相機水平視場方向單位矢量

Zt——相機的視場滾動角為0°時，相機垂直視場方向單位矢量

lPT、lPC、lCT、lCE——兩點間的長度向量

據此可以得到使用任一安裝參數時的相機視場覆蓋率，然后使用視場覆蓋增強算法進行優化，得到覆蓋率最大的相機安裝參數[18]。

當其中一個相機的安裝位置和姿態確定后，另一相機采用與其幾何對稱式的安裝位姿，即若相機1的安裝位姿為(x1,y1,z1,λ1,θ1,ω1)時，相機2的安裝位姿為(x2,y2,z2,λ2,θ2,ω2),計算式為

(7)

采用這種對稱式的安裝方式，能避免堆體由于自身遮擋而使相機無法觀測到堆體全貌的情況。

1.2 點云數據預處理

為了將2個相機獲取的點云數據進行融合，采用張正友標定法[19]對各個相機進行內外參數的標定。由于2個相機有重疊視野，制作標定圖像時，保持標定板位置Cb不變，由2個相機分別采集圖像p1、p2加入到標定集P1、P2中，則可得到2個相機相對于標定板位置Cb的外參矩陣H1、H2。

利用矩陣H1、H2對點云數據進行坐標變換，則將2個點云數據統一到標定板Cb的坐標下，再使用迭代最近點(ICP)算法[20-21]進行精配準，使其融合為一個點云，經過簡單的平移或旋轉變化則可得到世界坐標系XOY下的點云數據。

1.3 點云填充

由于裝載物之間相互遮擋，融合后的點云存在孔洞，不能完整地表達糧箱的裝載狀態，也不利于后續處理，所以需要進行點云填充。國內外學者針對點云填充進行了許多研究，何東健等[22]使用改進的三次B樣條曲線對奶牛點云的缺失區域進行修復，NOWAK等[23]提出了一種基于貝塞爾曲面的空腔重建方法用于三維掃描的人體表面填充，GAI等[24]使用徑向基函數來恢復復雜表面孔洞的信息。這些方法在點云填充上取得了良好的效果，但是其僅根據孔洞臨近點進行填充，未充分利用盲區的形成條件，在堆體遮擋所形成的盲區進行填充時誤差較大。為此，本文建立盲區模型進行點云填充。

單一顆粒材料在連續澆筑過程中形成的堆體可以由安息角進行表征[25-26]，形成的堆體可以近似為圓錐。圖3為堆體與相機視野的遮擋示意圖，其中△ABC為崩塌后的圓錐形堆體的橫截面，δ0為堆體ABC的安息角，相機安裝在堆體右上方，由于堆體ABC對相機視野的遮擋，在OE段形成盲區。依據堆體的物理模型，堆體的安息角不變，堆體的高度AE與其底面半徑BE呈線性關系。為了使可觀測到的堆體表面的截面AC穩定存在，盲區OAE內堆體的最小分布狀態為以點A為頂點的截面為△ABE的半圓錐，即在盲區截面AOE內，ABE部分的裝載狀態確定，僅在OAB區域內的裝載狀態不確定。如圖3a所示，當向盲區OE內進行裝載時，可形成高度不超過視線OA的各種堆體，所以盲區OAB的裝載狀態存在空載到滿載的各種可能的裝載狀態。為使估計的點云分布與實際的點云分布的期望誤差最小，取盲區內點云可能分布的最大高度與最小高度的平均值作為該點的估計高度，如圖3b所示，OFA即為估計的盲區OE內的點云分布的截面。其中δ1與δ2均小于安息角δ0，即OFA是可能形成的穩定堆體表面。

圖3 堆體與盲區示意圖Fig.3 Schematics of heap and its blind area

當2個堆體相互遮擋時可能形成的截面如圖4所示，分別為兩谷堆A1B1C1與A2B2C2之間相互重疊，以及相互不重疊2種狀態。O1、O2為盲區的邊界點，綠色陰影區域為確定的裝載狀態，黃色陰影區域為可能的最大裝載狀態。同樣取某點可能的最低裝載高度hmin與該點可能的最高裝載高度hmax的平均值為該點的估計裝載高度h，即

(8)

圖4 堆體相互遮擋形成的盲區示意圖Fig.4 Schematics of two heap and its blind area

將點云集合Ω?R3投影到XOY平面，得到二維點集Ω′?R2，盲區的俯視圖如圖5所示。對于盲區內一點Q(x,y,z)，其在XOY平面內的投影為Q′(x,y)。C′1、C′2分別為兩相機的安裝位置C1、C2在平面XOY上的投影。連接C′1與Q′并延長，其與盲區邊界相交于O′11與O′12兩點；同樣連接C′2與Q′并延長，其與盲區投影的邊界相交于O′21與O′22兩點。O′11、O′12、O′21、O′22分別為點云集合Ω內的點O11、O12、O21、O22在XOY平面內的投影。以O11、O12、O21、O22這4個點為頂點，形成的圓錐堆體底面的半徑為dij，計算式為

(9)

式中zij——點Oij的z坐標δ——堆體安息角

當點Q在以點Oij為頂點的圓錐上方時，點Q的最低高度hmin受到點Oij所在堆體的影響，否則不受其影響。定義點Q的最小高度hij為

(10)

式中d′ij——Q′與O′ij的距離

則點Q(x,y,z)的z坐標最小值為

hmin=max{hij|i,j=1,2}

(11)

點Q的最大高度hmax受到所有通過點Q′正上方的相機視線的影響，即所有在XOY平面上的投影通過點Q′的相機視線。由于所有的相機視線都通過相機安裝位置點C1或點C2，即所有相機視線在XOY平面上的投影都通過點C′1或點C′2。所以通過點Q′的相機視線投影僅有直線C1Q′和C2Q′。

定義相機視線通過點Q′正上方時的視線高度gi為

(12)

式中d(C′i,Q′)——點C′i與點Q′的距離

d(C′i,O′i1)——點C′i與點O′i1的距離

Ci,z——點Ci的z坐標

Oi1,z——點Oi1的z坐標

則點Q(x,y,z)的z坐標最大值為

hmax=min{g1,g2}

(13)

點Q(x,y,z)的z坐標z=h可由式(8)～(13)得到。由此，對盲區投影內的任意一點Q′(x,y)，可估計其空間坐標Q(x,y,z),完成點云填充。

1.4 裝載方法

1.4.1裝載均勻性評估

(14)

進一步方差可表示為

(15)

其中

(16)

ρ——裝載物密度

即裝載均勻性可由裝載面積s上的平均高度h的方差進行評估。

1.4.2裝載點位置計算

(17)

裝載后整體的方差計算式為

(18)

其中1≤j≤n，最均勻裝載網格l=argminσ2(j)，此時l=argmin{hi,1≤i≤n}。

利用離散化后的網格平均高度的方差進行均勻性評估時，每次選取當前平均高度最低的網格進行裝載，只考慮了各個網格的裝載量在數值上無序化后的均勻性，未能充分考慮不同裝載量在位置上的相互關系。當糧箱內存在多個相同的最低平均高度的網格時，裝載點位置的選擇具有一定的隨機性，然而此時不同裝載點位置的選擇所產生的裝載均勻性效果不同。如在糧箱空載時，固定選取離糧箱幾何中心最近的網格進行裝載，而在其后進行的裝載過程中，亦存在多個相同的最低平均高度的網格的情況，若裝載點全部連續地選取在糧箱的一側(圖6a)，其整體裝載均勻性較差，糧箱右側裝載量明顯高于左側，裝載物的重心偏向糧箱幾何中心的右側。在相同裝載量的情況下，圖6b為更加理想的裝載狀態，其整體裝載均勻性較圖6a更好，裝載物的重心與糧箱的幾何中心重合，在均勻裝載的同時，可以降低由于裝載后車輛重心偏移對車輛行駛的穩定性的影響。為此，引入重心偏移量進行輔助評估，使裝載物整體的重心盡可能地靠近糧倉的幾何中心。

裝載物的重心坐標(xc,yc)計算式為

(19)

(20)

式中mc——當前裝載物的質量

則重心偏移量d為裝載物重心與糧倉幾何中心的距離，計算式為

(21)

式中 (xk,yk)——糧倉幾何中心點坐標

通常最均勻裝載點與最小重心偏移量的裝載點不同，甚至會出現向一個網格裝載后，裝載均勻性提高(方差減小)，而重心偏移量也增大的情況。為此設計一個選擇策略在二者之間進行權衡。

裝載點的選擇策略如下：將糧箱離散化，選取平均高度最小的網格的中心作為裝載點,則該裝載點為最均勻裝載點。當存在多個相同的最小平均高度的網格時，計算向這些網格裝載后的裝載物重心偏移量，選取其中重心偏移量最小的網格作為裝載點。

1.4.3可行性與魯棒性分析

(22)

(23)

(24)

其中

(25)

則有

(26)

從而有

(27)

(28)

(29)

即此后每個裝載周期選取平均高度最低的網格進行裝載后，該網格的平均高度成為當前所有網格中的最大值，則在n個裝載周期后，所有網格都進行且僅進行了一個裝載周期的裝載過程，裝載狀態由GK變為

(30)

由此可得

σ(GK+t)=σ(GK+t+n) (t∈N)

(31)

即裝載呈現周期性變化，平均高度的方差也呈現周期性變化，周期為n。由于方差可取的值為有限個，所以裝載狀態的方差σ(GK+t)存在最大值σmax。

假設t0個裝載周期后方差達最大值σmax，則有

σmax=σ(Gt0)

(32)

將式(17)代入式(18)可得

(33)

由于σ(Gt0)>σ(Gt0-1)，代入式(33)得

(34)

(35)

由于σ(Gt0)>σ(Gt0+1)，代入式(33)得

(36)

(37)

(38)

將式(17)代入式(38)有

(39)

(40)

將式(29)代入式(37)有

(41)

聯立式(40)、(41)有

(42)

則

(43)

該方法對不同的初始裝載狀態具有很強的魯棒性，裝載過程中，由于突發的顛簸或者其他意外情況導致未能在指定的位置進行裝載時，此后的裝載過程可將當前期望之外的裝載狀態視為初始狀態繼續進行裝載，亦能達到既定的裝載狀態，即該方法具有抗干擾性。

2 實驗與結果分析

2.1 實驗裝置

為了驗證裝載方法的有效性，搭建如圖7所示的實驗平臺進行實驗驗證。實驗糧箱為2.0 m×2.0 m×0.65 m的長方體，由于安裝工具自身高度的影響，相機的最低安裝高度限制為0.8 m，最高安裝高度限制為1 m。獲取裝載狀態的三維點云所使用的相機型號為MYNT-D1000-IR-120/Color,其幀率為60 f/s,深度分辨率為1 280像素×640像素，工作距離為0.32～7 m，水平方向視角為105°，垂直方向視角為58°。

圖7 實驗平臺Fig.7 Experiment platform

為了確定相機的安裝參數(x,y,z,λ,θ,ω)，采用Matlab的遺傳工具箱進行6參數優化，其取值范圍的下限為{0 m,0 m,0.8 m,-π/2,0 rad,0 rad}，取值范圍的上限為{0 m,2 m,1 m,0,π,π}。適應度函數取相機視場對糧箱空間的覆蓋率，其中糧倉空間離散為間距為5 cm的點集。Matlab中除參數初始值設定為與參數的取值范圍一致外，其他保持默認設置。經過遺傳算法優化后得到的其中一個相機的安裝參數為(0 m,0 m,0.8 m,-0.53 rad,0.785 rad,0 rad),由式(7)可以計算得到另外一個對稱安裝的相機的安裝參數為(2 m,2 m,0.8 m,-0.53 rad,3.925 rad,0 rad)。為了對點云進行對比，配置了參考相機來獲取盲區的點云狀態作為實際點云分布，與算法填充的點云進行對比。3個相機均通過相機云臺進行固定，便于進行安裝角度的調節。

目前已有稻谷、馬鈴薯、玉米、甘蔗、甜菜等農作物使用特定的收獲機進行收獲作業，本文選取2020年產自徐州市的冬季甜菜作為裝載對象。與氧化鋁等金屬粉末安息角的測量[27]不同，農作物安息角的測量沒有相關的標準。孫驪等[28]對小麥和玉米等種子的安息角進行了初步研究，發現依照安息角的變化規律，可以預測某類種子在一定條件下的安息角。為了得到甜菜在裝載過程中的安息角，使用與裝載過程中相同大小和含水率的甜菜進行安息角的測量，并使用相同的跌落高度與相同質地的地面，通過多次測量，取其平均值33.80°作為甜菜的安息角。

將裝載狀態檢測與動態均勻裝載方法搭載在車載平臺Jetson AGX Xavier上運行，使用C/C++作為實現語言，將上述Matlab離線處理得到的坐標轉換矩陣，以及實驗得到的安息角等參數寫入算法中直接使用，這些參數一經獲取，在后續的實時檢測與動態均勻裝載算法中不再變動，無需重復計算。在實時檢測的三維重建上，一方面通過體素下采樣、條件濾波等方法在不丟失關鍵數據的情況下大幅降低三維點云的數據量，另一方面充分利用Jetson的GPU資源，使用C/C++與CUDA混合編程，將包括體素下采樣、條件濾波等方法在內的三維建模與裝載方法并行化，以滿足聯合收獲機-運輸車協同作業的實時性要求。

2.2 實驗結果

2.2.1點云填充實驗結果

圖8為糧箱在輕載、中載和重載3種不同裝載狀態下甜菜的三維點云，其中左圖為2個實驗相機獲取的甜菜裝載狀態的三維點云，中間為依據本文提出的算法進行點云填充后甜菜的三維點云，右圖為2個實驗相機和參考相機獲取融合后的甜菜的三維點云。

圖8 不同裝載狀態下的三維點云圖Fig.8 Three-dimensional point clouds under different loading states

可以看到，不同裝載狀態下，采用2個實驗相機獲取的甜菜裝載狀態的三維點云均有不同程度的空缺，且裝載不均勻程度增加時，甜菜之間的相互遮擋情況加劇，導致盲區變大。與2個實驗相機獲取的原始三維點云(左)相比，經過點云填充處理后的三維點云(中)，能更加完整地反映甜菜的裝載狀態，沒有大片的不確定區域;經過點云填充處理后的三維點云(中)與加入參考相機后獲取的三維點云(右)相比，兩者的三維點云所反映的裝載狀態的一致性較好。

3種狀態下進行點云填充的平均誤差分別為4.62、0.17、0.21 cm。裝載狀態1的盲區主要分布在靠近其中一個相機的位置，且附近有較高的堆體對另一相機形成了遮擋，導致其依據相機遮擋模型得到的最大高度較高，而其實際狀態分布為最小狀態，所以在該處盲區的點云高度估計的誤差相較于裝載狀態2和裝載狀態3的誤差較大。3種裝載狀態下的點云填充誤差均低于5 cm。

填充后的三維點云(中)的稠密度較實際的三維點云(右)稀疏，一方面由于在對左側點云進行填充時，對于較小的盲區，由于其對裝載狀態的影響較小，未進行點云填充；另一方面在對盲區進行填充時，只保證能完整表達該區域的裝載狀態，未進行高密度填充，這樣能加快點云的填充速度。

2.2.2裝載方法仿真結果

圖9 裝載過程中高度方差與重心偏移量變化曲線Fig.9 Variance of height and offset of center of gravity during loading

為了驗證裝載方法的魯棒性，選取實驗中采集的裝載狀態3為初始裝載狀態，進行仿真，其重心偏移量和高度方差的變化如圖9b所示。可以看到初始的裝載不均勻性和重心偏移量都較大,隨著裝載過程的繼續，高度方差和重心偏移量迅速減小，在裝載周期數達到1 400時裝載不均勻性達到最小值，如圖9b中局部放大圖所示，隨后進入穩定狀態，此后裝載均勻性(高度方差)呈周期變化，其方差最大值亦滿足式(43)。進入穩定狀態后，重心偏移量亦開始周期變化，但其幅值周期性的不斷減小，在裝載過程持續時，無限趨近于0。

相較于從空載狀態開始的裝載過程(圖9a)，裝載過程進入穩定狀態后，從裝載狀態3開始的裝載過程(圖9b)，在穩定狀態下，其最小重心偏移量較高，且最小高度方差也相對較大。這是由于最小裝載量的存在，裝載方法無法在任意的裝載狀態下，將糧倉的裝載狀態變為最均勻狀態(高度方差和重心偏移量均為0)。

最小裝載量受到裝載物顆粒大小和最小裝載速度的影響，在一個具體的裝載過程中，裝載設備和裝載物已經確定，即最小裝載量固定，可以通過增加裝載速度和提高裝載周期來增加單周期裝載量。一個連續的裝載過程可以離散為以裝載周期為間隔的一次次的裝載，為了研究單次裝載量對裝載過程的影響，分別選取單次裝載量的平均高度增量4 cm和8 cm進行仿真，結果如圖9c、9d所示。

可以看到，由于單次裝載量的增加，裝載過程在更短的裝載周期內達到穩定狀態。單次裝載量越大，其在穩定狀態下的裝載不均勻性越大，重心偏移量在一個穩定周期內的波動范圍也越大。但當單次裝載量增加時，裝載相同質量的裝載物，所需裝載周期更短，這也意味著裝載位置的變化次數降低。實際應用中可以根據允許的裝載均勻性要求，設定合適的單次裝載量。

為了說明本文提出的動態均勻裝載方法的優勢，設計了與傳統的固定點裝載方法的對比仿真實驗。傳統的固定點裝載方法在預先設定的位置連續進行卸料裝載作業，待料堆達到預定的高度后，將卸料口移動到下一個裝載點繼續進行卸料裝載，直到所有裝載點位置的料堆達到預定高度后結束卸料裝載操作，主要應用于聯合收獲機-運輸車協同作業[11]和瀝青混凝土裝車系統[5,8]。

從圖10a可以看出，固定點裝載方法的高度方差變化曲線分為4段，其中每個轉折點表示在該時刻切換了裝載點位置，裝載的周期數達到823時，固定點裝載方法結束裝載過程，此后高度方差不再變化。與動態均勻裝載方法相比，固定點裝載方法的高度方差明顯較大，且其裝載的周期數823遠小于動態均勻裝載方法的周期數1 800，即動態均勻裝載方法的裝載量高于固定點裝載方法的2倍。

圖10b中，固定點裝載方法的重心偏移量初始值較大，雖然在初始階段糧箱的已裝載總量較小，由此產生的力矩較小，但其在更換裝載點后重心偏移量下降緩慢，在裝載中期產生的力矩較大。在周期數達到823，固定點裝載方法結束裝載過程時，其重心偏移量降為0，而此時動態均勻裝載方法的最大重心偏移量也降至0.2 cm以下，維持在較低水平，在裝載過程結束時降為0。即動態均勻裝載方法在以重心偏移量進行評價的裝載效果也更優。

由此可知，與固定點裝載方法相比，動態均勻裝載方法能大幅提高糧箱的裝載均勻性，提高糧箱的裝載量。

圖10 固定點裝載方法與動態均勻裝載方法的裝載均勻性變化曲線Fig.10 Evolution diagrams of loading uniformity of fixed points loading and dynamic uniform loading

3 結論

(1)探討了用于獲取糧箱裝載狀態的三維點云的相機安裝位姿，并利用視場增強算法提高了相機視場對糧箱儲藏空間的覆蓋率。

(2)對糧倉裝載狀態進行三維點云模型重建，并依據堆體物理模型和相機遮擋模型對盲區進行點云填充，盲區點云估計的平均誤差低于5 cm，該方法對糧倉裝載狀態還原度較高。與常規的糧倉裝載狀態方法相比，能提供更加全面的裝載狀態信息。

(3)基于當前的裝載狀態，提出了以均勻裝載為目標的糧箱裝載方法。該方法可以用于聯合收獲機-運輸車協同作業的自動控制，為不間斷卸料裝載過程提供裝載位置信息，能提高糧箱裝載率與協同作業的效率，同時提高作業過程中車輛行駛的穩定性，降低由于裝載不均勻對運輸車可能造成的機械損耗，以及由于顛簸發生溢料問題的可能性。

(4)在最高裝載高度為0.35 m時，動態均勻裝載方法的裝載量高于傳統固定點裝載方法的2倍。該方法不僅提高裝載結果的均勻性，還提高了裝載過程的均勻性，降低了裝載物相互遮擋的可能，從而提高裝載過程中裝載狀態檢測的精度。