基于模糊自適應純追蹤模型的農業機械路徑跟蹤方法

蔣桂源

（云南農業大學，云南 昆明 650000）

農業機械設備主要應用在耕作、施肥、噴藥和收割等農業生產過程中[1]。目前，我國農業機械自動駕駛技術研究的重點有：面向對象的定位方法、模型及路徑跟蹤的跟蹤控制方法。現代農業機械的自主導航體系中的傳感器用于探測農業機械的方位、位置角（包括航向角、俯仰角和橫向滾動角）和方位角（即農業機械的轉動速度和旋轉角的速度等），這些傳感器起到了作為方向盤的反射傳感器的作用，并能夠測量農業機械的轉角信息[2]。

1 農業機械自動導航控制算法研究進展

農業機械自動導航控制算法包括兩類：一類是基于建模的控制方法，另一類是獨立的模式。本文的研究采用了水稻插秧機械的運動和動態特性，并將最優控制器、模糊自適應控制器和退火算法相結合，實現了所需的軌跡跟蹤。在對水稻插秧機械的軌跡跟蹤問題進行分析時，往往會由于某些參數的不精確而造成插秧器的建模誤差，或是由于參數設定的問題而使其跟蹤控制的效果降低[3]。通過引入獨立于模型的方法，可以有效地處理復雜問題。目前常用的算法有模糊控制、BP神經網絡、PID算法、純跟蹤算法等。考慮到農業機械是平面作業，為了避免發生側滑、縱搖和側翻，綜合拖拉機的機構參數對其結構的影響，使轉角能與前車輪角度等效[4]。根據上述假定，可以將農業機械的動力學建模簡單地歸入二輪單車的數學建模。純追蹤是一種依據駕駛員的行駛習慣而建立的以幾何運算為基礎的軌跡跟蹤算法，它可以對農業機械的橫向和縱向的誤差進行精確計算，并且可以根據目標值的距離來自動調節目前的姿態[5]。

2 農業機械路徑跟蹤系統設計——以水田農業機械為例

2.1 自動導航控制

1）利用定位系統、慣性傳感器、轉速傳感器等，按照所設置的靶點，產生預先定義的路線，并利用定位系統、慣性傳感器、轉速傳感器等對水田農業機械進行實時定位[6]。2）將農業機械的實時定位與靶道的誤差進行對比，利用該方法可以實現對田間農業機械的運動和車速的閉環調節，并利用單純跟蹤模型進行實時的車輛轉彎角度的估計。3）向下層控制器傳送所計算出的所需的前輪轉角，然后，自動轉向系統控制前輪旋轉到所需的角度，使農業機械在預定路徑上進行校正，從而減少偏移，完成自動導航控制[7]。其中，自主駕駛的功能包括三個方面：預先定義線路和獲得農業機械的運動知覺；計算農業機械側傾幅度，并求出所需的前輪轉角；用于對車輪進行實時、自動化的操縱。

根據傳感系統的特點，所測得的數據會存在一些誤差，導致水田農業機械無法滿足精確定位的要求。所以要根據傳感器的檢測數據進行追蹤和觀察，確保水田農業機械的位置不會出現明顯變化，導致其產生較大的位置誤差，使軌跡追蹤中出現較大偏差。因此，為了提高定位精度，必須對導航和定位資料進行一些必要的加工。其中最典型的一種是卡爾曼濾波器，卡爾曼濾波器在自動化系統中占有舉足輕重的地位。與常規的數據處理方式相比，卡爾曼濾波器具有消除噪聲、預測故障等優點，從而可以估算出控制系統的實際輸出。卡爾曼濾波器主要負責對整個系統進行連續檢測與估算，直至得到比較精確的輸出結果[8]。

在田間作業條件下，由于受周圍環境因素的影響，水田農業機械的位置測量精度出現偏差。為降低水田農業機械整體的水平偏差，采用卡爾曼濾波器實現對位置數據的光滑處理。在農業生產中，農業機械的運行車速較低，假定其在加速度為0時保持勻速運行[9]。

2.2 路徑跟蹤控制方法

當前，在軌跡跟蹤控制方面，主要包括PD控制、線性二次型控制、預測控制和神經網絡控制等。路徑追蹤的方式多種多樣，各有特色，各有利弊。PD控制器采用的是一種基于反饋的控制器，它具有結構簡單、適用范圍廣等優點，但它的三個參數調整難度很大，必須經過大量的試驗和人工實踐才能完成。在一定的性能指數下，線性二次型最優控制具有優越性，但必須先假定農業機械的正常速度，然后再利用該方法對受控目標進行線性建模。單純跟蹤模型是一種以幾何計算為基礎的控制方式，它的控制參數很小，其算法可以很好地模仿司機的行駛，并且能很好地進行預測，而舊有的計算方法比較煩瑣。基于邏輯推理的模糊控制器是一種基于邏輯推理的控制方式，它可以在一定程度上確定輸入與輸出的模糊關系，從而獲得所要求的控制器數量，但是由于存在著很大的跟蹤偏差，很難對其進行快速調整[10]。該方法能很好地適應水田農業機械的非線性運動，但要求采樣率高，難以實施。

2.3 轉向控制算法

本文主要討論農機轉向控制技術在農機轉向系統中的運用，選擇的控制策略將直接影響到農機的整體性能。一個好的轉向控制策略必須能很好地適應不同工況，與沒有控制信號的狀態相比，可以對轉向控制信號進行校正，優化控制性能，并能快速準確地執行轉向命令，從而改善轉向控制的控制精度和反應能力。針對水田農業機械本身的機械結構及液力閥門的特點，采用了常規PD控制策略。在PD控制器中，由于PD控制器的功能是通過累計的偏差來克服系統的絕對錯誤，從而引起轉向控制的振蕩，使得死區的設定變得毫無價值。所以，本文選取了帶有死區的PD控制器來實現農業機械的控制，自動轉向控制算法原理如圖1所示。

圖1 自動轉向控制算法原理

2.4 仿真分析

在MATLAB/Simulink中搭建的基于純追蹤模型的系統總體架構由五大模塊組成：目標軌跡設置模塊、轉速控制模塊、橫向誤差求解模塊、純跟蹤算法模塊和農業機械移動模塊。該模型的基本思想是建立兩個點的坐標，即起始和結束的兩個點，通過兩個點的判定線求出一個目的地的直線。該轉速控制裝置的目的是在接近目標路線的末端時，使其減速，直至農業機械抵達目的地。該模型的設計思路是利用農業機械的實時位置坐標來確定其與目標線的最短距離，即為水平偏差。單純跟蹤的方法模組以橫向誤差、航向誤差和前方視角為輸入，而以所需的轉角為目標。基于轉速和預期角度的水田農業機械的移動模式，可以得到實時的定位和方向信息。整個體系設置了一個目的地路線的起始點（0，0）和一個目的地路線的結束點（40，40），并且該目的地路線按照該幾何方法被算成45°的一條線。從起始角度0°的水田農業機械開始追蹤，比較了各種前向間距對單純跟蹤法模擬效果的影響后發現：目前觀測距離越短，水田農業機械就越能沿曲線快速接近目標軌跡，但在軌跡上會出現振動；反之，如果目前觀測距離比較長，則會導致水田農業機械在一個彎曲度較低的曲線上逐漸接近所需的軌跡，盡管在追蹤時振動不大，但是在追蹤時可能會產生偏離，無法完全追蹤到目標軌跡；當前方的視線長度適當時，在給定車速下可以獲得更好的追蹤結果。

基于卡爾曼濾波器五大主要方程，構建了卡爾曼濾波器Simulink模式，如圖2所示。該模式分為兩個階段，上部分是卡爾曼濾波器的兩個主要公式，即修正系統的預報；下部分是卡爾曼信號的迭代式更新，它具有兩種狀態參數，一個最佳輸出。通過卡爾曼濾波器進行優化估算，其與實際數據的最大偏差分別為0.08 m和0.12 m。實際數據的偏差在0.12 m左右，最大偏差在0.3 m左右。從理論上可以看出，與實際情況比較，通過卡爾曼濾波器獲得的位置信息與實際情況比較吻合，從而驗證了卡爾曼濾波器的可行性。定位數據比較圖如圖3所示。

圖2 卡爾曼濾波器設計圖

圖3 定位數據比較圖

在傳統控制方法的基礎上，對液壓傳動的動力學特性進行了深入研究。目前有很多模擬軟件，但一般是通過建立一個系統的數學模型，得到它的傳輸方程，再通過對大量數據進行處理，從而得到模擬的效果。AMESim在水力模擬中應用廣泛，采用的是模擬式造型，并有自己的模式庫，用戶只要懂得液壓技術，就可以利用AMESim進行模塊化建模，迅速建立起水力系統的數學模型。利用AMESim軟件進行液壓轉向裝置的物理建模，包括液壓泵、溢流閥、電磁比例閥、雙向液壓缸、模擬負載以及聯合模擬界面。AMESim模式包括了各種參數的設置。在對液壓油的參數進行調整時，所有的液壓系統都是通用的，所有的參數都是按照模型預設的，如果需要調整密度、絕對粘度、溫度、飽和壓力等，可以按照自己的要求來進行。在設定馬達、水泵的參數時，只需要設定水泵的相關參數，不必設定速度；由于水泵與馬達是連接的，其速度取決于馬達的速度，所以設定馬達的速度就可以了。為了便于模擬計算，將該位移換能器的增益參數設定為1，也就是該換能器的位移值。將比率變換閥進口調節增益k設定為1或-1，結果表明，在k為1的情況下，螺線管在右側操作；如果k為-1，螺線管在左側工作。經過模擬比較發現：在10°的靶角下，液力操縱裝置達到靶角的時間大約為0.8 s，而發動機達到靶角的時間約為2 s；在20°的靶角下，液力操縱裝置在3.3 s內達到靶角。結果表明：液壓式轉向控制具有快速反應能力，本文提出的方法是可行的。

3 試驗驗證

為驗證所提方法的實際效果，本文選取了洋馬VP6高速插秧機作為試驗機械，并在其上加裝了自行開發的CAN總線，實現了農業機械的自動導航控制。

將純追蹤模型方法和本文提出的方法進行對比試驗。采用純粹的跟蹤模型法與文中所述的方法相比較。在試驗中，初值誤差約為30 cm，前視距離為1 m、8 m、3 m。當使用更短的前視距離（1 m）進行試驗時，軌跡追蹤誤差變化表明，在前視距離選取范圍較短的情況下能提高系統的響應速度，但在軌跡追蹤過程中存在著很大的擺動，最大跟蹤誤差超過15 cm。當使用更長的前視距離（3 m）進行試驗時，發現該軌跡是非常緩慢的，因此，在軌跡追蹤過程中，農業機械至少要走30 m，即使是在軌跡上，也無法達到良好的穩定狀態。經過多次的調參試驗，發現使用1.8 m的前視距離可以得到較好的軌跡追蹤效果，在相同的誤差情況下，利用本文提出的方法對農業機械進行路徑跟蹤試驗，通過試驗測定結果得知，農業機械行駛小于5 m的距離就可以跟蹤到路徑上，具有很好的跟蹤響應速度；在達到預期軌跡后，軌跡跟蹤誤差平均值不超過5 cm，最大誤差不超過8 cm，方差也不超過0.000 6，充分滿足了插秧機的使用需求。在不同的初始誤差情況下，將純追蹤模型法與本文中所述的固定前視距離進行了比較。在實際檢驗中，初始誤差設置在30 cm~60 cm之間。在此基礎上，本文提出了一種基于1.8 m的最優軌跡跟蹤模型，該模型在初始誤差為30 cm和60 cm情況下進行了初步的跟蹤試驗。在初始誤差約為60 cm的情況下，農業機械追蹤至軌跡的距離超過5 m，跟蹤誤差平均值達7 cm，最大跟蹤誤差超過10 cm。

4 小結

綜上所述，本文利用模糊自適應的純追蹤模型，建立了一種新的基于模糊自適應的軌跡跟蹤模型。首先建立了基于幾何理論的純追蹤模型，基于該模型，利用模糊自適應控制在線實時調節前視距離。本文提出的方法對各種初始誤差都有一定的魯棒性和自適應能力，從而使農業機械系統的軌跡跟蹤精度得到改善。通過對插秧機路面試驗的分析，證明了基于模糊自適應純追蹤模型的農業機械路徑跟蹤方法的正確性和有效性。