当前位置:论文网 > 论文宝库 > 工程技术类 > 机械论文 > 正文

农业机械导航技术研究进展

来源:UC论文网2021-01-09 09:06

摘要:

  摘要:农业机械自动导航技术是实施精细农业的基础,可有效减轻农机操作人员的劳动强度,提高作业精度与作业效率。经典的农机自动导航关键技术包括定位测姿、路径规划和运动控制,针对这3项关键技术,分别阐述了基于全球导航卫星系统、惯性导航系统、机器视觉导航系统及多传感器信息融合的农机定位测姿方法,总结归纳了农机自动导航系统中的全局路径与局部路径规划算法,以及农机的运动学模型、导航决策控制方法、转向制动控制...

  摘要:农业机械自动导航技术是实施精细农业的基础,可有效减轻农机操作人员的劳动强度,提高作业精度与作业效率。经典的农机自动导航关键技术包括定位测姿、路径规划和运动控制,针对这3项关键技术,分别阐述了基于全球导航卫星系统、惯性导航系统、机器视觉导航系统及多传感器信息融合的农机定位测姿方法,总结归纳了农机自动导航系统中的全局路径与局部路径规划算法,以及农机的运动学模型、导航决策控制方法、转向制动控制系统。随着信息技术的发展,农机智能导航技术受到越来越多的关注,保证作业安全与提高作业效率成为农机智能导航不同于传统自动导航的关键技术。以激光雷达和RGB相机为例综述了农机自主避障技术,并从协同导航模式、通信技术、协同控制、远程监控平台等角度阐明了多农机协同作业的关键技术。最后,结合无人农场和智慧农业对农机智能导航技术未来的发展方向进行了展望。


  关键词:农机导航;定位测姿;路径规划;运动控制;自主避障;多机协同


  0引言


  农业机械自动导航技术是实施精细农业的基础,可以有效减轻农机操作人员的劳动强度,提高作业精度与作业效率[1-2]。目前,农机自动导航已广泛应用于耕作、播种、施肥、喷药、收获等农业生产过程[3]。


  经典的农机自动导航关键技术包括导航位姿信息获取、导航路径规划和导航控制等。导航位姿信息的准确、可靠获取是路径规划与车体控制的前提条件[4-5];优化的导航路径可有效减少资源浪费,如减少重复、遗漏作业,减少地头转弯路径等,提高作业效率[6-7];快速、稳定的导航控制能够应对农田的复杂路面环境,实现对导航路径的准确跟踪[8-9]。国内外学者针对以上技术进行了广泛而深入的研究,取得了丰硕的成果。


  随着农机作业速度的不断提高、作业任务的逐渐复杂,经典的农机自动导航技术已难以应对新形势下的安全性挑战和突破效率瓶颈。因此,智能农机导航技术逐渐成为研究热点。智能农机导航在经典农机自动导航框架的基础上,结合传感器、物联网、云计算、深度学习等技术,旨在提高农机在自动导航作业过程中的安全性与协同性,其核心技术包括自主避障与多机协同等。自主避障可实现对复杂农田环境中的机器、行人等障碍物的识别与避让,保证人机安全作业;多机协同可在复杂作业需求下,通过对农机状态信息监测,进行任务调配、多机路径规划,提高农机机群整体作业效率。


  本文分析国内外农机自动导航技术研究进展,在对农机定位测姿、路径规划、运动控制等经典导航关键技术进行总结分析的基础上,阐述自主避障和多机协同等智能导航关键技术的发展趋势,并结合无人农场与智慧农业,对农机智能导航技术未来应用场景进行展望。


  1自动导航关键技术


  1.1定位测姿


  国内外学者针对全球导航卫星系统(Globalnavigationsatellitesystem,GNSS)、惯性导航系统(Inertialnavigationsystem,INS)和机器视觉(Machinevision,MV)导航系统进行了深入的研究,主要进展如下。


  1.1.1全球导航卫星系统


  目前,全球导航卫星系统主要包括美国的GPS系统(Globalpositioningsystem)、俄罗斯的GLONASS系统(Globalnavigationsatellitesystem)、欧盟的Galileo系统和中国的北斗导航卫星系统(BeiDounavigationsatellitesystem,BDS)。其中,北斗导航系统自2012年正式向亚太大部分地区提供区域服务,2019年北斗导航系统全球组网进入冲刺期,2020年可按计划提供全球范围的定位、导航、授时等服务。闫飞等[10]采用多频三星接收机和多星座接收模块,通过BDS和GPS数据,得到更多的卫星可见数和更稳定的信噪比。


  为实现农机自动驾驶过程中的精细作业,需要获取分米级甚至厘米级的定位数据,常采用差分GNSS技术,即通过将位置已知基准站测量的伪距修正值或相位信息发送到移动站来提高精度。OKSANEN等[11]设计了一台采用GNSS信号为引导的四轮驱动农业拖拉机,考虑了当前位置、速度、航向和调控角度对导航的影响。罗锡文等[12]基于东方红拖拉机,采用自主差分方式,开发了基于RTK-DGPS的自动导航控制系统,设计了导航控制器、转向控制器和转向装置等。


  通过GNSS接收机还可得到农机的航向信息,根据测量原理,分为双天线测向法和单天线测向法,表1对两种GNSS测向方法进行了对比。


  表1GNSS测向方法


  Tab.1HeadingmeasurementmethodsbasedonGNSS


  width=340,height=179,dpi=110


  O’CONNOR等[13]将RTK-GPS应用于农机导航中,并使用了四天线GPS系统为拖拉机提供位姿信息。刘兆朋等[14]在高地隙喷雾机顶端横向安装GNSS双天线,可同时实现对位置信息、航向信息的直接测量。


  GNSS可提供全天时、全天候的绝对位置与航向信息,但极端天气或遮挡造成的GNSS信号丢失,限制了其在复杂农田环境中的应用。


  1.1.2惯性导航系统


  惯性导航系统是以陀螺仪和加速度计为敏感元件的相对参数解算系统,不依赖于外部信息、也不向外部辐射能量,通过航迹推测获取位置与姿态。


  (1)陀螺仪


  陀螺仪基于惯性原理,输出参考轴向的角速度,通过积分计算出角度。目前,陀螺仪主要包括机械陀螺仪、光纤陀螺仪和微机电陀螺仪。表2对比了3种陀螺仪的特性。


  表23种陀螺仪特性对比


  Tab.2Comparisonofcharacteristicsofthreekindsofgyroscopes


  width=340,height=122,dpi=110


  由于陀螺仪测量角度的本质在于对角速度积分,故具有漂移误差,且陀螺仪受温度影响较大,所以需要对温度变化进行补偿。


  (2)加速度计


  加速度计基于惯性原理,可输出参考轴向的加速度,通过积分计算出速度,通过二次积分计算出位移。加速度计具有较好的偏差稳定性,以及对冲击、振动和温度适应性,且成本较低,因而广泛应用于惯性测量系统。


  (3)磁偏计


  磁偏计通过检测地球磁场,输出行进方向与磁北的偏角,是航姿参考系统(Attitudeandheadingreferencesystem,AHRS)等设备的重要航向参考。磁偏计的主要误差包括:自身误差、地磁场变化、周围环境磁效应等,需要进行磁场映射校准,以降低环境干扰。


  (4)捷联惯导


  捷联惯导(Strapdowninertialnavigationsystem,SINS)是典型的INS设备,其将陀螺仪、加速度计、磁偏计按笛卡尔空间直角坐标系三轴方向组合,构成复合式传感器。表3为3种捷联惯导的特性对比。


  表33种捷联惯导特性对比


  Tab.3ComparisonofcharacteristicsofthreekindsofSINS


  width=340,height=122,dpi=110


  NOGUCHI等[15]提出了一种由RTK-GPS、光纤陀螺仪和惯性测量装置组成的导航传感器,同时获取农机的位置、航向、姿态信息,并校正偏差。朱忠祥等[16]设计了基于加速度计、陀螺仪、电子罗盘的航迹推算系统,并结合GPS定位,通过卡尔曼滤波器估计位姿,获得了厘米级定位精度。


  INS可提供高精度、高频率姿态数据,通过航迹推测获得位置,但温度与积分产生的漂移导致其长时间工作精度无法保证。


  1.1.3机器视觉导航系统


  机器视觉具有成本低、信息丰富等特点,适用于不规则地块或信号遮挡环境。采用视觉导航时,通常将视觉传感器安装在农机驾驶室上方,采集农机前方图像信息,通过预处理、作物行检测,最终提取导航基准线。


  (1)图像预处理


  农田环境下天气、杂草、阴影、非目标区域等因素会对作物行检测产生干扰,直接检测较难获得理想效果。通过特殊波段视觉传感器[17-18]或灰度化特征因子[19-20]可增大目标区域和非目标区域的颜色区分;通过将RGB色彩模型转换为HSV、HSI、YCbCr等色彩模型[21-22]可消除部分阴影干扰;通过合理设置图像中待处理的感兴趣区域(Regionofinterest,ROI)可减少非目标作物行的干扰,同时降低计算量[23]。


  (2)作物行检测


  目前国内外对于作物行提取方法已展开了大量研究,主要包括垂直投影[24]、Hough变换[25]、线性回归[26]、立体视觉[27]等,特点如表4所示。


  表4作物行检测方法特点


  Tab.4Characteristicsofcroprowdetectionmethods


  width=340,height=122,dpi=110


  目前,视觉导航技术已经应用到自动施药[28]、自动除草[29]、自动收割[30]等方面,但由于农田环境对图像采集稳定性的影响,仍存在图像模糊、信息缺失等问题,视觉导航技术鲁棒性需要进一步提高。


  1.1.4多传感器信息融合


  单一传感器都有一定的局限性,为提高导航定位精度和可靠性,常采用多传感器融合。多传感器信息融合,指利用各传感器的优势特征,构成数据冗余或数据互补特性,提高测量结果的鲁棒性和准确性。


  多传感器信息融合是一个多层次、多级别的处理过程。根据数据和处理的复杂程度来对融合级别分类,可分为数据级融合、特征级融合和决策级融合,性能分析如表5所示。3个融合级别各有利弊,需要根据系统所需的融合精度与实时性需求合理选择融合级别。


  表5多传感器融合级别


  Tab.5Multi-sensorfusionlevel


  width=346,height=143,dpi=110


  在农田复杂的非结构化环境中,地形、光照、气候条件多变,使用GNSS、INS、MV单独提供的农机位姿信息均有一定局限性,如:GNSS受遮挡产生信号丢失、INS随时间不可避免的漂移、MV受外界光照和阴影的影响等。因此,单传感器难以应对复杂的农田环境,多传感器间的数据融合是必要手段。表6对3种定位测向传感器的特点进行了分析比较。


  由表6可知,GNSS/INS具有良好的数据互补特性,适用于农机在农田环境中的定位测姿。刘进一等[31]采用全球导航卫星系统、微机械惯性测量单元及航位推算相融合的组合导航定位系统,通过改进的自适应系统协方差矩阵的扩展卡尔曼滤波算法融合导航。张京等[32]提出了一种以GNSS信号与航向角变化幅度信息为指导的INS与GNSS航向信息融合策略。


  表63种传感器特点


  Tab.6Characteristicsofthreekindsofsensors


  width=340,height=94,dpi=110


  多传感器信息融合的几种主要方法如表7所示。


  表7多传感器信息融合算法及其特点


  Tab.7Characteristicsofmultisensorfusionalgorithm


  width=729,height=165,dpi=110


  目前,在农机导航系统中应用的信息融合方法,应用广泛的是卡尔曼滤波与粒子滤波。


  表8归纳了卡尔曼滤波器及粒子滤波器的特性。


  表8融合算法特性对比


  Tab.8Comparisonoffusionalgorithms


  width=340,height=107,dpi=110


  注:扩展卡尔曼滤波时间成本取决于雅可比矩阵求解难易程度。


  1.2路径规划


  对于复杂农田作业环境下的农业机械,路径规划是农机根据已知作业信息和环境信息,并结合自身传感器对动态环境信息的感知,按照某一性能指标(如距离、时间等),自行规划出一条安全无碰撞的运动路线,同时高效地完成作业任务。根据环境信息的掌握情况,路径规划可分为全局路径规划和局部路径规划[33]。


  1.2.1全局路径规划


  全局路径规划是在环境信息已知的情况下,基于先验完全信息的路径规划方法。全局路径规划算法注重寻求最优解,设计目标是使规划路径尽可能达到最优,主要包括可视图法[34-35]、切线图法[36]、Voronoi图法[37]、自由空间法[38]、栅格法[39]等,几种算法的特点如表9所示。


  1.2.2局部路径规划


  局部路径规划是在环境信息完全或部分未知的情况下,根据传感器信息获取农机自身与环境障碍物信息进行的实时路径规划。局部路径规划算法注重路径安全性与实时性,以提高农机避障能力。目前已有方法主要包括动态窗口法[40]、人工势场法[41-42]、模糊控制算法[43-44]、人工神经网络[45-46]、A*算法[47-48]、遗传算法[49]、模拟退火算法[50]、蚁群优化算法[51-52]和粒子群算法[53]等,几种算法的特点如表10所示。


  表9全局路径规划算法对比


  Tab.9Comparisonofglobalpathplanningalgorithms


  width=729,height=110,dpi=110


  表10局部路径规划算法对比


  Tab.10Comparisonoflocalpathplanningalgorithms


  width=729,height=202,dpi=110


  通过对比分析可知,全局路径规划算法和局部路径规划算法在实时性、鲁棒性和安全性等方面各有特点,实际使用时,要根据具体的作业环境和作业要求采用不同的路径规划方法,从而规划出一条安全高效、全局近似最优的作业路径。


  1.3运动控制


  经过规划的导航路径是农机作业的期望轨迹,为实现导航路径的跟踪控制,需要在农机运动模型、导航决策控制以及转向与制动控制等方面开展研究。


  1.3.1运动模型


  在复杂农田环境下,运动模型的准确性将直接影响农机导航作业的精度。农机导航广泛应用的运动学模型有阿克曼四轮车模型和简化二轮车模型,其特征如表11所示。


  由表11可知,阿克曼四轮车模型适用于更复杂的水田作业场景,在旱地作业中,简化二轮车模型具有简单实用的优势。陈哲明等[54]针对传统四轮转向系统,根据阿克曼转向定理,设计了能够改善转向运动协调性和操纵稳定性的控制策略。白晓平等[55]提出了一种农机导航自校正模型控制方法,采用简化二轮车模型设计了控制律,提高了稳定性和快速响应性。


  表11农机运动学模型特征对比


  Tab.11Comparisonofkinematicmodelofagriculturalmachinery


  width=340,height=110,dpi=110


  1.3.2导航决策控制


  导航决策控制是导航系统的核心,期望转向角的决策是否合理,直接影响后续的转向执行动作,进而影响整个导航系统的性能,其基本原理如图1所示。


  由于农田作业环境复杂多变,农机自身大延迟、大惯性和高度非线性的特征,使导航决策控制算法需具备一定的自适应性和鲁棒性。常用的农机导航控制方法包括PID控制、模糊控制、纯追踪控制、滑模变结构控制、最优控制和模型预测等,对比分析如表12所示。丁幼春等[56]基于免疫PID方法设计了小型履带式油菜播种机导航控制器,提升了响应速度,并减小了跟随偏差。张雁等[8]针对自主导航水稻直播机,构建了一种模糊自适应控制方法,提高了导航精度和动态性能。王辉等[57]采用预瞄追踪模型进行农机导航控制,提高了路面适应性和上线动态性能。焦俊等[58]构建了等效控制和切换控制组成的自适应滑模控制,提升了导航精度。李逃昌等[59]基于Frenet坐标系构建了运动学模型,并根据反馈线性化和线性二次型调节器设计了最优控制律。刘正铎等[60]基于线性模型预测控制方法,将松弛因子引入目标函数,实现了偏差快速回调的优化控制。


  width=480,height=125,dpi=110


  图1导航决策控制原理图


  Fig.1Schematicofnavigationdecisioncontrol


  表12控制方法特征比较


  Tab.12Comparisonofcontrolmethodcharacteristics


  width=729,height=129,dpi=110


  综上,传统的算法大多存在一些问题,如:PID控制由于其控制参数固定,当遇到非线性、时变和结构不确定系统,控制效果并不理想;模糊控制规则需要根据专家经验进行判定;滑模变结构控制方法需采用一定手段消弱抖振。针对这些问题,也有研究人员提供了新的思路,尝试将不同的控制方法结合,优势互补以得到更好的控制效果。唐小涛等[61]采用模糊算法动态确定纯追踪模型的前视距离,实现了精准平稳的跟踪效果。籍颖等[62]为了消弱滑模控制的颤抖现象,采用模糊控制方法改进了滑模变结构控制系统,提高了系统控制准确性和鲁棒性。


  1.3.3转向与制动控制


  (1)转向控制


  转向控制系统是导航系统的执行部分,其原理如图1中虚线框所示。目前广泛应用的转向方式包括电动方向盘转向和电控液压阀转向,性能对比如表13所示。


  表13转向控制系统性能对比


  Tab.13Comparisonofsteeringcontrolsystem


  width=729,height=61,dpi=110


  在农机平台,电动方向盘相对电控液压转向,容易改装且便于移植,而电控液压转向的控制精度较高。张漫等[63]通过PLC和步进电机控制方向盘转动,进而实现农机自动导航。李伟等[64]为提高喷雾剂的机动性能和作业效率,设计了全液压多轮转向系统,并提出了基于PID控制方法的四轮转向系统控制方法。


  (2)制动控制


  在导航过程中,制动控制模块一方面用于紧急情况下的及时停车,另一方面用于农机作业行驶速度的协助控制。王致情[65]使用数字信号处理器的I/O端口输出高低电平,并配合继电器电路控制电动推杆的正反转,实现了推杆对制动踏板的往返控制。


  2智能导航技术


  近年来,随着传感器技术、深度学习算法、物联网和云计算等的突破性进展,智能农机导航及其相关技术成为新的研究热点。


  自主避障与多机协同技术是智能导航技术重要的研究方向[66]。前者保证了智能农机在复杂农田环境中的作业安全,后者提高了智能导航农机的作业效率。本文主要分析自主避障与多机协同两项技术的研究现状与发展趋势。


  2.1自主避障


  自主避障技术可使农机在复杂农田环境中,仅通过自身车载传感器感知、检测、识别障碍物,为局部避障路径的合理规划提供可靠依据。


  农田是典型的非结构化环境,具有地面不平整、障碍物种类多等特点,增加了传感器环境感知、障碍物检测与识别、避障行为决策等环节的难度。农田环境感知传感器及性能分析如表14所示。


  表14农田环境感知传感器及性能分析


  Tab.14Performanceanalysisoffarmlandenvironmentalsensors


  width=729,height=122,dpi=110


  通过对比上述传感器的性能、成本和适用情景等,归纳激光雷达与RGB相机在农田数据采集,以及障碍物检测、识别、跟踪的相关研究成果与发展趋势。


  2.1.1激光雷达


  激光雷达(Lightdetectionandranging,LiDAR)探测周围环境中目标点与自身的距离,结合测量角度,获得目标点的极坐标位置。表15为激光雷达分类对比。


  表15激光雷达分类及对比


  Tab.15ClassificationandcomparisonofLiDAR


  width=340,height=264,dpi=110


  由表15可知,基于飞行时间原理的三维机械式激光雷达,能够适应农田复杂多变的光照情况,并提供高精度、高速率、广视角的三维点云。但其成本较高,国内外的智能农机平台多采用二维激光雷达[67-68]。目前,研发高线数、低成本的固态三维激光雷达已成为行业发展趋势。


  激光雷达采集的点云,需先进行点云配准、点云去噪等预处理,再通过分割、聚类等算法检测障碍物,最终应用分类、跟踪算法实现障碍物识别。


  (1)点云配准


  激光雷达采集的原始点云数据,是以视点为原点的极坐标点,需进行时间配准和空间配准,得到全局一致点云。时间配准可保证激光雷达与GNSS/INS采集时间的同步性,空间配准利用农机的位姿信息对点云进行坐标变换,获得全局一致的点云。点云配准为农田动静态障碍物的识别及动态障碍物的跟踪提供了可靠数据基础。季宇寒等[69]搭建了基于三维激光雷达的农田环境信息采集系统,通过在农机上安装GNSS/AHRS获取位姿信息,对GNSS定位和点云数据偏差进行姿态补偿。


  (2)点云去噪


  激光雷达受自身与外界因素的影响,点云存在噪声,需进行滤波去噪。点云噪声主要表现为:漂移点、孤立点、冗余点、混杂点等。其中,前3种噪声具有较明显的密度或距离特征,比较容易去除。混杂点与正确点云易混淆,通常采用平滑算法进行修正。表16对点云平滑滤波算法进行了总结。


  表16点云平滑滤波算法


  Tab.16Filteringalgorithmsforsmoothingpointcloud


  width=340,height=289,dpi=110


  由表16可知,有序点云的点与点之间存在拓扑关系,滤波算法简单高效,实时性好。无序点云的点分布散乱,滤波算法复杂,实时性差。智能农机自主避障对实时性要求较高,有序点云滤波算法有更实际的研究与应用价值。


  (3)点云分割


  经过预处理的点云仍可能包含非障碍点云,如:超出距离范围的点云、农机自身的点云、地面点云等,需进行分割筛除。表17归纳了非障碍点云分割筛除的算法。


  由表17可知,对前两类非障碍点云,使用合理的经验阈值分割即可获得较好效果。地面点云与障碍物点云紧密连接,干扰后续点云聚类效果。国内外学者针对不同的场景提出多种方法,如:斯坦福大学的stanley无人车,先通过投影法获得前方道路点云高度栅格图,后利用相邻栅格的高度差和一阶马尔科夫模型实现地面点云的快速分割[70]。董敏等[71]提出了基于三维网格图的点云分离方法,通过找到地面基准点并将地面属性蔓延至其他各点,实现地面点的分离。


  表17点云分割算法


  Tab.17Segmentationalgorithmsforremovingoutlierofpointcloud


  width=340,height=163,dpi=110


  (4)点云聚类


  经过地面点云分割的点云,按照特定的聚类规则分成相互独立的簇,即完成农田障碍物的检测。聚类算法根据聚类规则的不同,分为基于划分、层次、密度、模型等,表18总结了点云聚类算法及其特点。


  表18点云聚类算法


  Tab.18Clusteringalgorithmsofpointcloud


  width=340,height=183,dpi=110


  国内外学者主要采用基于划分和基于密度的聚类方法,前者具有很高的时间空间效率,后者在参数合适的情况下,具有良好的密度适应性并具有一定抗噪能力。基于层次的聚类主要应用于离线系统下的点云聚类。基于模型的点云聚类主要应用于已知点云分布模型的前提下。BEHLEY等[72]针对三维点云数据,提出了基于改进的索引八叉树的半径邻域检索法,通过在聚类过程中对不相关子树进行剪枝,提高半径邻域检索的速度。刘家银等[73]针对非结构化环境的负障碍物检测问题,根据贝叶斯法则进行多帧特征点对融合,采用DBSCAN对融合后点对进行聚类和过滤。


  (5)障碍物分类


  通过聚类获得障碍物团簇,为进一步确定障碍物的类别,需要对聚类团簇进行特征提取与分类。根据选取特征是否是人为定义,可将特征分为人工特征与学习特征。表19归纳了点云团簇的人工特征及其特点。


  表19点云团簇的人工特征


  Tab.19Artificialcharacteristicsofpointcloudclusters


  width=340,height=143,dpi=110


  学习特征是通过有监督的机器学习算法自动归纳的特征。目前,点云分类应用的传统机器学习分类器包括Adaboost[74]、SVM[75]等。随着深度学习发展,直接使用三维点云数据进行训练与验证的深度学习算法已成为新的发展趋势[76]。


  (6)障碍物跟踪


  通过对障碍物的形状、位置、运动等状态进行识别后,利用相同障碍物特征自相关度高于不同障碍物的特点,对相邻帧间的相同障碍物进行关联,最终实现对运动障碍物的跟踪。


  障碍物跟踪的关键算法为数据关联与跟踪算法。其中,经典的数据关联算法包括概率统计与确定性方法,根据障碍物属性合理构造特征向量十分关键。跟踪算法最常见的依然是卡尔曼滤波[77]、粒子滤波等传统状态估计方法。通过对比多帧数据中障碍物的位置与速度变化,确定障碍物的静动态属性,进而确定动态障碍物的航迹起点、运动矢量、航迹终点等。


  2.1.2RGB相机


  以RGB相机为代表的机器视觉,以其设备价格低、便于安装、数据信息量丰富、且处理算法较为成熟的特点,在农机自动导航避障方面有着广泛的研究与应用。首先,使用相机获取彩色图像,后对图像进行预处理、运动目标检测、运动目标追踪等步骤,最终从图像中获得障碍物信息。


  (1)图像获取


  在农机自动导航避障方面,图像的获取常使用单目相机[78]、双目相机[79]或全景相机[80-83],其获取图像的优缺点如表20所示。


  表203种相机设备的优缺点对比


  Tab.20Advantagesanddisadvantagesofthreecameradevices


  width=340,height=183,dpi=110


  目前,在农机自动导航避障方面,凭借价格低廉、测距较为准确等优点,双目相机得到了较多的应用,技术较为成熟。而全景相机因其超广角的视野范围,有着良好的发展前景。


  (2)图像预处理


  在实际农田作业环境下,光照、灰尘、相机抖动等都对图像有着较大的影响,进而影响障碍物的检测效果。可以通过使用特殊的颜色空间模型[84]、光线自适应法[85]以及图像复原[86]等进行图像预处理,提高成像质量。


  (3)障碍目标检测


  农机在农田作业时,可能遇到多种障碍目标,如运动的人、其他农机等。目前,常用于图像中障碍目标检测的方法有阈值分割法、背景差分法、帧差法、光流法以及机器学习等方法。上述方法在障碍物检测方面的主要优缺点如表21所示。


  阈值分割法:通过图像中障碍目标的颜色与背景图像的差异,选定合适的阈值,分割出前景障碍目标。该方法计算简单,但对于纹理、颜色复杂的图像则效果较差。侯之旭等[87]提出一种基于彩色图像分割的障碍物检测方法。


  表21主要障碍物检测方法的优缺点对比


  Tab.21Advantagesanddisadvantagesofmainobstacledetectionmethods


  width=729,height=284,dpi=110


  背景差分法:通过建立背景模型,从图像中将背景减去,提取出前景目标。该方法计算简单,但对背景建模的要求较高,且动态背景下难以检测到运动目标。LIU等[88]提出一种基于背景差分,与Otsu、形态学运算相结合的运动目标检测算法。


  帧差法:通过连续两帧图像差分,从而获得运动的前景目标。该方法操作简单,但对于动态背景,难以检测到运动目标,需要通过多种补偿才能取得较好的效果[89-90]。


  光流法:通过算法追踪图像中的像素点或检测出的特征点,实现运动目标的检测[91]。该方法适用性广、灵活,能够检测多种情况下的障碍物,但计算复杂度较高,且不能完整提取出障碍目标。YANG等[92]使用Lucas-Kanade光流法在景深全景图像中进行行人检测。


  机器学习[93-94]:通过机器学习的方法,对农田中可能会出现的障碍物进行检测。机器学习方法具有无需考虑模型、识别分类准确率高等优点,但同时也有分类器学习网络设计复杂、训练时间长等缺点。


  (4)障碍目标跟踪


  在检测并确定障碍目标后,可以通过核函数[95]、Camshift[96]等算法实现对障碍目标的跟踪。


  综上,激光雷达与机器视觉在农机自动导航避障方面的研究与应用,受到国内外学者的广泛关注,取得了很好的效果。但仍存在数据易受环境干扰、数据量大、实时性差等问题,针对检测算法的鲁棒性还需要进一步提高。


  2.2多机协同作业


  随着中国农业集约化、规模化、产业化的发展,以及导航作业需求的提高,多机协同导航成为农机导航研究的热点。多机协同导航系统由一个主机、多个从机和一个远程服务器端构成,系统示意图如图2所示。主机在前方引导作业,各从机通过车间通信和远程通信,实时接收来自主机或远程服务器任务指令,配合主机协同导航完成总体作业任务。


  width=350,height=222,dpi=110


  图2多机协同导航系统示意图


  Fig.2Schematicofmultimachinecooperativenavigationsystem


  目前,国内的研究工作主要集中于单一农机自动导航作业,关于多机协同导航技术的研究相对较少。国外在多机协同导航领域研究起步较早,取得了一定研究成果[97-98]。多机协同导航的关键技术涉及协同导航模式、通信技术、协同控制技术以及远程监控平台等。


  2.2.1协同导航模式


  多机协同作业模式主要分为跟随型协同作业模式和命令型协同作业模式[99-100]。


  跟随型协同作业,即以多机中的一台为主机,其他农机为从机。从机以预定的相对距离和角度跟随主机作业。例如,多台同种旋耕机可以进行跟随型协同作业,以其中一台作为主机,其余旋耕机作为从机,以不同相对位置跟随主机协同完成旋耕任务。


  命令型协同作业,即远程监控平台发布总体任务,命令各农机去特定区域执行作业任务。主机根据作业任务,基于此目标作业区域信息和当前位置、航向进行全局路径规划,并考虑自身需求向从机发布子任务。各从机接收到子任务,通过任务完成代价对比,由代价相对较低的从机完成相应子任务。例如,打捆机利用自身导航系统确定草捆的位置,并通过无线通信网络发送给各草捆运送机,各草捆运送机根据自身及草捆的位置信息进行路径规划,路径最优者获得该任务,并通过自身导航系统完成草捆运送,实现命令型协同作业。


  2.2.2通信技术


  协同导航的通信任务,涉及底层通信、车间通信和远程通信3部分。


  (1)底层通信


  底层通信是导航系统内部各传感器与控制终端的通信。在底层通信技术方面,由于各控制系统均有独立的ECU作为控制单元,随着电控技术应用领域的不断拓宽,传统点对点的通信方式已很难适应现代农机智能导航对于多节点控制系统的需求。


  目前底层通信的主流实现方案为控制器局域网总线(Controllerareanetwork,CAN)。CAN总线可以实现众多电子单元之间的数据交换和共享,且线路简单、实时性好、抗干扰能力强、可靠性高,适用于复杂农田环境下的农机智能导航数据通信。刘阳[101]为拖拉机自动导航系统开发了CAN总线网络,主要包括转向控制、播种和智能控制终端3个节点。


  (2)车间通信


  要实现多机协同导航,多机之间的通信技术方案选取十分关键。短距离无线通信技术包括Bluetooth、IrDA、ZigBee、超宽带、数传电台等技术,在传输速度、距离、耗电量、功能扩充以及单机应用方面各有优劣[102-103]。多机协同作业,各农机之间需要进行状态信息交互,LI等[104]设计了车间通信协议帧格式,进行状态信息传输。


  (3)远程通信


  远程通信指作业农机与远程监控平台间的通信,主要用于控制命令的下发和农机状态信息的上传。目前,广泛应用的远距离无线通信技术为GPRS、4G和5G,目前4G应用较为广泛,未来5G将成为主流技术。李世超等[105]设计了远程通信协议,通过4G网络和无线通信模块实现了各农机信息与服务器之间双向通信。


  2.2.3协同控制


  多机协同导航控制方法旨在协调控制多机协作过程中相互之间的位置关系,或根据任务需求协调从机配合主机共同完成作业。白晓平等[106]针对领航-跟随结构,结合反馈线性化及滑模控制理论设计了收获机群路径跟踪控制律和队形保持控制律。李翰博[107]针对动态竞争环境中的多自主车辆系统的协作控制与分布式优化问题,研究了车辆编队中的跟随和队形控制、道路交叉口区域多车协作以及自主车辆任务规划等协同控制方法。


  综上,要实现高精度的田间协同导航作业,需要高性能的通信网络和协同控制方法。未来可以考虑5G在多机协同导航技术中的应用,此外还需加强多机地头转向时为避免冲突的协同控制方法研究。


  2.2.4远程监控平台


  多机协同作业远程监控平台是多机协同导航系统的重要组成部分,可以实现对区域内多机协同作业的实时远程监控,并对作业农机实现作业管理和调度管理[1,66,100]。


  多机协同作业远程监控平台主要涉及农机与平台之间的远程通信、多机协同作业信息管理和多机协同调度管理[108]。远程监控平台利用无线网络与车载终端进行远程通信[105],实现对多机协同作业的作业管理和调度管理。其中,作业管理主要涉及多机协同导航作业信息远程监测、作业进度实时分析以及作业质量在线评估等;调度管理主要是为了实现区域农田内的多机协同作业任务分配和路径规划。


  目前,国内外很多大型农业机械均已安装远程监控终端[109-110],但大多针对农机作业的远程监测和作业信息管理,对于区域内多个农机协同作业的调度管理,国内外的研究和应用相对较少。


  多机协同作业远程管理调度[111]需要在多台农机和多个作业地块间建立一种映射关系,综合考虑地块位置、任务数量、作业能力、路径代价和时间期限等因素,在满足实际作业约束条件的前提下,以最小化调度成本和损失为目标,生成最优的调度方案,使农机有序地为农田作业地块服务,从而实现区域内多机协同作业的调度管理。


  (1)多机协同作业任务分配


  多机协同作业任务分配的关键是在具有多个农机、多个任务的农田作业环境中,将多个任务合理地分配给各个农机,并且各个农机根据分配的任务寻找一条最优的作业序列,从而建立一个路径短、效率高、资源配置合理的调度模型。


  目前,解决任务分配问题的方法[112-113]主要包括线性规划法[114]、市场机制法[115-116]、行为激励法[117]、情感招募法[118-119]、空闲链法[120]以及基于群体智能的方法[121-122]等,几种算法的优缺点如表22所示。


  表22任务分配方法性能对比


  Tab.22Comparisonoftaskallocationmethods


  width=729,height=143,dpi=110


  (2)多机协同作业路径规划


  在多机协同作业过程中,农田作业环境中障碍物较多,农机之间也存在相互影响,成为彼此的障碍物,因此,多机协同作业路径规划难度较大,单一的路径规划算法无法得到很好的规划效果。


  有研究将多种路径规划方法进行改进和整合[123-124],取长补短,从而实现最优路径规划。要想解决复杂农田作业环境下的多机协同作业路径规划,需要在全局路径规划的前提下,进行局部路径的调整,不发生冲突时要保证全局规划最优,冲突发生时进行局部规划,冲突解决以后继续以全局最优进行再规划[125-126]。


  多机协同作业任务分配和路径规划是多机协同导航系统研究的关键问题,高效合理的任务分配和路径规划可以提高整个系统的执行效率,同时降低执行代价。当前国内外的研究工作已经取得了一些成果[127],研究方法也在不断的创新,但是还有一些问题亟待解决。由于农田作业环境具有复杂性和动态性,多机协同作业对任务分配和路径规划方法提出了更高的要求,主要集中在以下几方面:任务分配和路径规划的动态性和实时性问题;复杂任务的分解问题;农机-任务的供需匹配问题;实验室研究成果的推广应用问题等。


  3无人农场与智慧农业


  随着人工智能、大数据、物联网等前沿技术的发展,农业生产方式从机械化向自动化、智能化迅速迈进。信息与通信技术也促进了精细农业技术体系的更新换代,新时代的精细农业技术体系被称为精细农业2.0,也被称为“智慧农业”(Smartagriculture)。农业机器人不仅越发多元化、智能化,还推动了“无人农场”等新兴概念的出现。


  智慧农业示意图如图3所示,远程管理系统实现任务规划和作业路径规划并发布,智能农机装备完成耕地、播种、施肥、喷药和收获等作业,全程实现无人管理。


  width=350,height=220,dpi=110


  图3智慧农业示意图


  Fig.3Smartagriculture


  全球首个“无人农场”诞生在英国,哈珀亚当斯大学(HarperAdamsUniversity)与精准决策公司(PrecisionDecisions)合作,推出了“HandsFreeHectare”项目,实现了全球第一批全程没有人工介入的大麦种植管理。在1hm2的实验田内,实现了全过程自动化,整个种植过程不允许任何人进入农田,采用无人机进行作物长势检测,自动导航农机进行土壤采样、喷药等管理,自动导航联合收获机进行收获,整个过程只需要参与者在操作间完成。实验田的产量虽仅为4.5t/hm2,低于人力密集型种植方式(平均产量为6.8t/hm2),但为未来农业的发展指明了方向。


  日本在政府的支持下,开展了智慧农业的研究与示范,在智慧农场示范区推广应用日本研发的智慧农业先进技术。主要技术包括:远程操控无人驾驶农业机械,无人机感知和人工智能相结合的精准施肥施药技术,适应无人智能农机的土地整治,智能手机在种植和养殖中的应用,农业大数据的共享与应用等。


  我国从农业发展实际出发,大力研究、推广、应用智慧农业技术,我国北斗导航卫星系统的建设,助推了智慧农业,农机智能导航技术的研发与应用成为我国发展智慧农业的亮点。在黑龙江农垦区和新疆生产建设兵团,由于作业面积、作物、作业要求的特点,农机自动导航装备得到了广泛应用,特别是在新疆棉花产区,棉花穴播播种的同时需要测深施肥,播种施肥的同时又需要铺膜,铺膜的同时还需要铺设滴灌管,这些农艺特点使得农机自动导航装备成为不可缺少的配置。


  4结论与展望


  (1)为实现复杂农田环境下农业机械的自动导航,国内外学者进行了广泛而深入的研究,取得了丰硕的成果。GNSS、INS、MV融合的定位测姿、全局与局部结合的路径规划和精确的运动控制是实现农机自动导航的关键技术。


  (2)随着农机自动导航技术的推广,智能农机及其导航技术成为智慧农业的发展趋势。自主避障技术可保证人机作业安全,多机协同作业技术可发挥机群作业优势,提高农机作业效率,以上研究已逐渐成为新的研究热点。


  (3)信息与通信技术促进了智慧农业的发展。我国北斗导航卫星系统的建设,进一步助推了智慧农业,农机智能导航技术的研发与应用已成为我国发展智慧农业的亮点。

核心期刊推荐