周明寬，夏俊芳，鄭 侃，杜 俊，張居敏，羅承銘

基于變增益單神經(jīng)元PID的秸稈旋埋還田導(dǎo)航系統(tǒng)研制

周明寬，夏俊芳，鄭 侃，杜 俊，張居敏，羅承銘※

（1. 華中農(nóng)業(yè)大學(xué)工學(xué)院，武漢 430070； 2. 農(nóng)業(yè)農(nóng)村部長江中下游農(nóng)業(yè)裝備重點(diǎn)實(shí)驗(yàn)室，武漢 430070）

水稻田土壤松軟，收割機(jī)作業(yè)后會出現(xiàn)殘留秸稈凸起、地表坑洼等現(xiàn)象，導(dǎo)致秸稈旋埋還田作業(yè)易出現(xiàn)重耕、漏耕和自動駕駛路徑跟蹤精度差等問題。該研究基于滑移估計模型推導(dǎo)了拖拉機(jī)路徑跟蹤的前輪轉(zhuǎn)角控制率，并設(shè)計了一種變增益單神經(jīng)元PID導(dǎo)航控制器。在自主設(shè)計的電控比例液壓轉(zhuǎn)向系統(tǒng)基礎(chǔ)上開發(fā)了秸稈旋埋還田導(dǎo)航系統(tǒng)，采用雙天線RTK-GNSS獲取拖拉機(jī)的實(shí)時位置和航向角信息，由變增益單神經(jīng)元PID控制器根據(jù)理論轉(zhuǎn)角和航向角偏差變化輸出實(shí)際執(zhí)行轉(zhuǎn)角，實(shí)現(xiàn)旋埋作業(yè)自主路徑跟蹤。田間試驗(yàn)表明，作業(yè)速度為1.15 m/s時，變增益單神經(jīng)元PID控制器的自適應(yīng)直線跟蹤最大橫向偏差不超過0.071 m，平均絕對偏差不超過0.031 m。與常規(guī)PID控制器相比，變增益單神經(jīng)元PID控制器的最大橫向偏差和平均絕對偏差控制精度分別提高了53.08%和51.72%；與單神經(jīng)元PID控制器相比，最大橫向偏差和平均絕對偏差控制精度分別提高了39.00%和28.21%。該研究設(shè)計的變增益單神經(jīng)元PID控制器可以增強(qiáng)導(dǎo)航系統(tǒng)的適應(yīng)性和魯棒性，提高路徑跟蹤精度，適用于未來無人駕駛下的秸稈旋埋還田作業(yè)。

農(nóng)業(yè)機(jī)械；秸稈；導(dǎo)航；旋埋還田；控制器；變增益單神經(jīng)元PID；電控比例液壓系統(tǒng)；雙天線RTK-GNSS

0 引 言

長江中下游多熟制稻作區(qū)是中國水稻的主要種植區(qū)域之一，水稻秸稈旋埋還田能夠培肥地力，改良土壤結(jié)構(gòu)，同時避免秸稈焚燒帶來的環(huán)境污染，是該區(qū)域秸稈處理的首選方案[1]。目前秸稈旋埋還田作業(yè)以駕駛員操作拖拉機(jī)懸掛旋耕機(jī)為主要作業(yè)方式，作業(yè)過程中駕駛員憑感覺判斷機(jī)具位置，存在重耕、漏耕現(xiàn)象。實(shí)現(xiàn)秸稈旋埋還田作業(yè)的自動導(dǎo)航可以有效減輕農(nóng)機(jī)操作人員的勞動強(qiáng)度，提高作業(yè)精度與作業(yè)效率[2-5]。

自動轉(zhuǎn)向系統(tǒng)是實(shí)現(xiàn)農(nóng)機(jī)自動導(dǎo)航的前提，轉(zhuǎn)向控制精度對路徑跟蹤精度影響較大。張智剛等[6]采用加裝電機(jī)和減速器的方式直接驅(qū)動轉(zhuǎn)向柱對日本久保田SPU-60型插秧機(jī)的轉(zhuǎn)向系統(tǒng)進(jìn)行了自動化改造，對插秧機(jī)行進(jìn)速度進(jìn)行實(shí)時調(diào)整，提高了轉(zhuǎn)向系統(tǒng)對行進(jìn)速度變化的魯棒性；張成濤等[7]對比了全液壓轉(zhuǎn)向器和電磁換向閥控制的轉(zhuǎn)向系統(tǒng)，采用并聯(lián)全液壓轉(zhuǎn)向器，通過電機(jī)驅(qū)動自動轉(zhuǎn)向方案對拖拉機(jī)轉(zhuǎn)向系統(tǒng)進(jìn)行改造。張聞宇等[8]針對電控全液壓轉(zhuǎn)向系統(tǒng)的轉(zhuǎn)向控制穩(wěn)定性和準(zhǔn)確性問題，設(shè)計了響應(yīng)控制器。以上研究均是對農(nóng)機(jī)原有轉(zhuǎn)向系統(tǒng)進(jìn)行改進(jìn)設(shè)計，以提高自動導(dǎo)航下轉(zhuǎn)向控制的響應(yīng)速度和精度。

針對農(nóng)機(jī)自動導(dǎo)航控制策略，Bakker等[9]采用PD控制器跟蹤播種拖拉機(jī)的導(dǎo)航數(shù)據(jù)實(shí)現(xiàn)了機(jī)器人田間高精度除草作業(yè)；Nagasaka等[10]采用常規(guī)PID控制器實(shí)現(xiàn)了水田插秧機(jī)直線跟蹤導(dǎo)航；Sun等[11-12]采用常規(guī)PID控制器控制番茄信息采集平臺按照衛(wèi)星地圖位置跟蹤導(dǎo)航；羅錫文等[13-16]針對農(nóng)機(jī)導(dǎo)航開展了系列工作，設(shè)計了航向角估計算法和基于預(yù)瞄追蹤模型的路徑跟蹤控制方法；偉利國等[17]采用常規(guī)PID控制實(shí)現(xiàn)了插秧機(jī)自動對行導(dǎo)航及地頭轉(zhuǎn)向；周建軍等[18]采用模糊控制器有效控制電瓶車按預(yù)定路徑行走；劉兆輝等[19]提出了一種基于遺傳算法的自適應(yīng)模糊控制算法，可迅速消除拖拉機(jī)的跟蹤偏差；張美娜等[20]提出了一種融合慣性傳感器補(bǔ)償俯仰和側(cè)傾誤差的導(dǎo)航參數(shù)計算方法，該方法補(bǔ)償了車輛的橫向偏差；丁幼春等[21]提出了單神經(jīng)元PID控制器，具有超調(diào)小和進(jìn)入穩(wěn)態(tài)快的特點(diǎn)，使聯(lián)合收獲機(jī)能夠滿足自動導(dǎo)航收獲作業(yè)要求。

雖然針對農(nóng)機(jī)自動導(dǎo)航控制策略國內(nèi)外已有廣泛研究，自動導(dǎo)航技術(shù)在農(nóng)業(yè)生產(chǎn)中的應(yīng)用也越來越廣，但由于水田土壤較松軟潮濕，且收獲機(jī)作業(yè)后，殘留稻茬和秸稈，導(dǎo)致水稻秸稈旋埋還田作業(yè)環(huán)境較為復(fù)雜，拖拉機(jī)容易出現(xiàn)滑移，目前針對這一方向的自動導(dǎo)航研究還較少。為解決秸稈旋埋還田作業(yè)過程中因環(huán)境復(fù)雜難以實(shí)現(xiàn)精準(zhǔn)路徑跟蹤的問題，本文提出了一種基于滑移估計模型的變增益單神經(jīng)元PID導(dǎo)航控制器，以東方紅LX954拖拉機(jī)為載體，研制了基于STM32單片機(jī)的電控比例液壓閥和角度傳感器控制作業(yè)機(jī)轉(zhuǎn)向；基于雙天線RTK-GNSS獲取拖拉機(jī)位置信息和航向角信息，基于MATLAB設(shè)計了滑移模型的變增益單神經(jīng)元PID控制算法，并通過仿真試驗(yàn)、路面試驗(yàn)和田間試驗(yàn)驗(yàn)證本方法的可行性。

1 秸稈旋埋還田作業(yè)機(jī)組導(dǎo)航系統(tǒng)結(jié)構(gòu)

1.1 導(dǎo)航系統(tǒng)硬件結(jié)構(gòu)

秸稈旋埋還田作業(yè)機(jī)組導(dǎo)航系統(tǒng)主要由輪式拖拉機(jī)（東方紅LX954，中國一拖）、車載計算機(jī)、電控比例液壓閥、轉(zhuǎn)角傳感器、RTK-GNSS接收天線、RTK-GNSS移動站、秸稈旋埋還田機(jī)和轉(zhuǎn)向控制器等組成，如圖1所示。其中GNSS為上海司南公司生產(chǎn)的K726-OEM型雙天線定位定向系統(tǒng)，平面精度1 cm，高程精度2 cm，航向角精度優(yōu)于0.2°/（為雙天線基線長度，m）。

1.車載計算機(jī) 2.電控比例液壓閥 3.轉(zhuǎn)角傳感器 4.RTK-GNSS接收天線 5.RTK-GNSS移動站 6.秸稈旋埋還田機(jī) 7.轉(zhuǎn)向控制器

GNSS的定位和定向天線分別放置于拖拉機(jī)車頂尾部左右兩側(cè)，基線長度為1.38 m；電控比例液壓閥安裝于車頭橫梁上端，用于控制拖拉機(jī)轉(zhuǎn)向；轉(zhuǎn)角傳感器為ANG1系列無觸點(diǎn)角度傳感器（量程?45°～45°，精度0.05%，分辨率0.025%，洛陽米塔電控科技），安裝于拖拉機(jī)右前輪；GNSS移動站接收機(jī)和轉(zhuǎn)向控制器放置于拖拉機(jī)駕駛室內(nèi)；秸稈旋埋還田作業(yè)機(jī)通過三點(diǎn)懸掛方式安裝于拖拉機(jī)尾部，其主要結(jié)構(gòu)參數(shù)如表1所示，車載計算機(jī)由作業(yè)人員控制啟動和停止導(dǎo)航作業(yè)系統(tǒng)。

表１ 秸稈旋埋還田機(jī)主要結(jié)構(gòu)參數(shù)

1.2 控制系統(tǒng)結(jié)構(gòu)

作業(yè)機(jī)組的導(dǎo)航控制系統(tǒng)結(jié)構(gòu)如圖2所示，由位姿獲取系統(tǒng)、控制系統(tǒng)和轉(zhuǎn)向系統(tǒng)3部分構(gòu)成。位姿獲取系統(tǒng)采用雙天線RTK-GNSS模塊獲取拖拉機(jī)的實(shí)時位置信息和航向角信息，角度傳感器獲取拖拉機(jī)前輪實(shí)時轉(zhuǎn)向角信息；控制系統(tǒng)采用車載計算機(jī)記錄并處理實(shí)時位置和航向角信息，通過控制算法運(yùn)算最終輸出目標(biāo)車輪的轉(zhuǎn)角控制信息。車載計算機(jī)通過USB口輸出的轉(zhuǎn)角控制信息由CAN分析儀（USBCAN/CANalyst-II，珠海創(chuàng)芯科技）轉(zhuǎn)換為CAN信號，再由CAN總線發(fā)送到STM32單片機(jī)控制器中，與角度傳感器發(fā)送的當(dāng)前時刻前輪轉(zhuǎn)角信息進(jìn)行對比，確定最終的執(zhí)行轉(zhuǎn)角信息；轉(zhuǎn)向系統(tǒng)由STM32單片機(jī)的I/O口控制電控比例液壓閥的電磁閥執(zhí)行開閉，最終液壓油流入轉(zhuǎn)向液壓缸控制拖拉機(jī)前輪完成轉(zhuǎn)向，實(shí)現(xiàn)作業(yè)路徑自動跟蹤。

圖2 導(dǎo)航控制系統(tǒng)結(jié)構(gòu)

2 秸稈旋埋還田作業(yè)機(jī)組運(yùn)動學(xué)模型

秸稈旋埋還田作業(yè)機(jī)組的動力來源于東方紅LX954拖拉機(jī)。旋埋作業(yè)時，拖拉機(jī)車身會傾斜擺動，使跟蹤誤差增大，其原因在于：1）水田土壤含水率高且松軟；2）聯(lián)合收割機(jī)收獲作業(yè)的行駛軌跡造成田塊坑洼；3）收割后殘留的秸稈導(dǎo)致田間地表崎嶇不平。如圖3所示，拖拉機(jī)車身傾斜導(dǎo)致GNSS獲取的位置信息存在偏差，設(shè)其橫向偏移距離為1，實(shí)際橫向偏差為，根據(jù)圖3幾何關(guān)系有：

式中為GNSS定位天線距地表的高度，m；為GNSS定向天線測出的翻滾角，(°)；為基于定位信息的橫向偏差，m。當(dāng)翻滾角為0°，即車身水平時，=。

為了提高秸稈旋埋還田的跟蹤精度，需建立合適的導(dǎo)航控制模型。不考慮地表環(huán)境影響，在路徑跟蹤過程中，秸稈旋埋還田耕整機(jī)與拖拉機(jī)之間通過三點(diǎn)懸掛固定連接，整個作業(yè)機(jī)組可以簡化為經(jīng)典的無滑移兩輪車運(yùn)動學(xué)模型，如圖4所示。

在不考慮車輪滑移的情況下，Thuilot等[22]建立了兩輪車經(jīng)典運(yùn)動學(xué)路徑跟蹤模型，通過控制前輪轉(zhuǎn)角來消除橫向偏差。水稻秸稈旋埋還田作業(yè)中，受土壤松軟潮濕、稻茬和殘余秸稈的影響，作業(yè)機(jī)組會存在不同程度的滑移現(xiàn)象[23-26]。此現(xiàn)象可以用前輪和后輪相對于目標(biāo)行駛方向的滑移角和來表示（如圖4所示）。

拖拉機(jī)的實(shí)際橫向偏差和航向角偏差在作業(yè)過程中由于滑移現(xiàn)象導(dǎo)致發(fā)生偏移，在加入滑移角后，經(jīng)典運(yùn)動學(xué)路徑跟蹤模型轉(zhuǎn)化為

前輪滑移角和后輪滑移角無法直接由傳感器測出，可由當(dāng)前時刻和前一時刻的橫向偏差和航向角偏差解出，如公式（3）所示。

將當(dāng)前時刻的滑移偏差考慮到兩輪車的經(jīng)典運(yùn)動學(xué)模型中，可得前一時刻滑移估計的運(yùn)動學(xué)模型為

式中為行駛距離，m。式（4）考慮了水稻秸稈旋埋還田作業(yè)過程中復(fù)雜地表環(huán)境導(dǎo)致的滑移現(xiàn)象，可全面描述前輪滑移角對前輪轉(zhuǎn)角的影響和后輪滑移角對航向角偏差的影響，符合秸稈旋埋還田作業(yè)的運(yùn)動狀態(tài)。

如圖5所示，由于式（4）的兩輪車滑移估計運(yùn)動學(xué)模型中為前輪轉(zhuǎn)角，而角度傳感器實(shí)際檢測的是拖拉機(jī)右前輪轉(zhuǎn)角1，在實(shí)際轉(zhuǎn)向控制中，應(yīng)將換算為1，根據(jù)兩輪車模型轉(zhuǎn)向角與實(shí)際測量轉(zhuǎn)向角關(guān)系（圖5）有：

注：為輪距，m；1為實(shí)際測量的右前輪轉(zhuǎn)角，(°)。

Note:is the wheel tread, m;1is the measured steering angle of the right front wheel, (°).

圖5 兩輪車前輪轉(zhuǎn)向角與實(shí)際測量轉(zhuǎn)向角關(guān)系

Fig.5 Relationship between front wheel steering angle of two-wheel vehicle and actual measured steering angle

3 導(dǎo)航控制器設(shè)計

秸稈旋埋還田作業(yè)時，車載計算機(jī)利用雙天線RTK-GNSS獲取實(shí)時位置信息和航向角信息，并計算相對于目標(biāo)路徑的橫向偏差和航向角偏差；導(dǎo)航控制器基于式（4）和所設(shè)計的轉(zhuǎn)向角控制算法得出前輪轉(zhuǎn)角；根據(jù)值和航向角偏差的變化由變增益單神經(jīng)元PID控制器學(xué)習(xí)優(yōu)化后輸出執(zhí)行轉(zhuǎn)角；基于STM32單片機(jī)的轉(zhuǎn)向控制器將執(zhí)行轉(zhuǎn)角與角度傳感器測得的當(dāng)前轉(zhuǎn)角1進(jìn)行比較，得到實(shí)際需要的轉(zhuǎn)角，處理后輸出控制信號控制電磁閥打開閥口，液壓油流入原系統(tǒng)的轉(zhuǎn)向油泵控制拖拉機(jī)執(zhí)行轉(zhuǎn)向操作，使作業(yè)機(jī)組跟蹤目標(biāo)路徑。導(dǎo)航控制器總體結(jié)構(gòu)如圖6所示。

3.1 電控比例液壓閥

轉(zhuǎn)向控制精度對路徑跟蹤精度影響較大，電控轉(zhuǎn)向系統(tǒng)是實(shí)現(xiàn)自動導(dǎo)航作業(yè)的前提。為了提高水稻秸稈旋埋還田作業(yè)的路徑跟蹤精度，本文設(shè)計了一款電控比例液壓閥，通過三通接口直接作用于拖拉機(jī)的轉(zhuǎn)向活塞，解決了原轉(zhuǎn)向系統(tǒng)借助液壓助力轉(zhuǎn)動方向盤打開閥口將液壓油送入轉(zhuǎn)向油泵執(zhí)行轉(zhuǎn)向操作導(dǎo)致過程繁瑣、反應(yīng)速度慢且轉(zhuǎn)向不精確的問題，實(shí)現(xiàn)前輪轉(zhuǎn)向快速精準(zhǔn)控制。所設(shè)計的電控液壓轉(zhuǎn)向系統(tǒng)如圖7所示。

注：Ф為變增益單神經(jīng)元PID控制器輸出的執(zhí)行轉(zhuǎn)角，(°)；Ф1為角度傳感器測得的當(dāng)前轉(zhuǎn)角，(°)；?Ф為前輪實(shí)際需要的變化轉(zhuǎn)角，(°)。

完成電控液壓轉(zhuǎn)向系統(tǒng)設(shè)計與安裝后，由車載計算機(jī)發(fā)送方波轉(zhuǎn)向信號并通過CAN總線控制對其進(jìn)行跟蹤測試，結(jié)果如圖7c所示。液壓閥半速（即閥口半開）狀態(tài)下，完成一次全程轉(zhuǎn)向操作平均耗時7.12 s；液壓閥全速（即閥口全開）狀態(tài)下，完成一次全程轉(zhuǎn)向操作平均耗時5.23 s。但全速狀態(tài)下存在超調(diào)抖動情況。為了精準(zhǔn)控制轉(zhuǎn)角，本研究中，直線跟蹤時（轉(zhuǎn)向角度較?。┦褂萌僬{(diào)節(jié)電控液壓閥，曲線跟蹤時使用半速調(diào)節(jié)電控液壓閥，可降低田間地表狀況的影響。

3.2 控制策略

由式（4）可知，前輪轉(zhuǎn)角決定橫向偏差和航向角偏差的變化。田間作業(yè)時，通過在跟蹤目標(biāo)路徑過程中不斷調(diào)整前輪轉(zhuǎn)角，減少實(shí)時的橫向偏差和航向角偏差保證路徑跟蹤的準(zhǔn)確性。經(jīng)典運(yùn)動學(xué)模型可以在沒有任何近似的情況下被轉(zhuǎn)換成線性方程，即三維鏈?zhǔn)较到y(tǒng)[24]。將式（4）代入三維鏈?zhǔn)较到y(tǒng)可得滑移鏈?zhǔn)较到y(tǒng)為

式中1、2、3為鏈?zhǔn)较到y(tǒng)的節(jié)點(diǎn)；1，2為鏈?zhǔn)较到y(tǒng)節(jié)點(diǎn)間的關(guān)系鏈。

為了提高路徑跟蹤精度，加入上一時刻的滑移角和，通過式（7）反演可得到最終要實(shí)施的非線性控制定律，估算出前輪轉(zhuǎn)角。

由式（7）可知，該系統(tǒng)的性能由跟蹤的橫向偏差決定，與速度無關(guān)。系統(tǒng)控制中，位置信息可以直接由RTK-GNSS提供，橫向偏差為當(dāng)前位置與目標(biāo)路徑的距離，航向角偏差為RTK-GNSS獲取的航向角與目標(biāo)航向角的差值，通過式（7）系數(shù)1和2的值來調(diào)整系統(tǒng)的性能。

3.3 改進(jìn)的單神經(jīng)元PID控制器

轉(zhuǎn)向控制系統(tǒng)的PID控制器根據(jù)轉(zhuǎn)角輸出相應(yīng)的控制信號，執(zhí)行轉(zhuǎn)向操作。但常規(guī)增量式PID控制器存在沒有自學(xué)習(xí)、自適應(yīng)能力的問題，導(dǎo)致復(fù)雜作業(yè)環(huán)境下非線性控制性能較差。本文采用神經(jīng)網(wǎng)絡(luò)算法中的單神經(jīng)元算法對PID控制器進(jìn)行改進(jìn)，設(shè)計變增益單神經(jīng)元自適應(yīng)PID控制器實(shí)時整定PID的控制參數(shù)。單神經(jīng)元算法具有自適應(yīng)和自學(xué)習(xí)能力，通過單神經(jīng)元算法構(gòu)成的單神經(jīng)元自適應(yīng)PID控制器，具有較強(qiáng)的魯棒性，能夠針對環(huán)境變化進(jìn)行學(xué)習(xí)，且結(jié)構(gòu)簡單，占用內(nèi)存較少[27-28]。

單神經(jīng)元自適應(yīng)PID控制器的比例、積分和微分分別采用不同的學(xué)習(xí)速率、以及以實(shí)現(xiàn)各個不同權(quán)系數(shù)調(diào)整，其自適應(yīng)控制結(jié)構(gòu)如圖8所示，其中-1為上一時刻的控制量。

如圖8所示，本文采用3個神經(jīng)元1()、2()和3()分布表示、?1和?2時刻的誤差變化進(jìn)行自適應(yīng)學(xué)習(xí)，其表達(dá)式如下：

針對秸稈旋埋還田的作業(yè)環(huán)境，本文采用有監(jiān)督Hebb學(xué)習(xí)規(guī)則[21]，其表達(dá)式為

式中為學(xué)習(xí)速度；()為時刻單神經(jīng)元自適應(yīng)PID控制器輸出信號，其計算公式如下：

常規(guī)PID控制器[29]的模型如下：

式中k為PID控制器的積分控制系數(shù)；k為PID控制器的比例控制系數(shù)；k為PID控制器的微分控制系數(shù)。

比較可知，單神經(jīng)元PID的權(quán)值1()、2()和3()對應(yīng)了變量k、k和k。所以比例系數(shù)和權(quán)值的調(diào)節(jié)是影響單神經(jīng)元PID算法控制效果的關(guān)鍵。單神經(jīng)元PID中由自適應(yīng)學(xué)習(xí)得出，而比例系數(shù)固定，導(dǎo)致控制環(huán)境變化后需調(diào)整固定的值，調(diào)試過程繁瑣，系統(tǒng)適應(yīng)性差。針對此問題，本文提出一種根據(jù)輸入輸出誤差實(shí)時自適應(yīng)非線性調(diào)節(jié)值的方法，其計算公式如下：

式中K為比例系數(shù)的最大值；K為比例系數(shù)的最小值；為誤差()的最大值；為誤差()的最小值。此方法通過實(shí)時誤差()的變化改變神經(jīng)元PID的比例系數(shù)，使輸出控制變量()的值更具有自適應(yīng)性。

3.4 仿真分析

為了驗(yàn)證變增益單神經(jīng)元PID的性能，本文引入常規(guī)增量式PID和普通單神經(jīng)元PID進(jìn)行仿真對比。使用試湊法對常規(guī)增量式PID進(jìn)行k、k和k參數(shù)的整定，k=0.03、k=0.28和k=0.01可使其較快地得到較為滿意的結(jié)果。單神經(jīng)元自適應(yīng)PID的加權(quán)系數(shù)初值設(shè)置為任意的相同且非0的值，比例系數(shù)和學(xué)習(xí)速率η、η以及η通過試驗(yàn)求得。調(diào)節(jié)比例系數(shù)，使控制器響應(yīng)速度較快且超調(diào)量較小，然后繼續(xù)調(diào)節(jié)η、η和η，進(jìn)一步減小調(diào)節(jié)時間和超調(diào)量。通過試驗(yàn)，確定單神經(jīng)元自適應(yīng)PID控制器比例系數(shù)=5.98，學(xué)習(xí)速率η=4.06、η=0.35、η=1.48。先通過試湊法確定變增益單神經(jīng)元PID的值上下限分別為K=3.08，K=8.17，固定K，K的值后，調(diào)試確定誤差范圍=3，=15。為了驗(yàn)證算法的可行性，本文參考拖拉機(jī)前輪轉(zhuǎn)角的范圍，輸入信號設(shè)置為一個=15的輸入轉(zhuǎn)角偏差信號并在40～50 s加入=45的擾動信號，仿真試驗(yàn)結(jié)果如圖9所示。

結(jié)果表明，3種控制算法的收斂速度由快到慢為：變增益單神經(jīng)元PID（16.80 s）、常規(guī)PID（25.90 s）和單神經(jīng)元PID（32.46 s）；超調(diào)量由大到小為：常規(guī)PID（11.67%）、變增益單神經(jīng)元PID（6.33%）和單神經(jīng)元PID（2.57%）。綜合分析可知，變增益單神經(jīng)元PID控制算法的收斂速度最快，超調(diào)量較小，其信號跟隨性能最佳，符合水稻秸稈旋埋還田導(dǎo)航精度要求。

4 驗(yàn)證試驗(yàn)

4.1 路面試驗(yàn)

為了驗(yàn)證所設(shè)計的變增益單神經(jīng)元PID算法的可行性，于2020年8月15日晴朗天氣下，在華中農(nóng)業(yè)大學(xué)工學(xué)院大學(xué)生工訓(xùn)中心門前的油柏路進(jìn)行驗(yàn)證試驗(yàn)，試驗(yàn)現(xiàn)場如圖10所示。在拖拉機(jī)未負(fù)載的情況下，以2 m/s左右的速度進(jìn)行路面直線和曲線行駛試驗(yàn)。采用試驗(yàn)法確定轉(zhuǎn)角控制律的系數(shù)1=0.3，2=0.02；按照3.4節(jié)方法得到常規(guī)PID的參數(shù)為k=0.05、k=0.88、k=0.01；單神經(jīng)元自適應(yīng)PID控制器比例系數(shù)=4.98，學(xué)習(xí)速率=2.06、=0.44、=0.28；變增益單神經(jīng)元PID的值上下限分別為K=3.48，K=7.47，誤差范圍=5，=18。

圖10 路面導(dǎo)航試驗(yàn)現(xiàn)場

直線行駛試驗(yàn)中，為了探究算法糾正橫向偏差的能力，設(shè)置了約1.2 m的初始橫向偏差。具體如下：常規(guī)PID控制初始橫向偏差為1.19 m，航向角偏差為2°；單神經(jīng)元PID初始橫向偏差為1.21 m，航向角偏差為?1°；變增益單神經(jīng)元PID初始橫向偏差為1.27 m，航向角偏差為3°。3種控制算法下的直線跟蹤橫向偏差變化曲線如圖11所示。

圖11 不同控制算法的路面直線行駛導(dǎo)航效果對比

由圖11可知，常規(guī)PID的穩(wěn)態(tài)調(diào)節(jié)（距離偏差小于0.1 m）時間為3.87 s，最大橫向偏差為0.082 m；單神經(jīng)元PID的穩(wěn)態(tài)調(diào)節(jié)時間為5.14 s，最大橫向偏差為0.057 m；變增益單神經(jīng)元PID的穩(wěn)態(tài)調(diào)節(jié)時間為3.73 s，最大橫向偏差為0.026 m。變增益單神經(jīng)元PID和常規(guī)PID的穩(wěn)態(tài)調(diào)節(jié)時間較短，且變增益單神經(jīng)元PID的最大橫向偏差和平均橫向偏差較小，即變增益單神經(jīng)元PID的跟蹤效果最優(yōu)。

在直線跟蹤9 m后，進(jìn)入曲線跟蹤階段。以直徑12 m的半圓作為跟蹤路徑。3種控制算法的路徑跟蹤效果如圖12所示。

試驗(yàn)結(jié)果表明，曲線跟蹤中，常規(guī)PID的最大橫向偏差為1.385 m，平均橫向偏差為0.647 m；單神經(jīng)元PID的最大橫向偏差為0.748 m，平均橫向偏差為0.390 m；變增益單神經(jīng)元PID的最大橫向偏差為0.382 m，平均橫向偏差為0.170 m。變增益單神經(jīng)元PID的曲線跟蹤效果最優(yōu)。

4.2 田間試驗(yàn)

田間試驗(yàn)于2020年11月16日晴朗天氣下，在華中農(nóng)業(yè)大學(xué)作物遺傳改良國家重點(diǎn)實(shí)驗(yàn)室試驗(yàn)田中進(jìn)行，試驗(yàn)現(xiàn)場如圖13所示。所選試驗(yàn)田土壤類型為長江中下游常見的水稻土，黏性質(zhì)地，田間為晚稻收獲后經(jīng)晾曬的秸稈。秸稈高度在60 cm左右，土壤含水率為35.10%，土壤堅(jiān)實(shí)度為1 136 kPa，秸稈覆蓋量為1 463 g/m2。

在保證秸稈旋埋還田作業(yè)質(zhì)量的條件下，設(shè)定作業(yè)速度為1.15 m/s左右[29]，設(shè)定RTK-GNSS的采集頻率為10 Hz。設(shè)定目標(biāo)路徑為2條直線和1條半圓曲線。分別采用常規(guī)PID、單神經(jīng)元PID和變增益單神經(jīng)元PID進(jìn)行自動導(dǎo)航作業(yè)。

試驗(yàn)步驟如下：

1）檢查作業(yè)機(jī)具狀態(tài)，確保電控系統(tǒng)正常工作；

2）設(shè)置采用的路徑跟蹤控制算法；

3）根據(jù)田間起始坐標(biāo)與系統(tǒng)連接端口，初始化GNSS定位坐標(biāo)原點(diǎn)和通訊端口，啟動導(dǎo)航系統(tǒng)；

4）啟動作業(yè)機(jī)具，開始路徑跟蹤導(dǎo)航作業(yè)；

5）記錄作業(yè)機(jī)具的實(shí)時轉(zhuǎn)角、目標(biāo)轉(zhuǎn)角、滑移角和橫向偏差等試驗(yàn)數(shù)據(jù)信息；

6）采用不同控制算法重復(fù)步驟2）～5）進(jìn)行試驗(yàn)。

表2為分別采用常規(guī)PID、單神經(jīng)元PID和變增益單神經(jīng)元PID控制算法進(jìn)行田間直線和曲線路徑跟蹤的橫向偏差對比。由表2可知，作業(yè)機(jī)速度為1.15 m/s左右時，變增益單神經(jīng)元PID控制器直線跟蹤的最大橫向偏差不超過0.071 m，平均絕對偏差不超過0.031 m，標(biāo)準(zhǔn)差不超過0.038 m。變增益單神經(jīng)元PID控制器曲線跟蹤的最大橫向偏差不超過1.121 m，平均絕對偏差不超過1.030 m，標(biāo)準(zhǔn)差不超過0.525 m。根據(jù)丁幼春等[21]研究中計算導(dǎo)航精度提高百分比的方法，直線路徑跟蹤中，相對于常規(guī)PID控制器，變增益單神經(jīng)元PID控制器的最大橫向偏差和平均絕對偏差控制精度分別提高了53.08%和51.72%；相對于單神經(jīng)元PID控制器，最大橫向偏差和平均絕對偏差控制精度分別提高了39.00%和28.21%。曲線路徑跟蹤中，相對于常規(guī)PID控制器，變增益單神經(jīng)元PID器最大橫向偏差和平均絕對偏差控制精度分別提高了44.73%和40.39%；相對于單神經(jīng)元PID控制器，最大橫向偏差和平均絕對偏差控制精度分別提高了21.81%和21.11%。

圖14為變增益單神經(jīng)元PID的秸稈旋埋還田作業(yè)路徑跟蹤試驗(yàn)結(jié)果，其中圖14a所示為作業(yè)軌跡及其平整度信息。由于收獲作業(yè)后大量秸稈殘留形成的凸起、田塊坑洼和土壤松軟等，旋埋作業(yè)時地面平整度在?0.16～0.04 m范圍內(nèi)不規(guī)則變化。圖14b為前輪滑移角和后輪滑移角的變化，由于作業(yè)平整度變化和土壤松軟潮濕等原因，作業(yè)過程中前后輪滑移角不規(guī)則變化。在轉(zhuǎn)彎開始和結(jié)束時，轉(zhuǎn)角變化較大，導(dǎo)致滑移角較大，變化范圍?10°～17°；穩(wěn)定轉(zhuǎn)彎過程中，轉(zhuǎn)角變化較小，滑移角趨于穩(wěn)定。作業(yè)過程中變增益單神經(jīng)元PID的比例系數(shù)根據(jù)作業(yè)環(huán)境改變實(shí)時整定變化，如圖14c所示。在直線跟蹤穩(wěn)定時，使其比例系數(shù)保持下限K=3.48以上，可及時響應(yīng)復(fù)雜環(huán)境導(dǎo)致的瞬間偏移影響。在轉(zhuǎn)彎過程中，由于轉(zhuǎn)角較大，限制其上限K=7.47，避免超調(diào)導(dǎo)致拖拉機(jī)劇烈抖動和過度調(diào)整。圖14d為作業(yè)過程的橫向偏差變化。結(jié)果表明本文設(shè)計的導(dǎo)航控制器結(jié)合滑移估計模型和變增益單神經(jīng)元PID算法，能有效降低路徑跟蹤的橫向偏差，為秸稈旋埋還田高精度作業(yè)提供技術(shù)支持。

表2 田間試驗(yàn)的路徑跟蹤橫向偏差測試結(jié)果

5 結(jié) 論

1）以東方紅LX954拖拉機(jī)為基礎(chǔ)，將其機(jī)械轉(zhuǎn)向機(jī)構(gòu)改制為電控液壓轉(zhuǎn)向系統(tǒng)，以STM32單片機(jī)為控制器，基于PID控制算法實(shí)現(xiàn)快速精準(zhǔn)轉(zhuǎn)向控制。

2）以雙天線RTK-GNSS和角度傳感器為作業(yè)狀態(tài)采集裝置，通過變增益單神經(jīng)元PID算法控制作業(yè)機(jī)具進(jìn)行跟蹤路徑，并與常規(guī)PID和單神經(jīng)元PID算法進(jìn)行對比，改善了單神經(jīng)元調(diào)節(jié)比例系數(shù)固定的局限，提高了控制器響應(yīng)速度且降低了超調(diào)量，增強(qiáng)了導(dǎo)航系統(tǒng)對旋埋還田作業(yè)環(huán)境的自適應(yīng)性。

3）田間試驗(yàn)表明，相對常規(guī)PID和單神經(jīng)元PID控制算法，變增益單神經(jīng)元PID自適應(yīng)控制算法通過實(shí)時對比例系數(shù)進(jìn)行整定，降低了秸稈旋埋還田作業(yè)環(huán)境對跟蹤精度的影響，增強(qiáng)了導(dǎo)航系統(tǒng)對作業(yè)環(huán)境的適應(yīng)性和魯棒性。當(dāng)作業(yè)速度為1.15 m/s時，直線跟蹤的最大橫向偏差不超過0.071 m，平均絕對偏差不超過0.031 m；曲線跟蹤的最大橫向偏差不超過1.121 m，平均絕對偏差不超過1.030 m。其作業(yè)效果相對于常規(guī)PID和單神經(jīng)元PID控制算法有較大提升，但曲線跟蹤誤差較大。本文設(shè)計的導(dǎo)航控制方法有效提高了秸稈旋埋還田作業(yè)的路徑跟蹤精度，適用于未來無人駕駛下的秸稈旋埋還田作業(yè)。

[1]Malhi S S, Nyborg M, Solberg E D, et al. Improving crop yield and N uptake with long-term straw retention in two contrasting soil types[J]. Field Crop Research, 2011, 124(3): 378-391.

[2]劉剛，康熙，夏友祥，等. 基于GNSS農(nóng)田平整全局路徑規(guī)劃方法與試驗(yàn)[J]. 農(nóng)業(yè)機(jī)械學(xué)報，2018，49(5)：27-33.

Liu Gang, Kang Xi, Xia Youxiang, et al. Global path planning algorithm and experiment based on GNSS- controlled precise land leveling system[J]. Transactions of the Chinese Society for Agricultural Machinery, 2018, 49(5): 27-33. (in Chinese with English abstract)

[3]賈全，張小超，苑嚴(yán)偉，等. 拖拉機(jī)自動駕駛系統(tǒng)上線軌跡規(guī)劃方法[J]. 農(nóng)業(yè)機(jī)械學(xué)報，2018，49(4)：36-44.

Jia Quan, Zhang Xiaochao, Yuan Yanwei, et al. Guided trajectory planning method for tractor autopilot system[J]. Transactions of the Chinese Society for Agricultural Machinery, 2018, 49(4): 36-44. (in Chinese with English abstract)

[4]張雁，李彥明，劉翔鵬，等. 水稻直播機(jī)自動駕駛模糊自適應(yīng)控制方法[J]. 農(nóng)業(yè)機(jī)械學(xué)報，2018，49(10)：30-37.

Zhang Yan, Li Yanming, Liu Xiangpeng, et al. Fuzzy adaptive control method for autonomous rice seeder[J]. Transactions of the Chinese Society for Agricultural Machinery, 2018, 49(10): 30-37. (in Chinese with English abstract)

[5]張碩，劉進(jìn)一，杜岳峰，等. 基于速度自適應(yīng)的拖拉機(jī)自動導(dǎo)航控制方法[J]. 農(nóng)業(yè)工程學(xué)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)

[6]張智剛，羅錫文，李俊嶺. 輪式農(nóng)業(yè)機(jī)械自動轉(zhuǎn)向控制系統(tǒng)研究[J]. 農(nóng)業(yè)工程學(xué)報，2005，21(11)：85-88.

Zhang Zhigang, Luo Xiwen, Li JunLing. Automatic steering control system of wheeled model farming machinery[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2005, 21(11): 85-88. (in Chinese with English abstract)

[7]張成濤，譚彧，吳剛，等. 谷物聯(lián)合收割機(jī)電控全液壓轉(zhuǎn)向系統(tǒng)建模與仿真[J]. 農(nóng)業(yè)工程學(xué)報，2013，29(20)：11-17.

Zhang Chengtao, Tan Yu, Wu Gang, et al. Modeling and simulation of electronic control full hydraulic steering system for grain combine harvester[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2013, 29(20): 11-17. (in Chinese with English abstract)

[8]張聞宇，丁幼春，廖慶喜，等. 拖拉機(jī)液壓轉(zhuǎn)向變論域模糊控制器設(shè)計與試驗(yàn)[J]. 農(nóng)業(yè)機(jī)械學(xué)報，2015，46(3)：43-50.

Zhang Wenyu, Ding Youchun, Liao Qingxi, et al. Variable universe fuzzy controller for tractor hydraulic steering[J]. Transactions of the Chinese Society for Agricultural Machinery, 2015, 46(3): 43-50. (in Chinese with English abstract)

[9]Bakker T, Asselt van C J, Bontsema J, et al. Robotic weeding of a maize field based on navigation data of the tractor that performed the seeding[J]. IFAC Proceedings Volumes, 2010, 43(26): 157-159.

[10]Nagasaka Y, Saito H, Tamaki K, et al. An autonomous rice transplanter guided by global positioning system and inertial measurement unit[J]. Journal of Field Robotics, 2009, 26(6/7): 537-548.

[11]Sun H, Slaughter D C, Ruiz M P, et al. RTK GPS mapping of transplanted row crops[J]. Computers & Electronics in Agriculture, 2010, 71(1): 32-37.

[12]Perez-Ruiz M, Slaughter D C, Gliever C, et al. Tractor-based Real-time Kinematic-Global Positioning System (RTK-GPS) guidance system for geospatial mapping of row crop transplant[J]. Biosystems Engineering, 2012, 111(1): 64-71.

[13]羅錫文，張智剛，趙祚喜，等. 東方紅X-804拖拉機(jī)的DGPS自動導(dǎo)航控制系統(tǒng)[J]. 農(nóng)業(yè)工程學(xué)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)

[14]張智剛，羅錫文. 農(nóng)業(yè)機(jī)械導(dǎo)航中的航向角度估計算法[J] . 農(nóng)業(yè)工程學(xué)報，2008，24(5)：110-114.

Zhang Zhigang, Luo Xiwen. Adaptive weighted fusion algorithm for orientation evaluation of agricultural machinery[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2008, 24(5): 110-114. (in Chinese with English abstract)

[15]羅錫文，區(qū)穎剛，趙祚喜，等. 農(nóng)用智能移動作業(yè)平臺模型的研制[J]. 農(nóng)業(yè)工程學(xué)報，2005，21(2)：83-85.

Luo Xiwen, Ou Yinggang, Zhao Zuoxi, et al. Research and development of intelligent flexible chassis for precision farming[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2005, 21(2): 83-85. (in Chinese with English abstract)

[16]王輝，王桂民，羅錫文，等. 基于預(yù)瞄追蹤模型的農(nóng)機(jī)導(dǎo)航路徑跟蹤控制方法[J]. 農(nóng)業(yè)工程學(xué)報，2019，35(4)：11-19.

Wang Hui, Wang Guimin, Luo Xiwen, et al. Path tracking control method of agricultural machine navigation based on aiming pursuit model[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 35(4): 11-19. (in Chinese with English abstract)

[17]偉利國，張權(quán)，顏華，等. XDNZ630型水稻插秧機(jī)GPS自動導(dǎo)航系統(tǒng)[J]. 農(nóng)業(yè)機(jī)械學(xué)報，2011，42(7)：186-190.

Wei Liguo, Zhang Quan, Yan Hua, et al. GPS automatic navigation system design for XDNZ630 rice transplanter[J]. Transactions of the Chinese Society for Agricultural Machinery, 2011, 42(7): 186-190. (in Chinese with English abstract)

[18]周建軍，張漫，汪懋華，等. 基于模糊控制的農(nóng)用車輛路線跟蹤[J]. 農(nóng)業(yè)機(jī)械學(xué)報，2009，40(4)：151-156.

Zhou Jianjun, Zhang Man, Wang Maohua, et al. Path tracking for agricultural vehicle based on fuzzy control[J]. Transactions of the Chinese Society for Agricultural Machinery, 2009, 40(4): 151-156. (in Chinese with English abstract)

[19]劉兆祥，劉剛，籍穎，等. 基于自適應(yīng)模糊控制的拖拉機(jī)自動導(dǎo)航系統(tǒng)[J]. 農(nóng)業(yè)機(jī)械學(xué)報，2010，41(11)：148-152.

Liu Zhaoxiang, Liu Gang, Ji Ying, et al. Autonomous navigation system for agricultural tractor based on self-adapted fuzzy control[J]. Transactions of the Chinese Society for Agricultural Machinery, 2010, 41(11): 148-152. (in Chinese with English abstract)

[20]張美娜，尹文慶，林相澤，等. RTK-DGPS融合慣性傳感器的車輛導(dǎo)航參數(shù)計算方法[J]. 農(nóng)業(yè)機(jī)械學(xué)報，2015，40(5)：7-12.

Zhang Meina, Yin Wenqing, Lin Xiangze, et al. Method for calculating navigation parameters via RTK- DGPS fusing inertial sensor for agricultural vehicle[J]. Transactions of the Chinese Society for Agricultural Machinery, 2015, 40(5): 7-12. (in Chinese with English abstract)

[21]丁幼春，夏中州，彭靖葉，等. 聯(lián)合收獲機(jī)單神經(jīng)元PID導(dǎo)航控制器設(shè)計與試驗(yàn)[J]. 農(nóng)業(yè)工程學(xué)報，2020，36(7)：34-42.

Ding Youchun, Xia Zhongzhou, Peng Jingye, et al. Design and experiment of the single-neuron PID navigation controller for a combine harvester[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2020, 36(7): 34-42. (in Chinese with English abstract)

[22]Thuilot B, Cariou C, Martinet P, et al. Automatic guidance of a farm tractor relying on a single CP-DGPS[J]. Autonomous Robots, 2002, 13(1): 53-71.

[23]Lenain R, Thuilot B, Cariou C, et al. High accuracy path tracking for vehicle in presence of sliding: Application to farm vehicles automatic guidance for agricultural task[J]. Autonomous Robots, 2006, 21(1): 79-97.

[24]Alipour K, Robat A B, Tarvirdizadeh B. Dynamics modeling and sliding mode control of tractor-trailer wheeled mobile robots subject to wheels slip[J]. Mechanism and Machine Theory, 2019, 138: 16-37.

[25]景云鵬，劉剛，金志坤. 農(nóng)田平地機(jī)導(dǎo)航側(cè)滑估計與自適應(yīng)控制方法[J]. 農(nóng)業(yè)機(jī)械學(xué)報，2020，51(9)：26-33.

Jing Yunpeng, Liu Gang, Jin Zhikun. Adaptive guidance control method with sideslip estimation for land leveler pulling by tractor[J]. Transactions of the Chinese Society for Agricultural Machinery, 2020, 51(9): 26-33. (in Chinese with English abstract)

[26]Chen Xiujia, Qiu Hongdi. Research on single neuron adaptive PID controller[J]. Applied Mechanics and Materials, 2014, 3512: 826-830.

[27]Tang Wei, Wang Lijian, Gu Jiawei, et al. Single neural adaptive PID control for small UAV micro-turbojet engine[J]. Sensors (Basel, Switzerland), 2020, 20(2): 21.

[28]Su W S, Lee I B, Lee B K. On-line process identification and automatic tuning method for PID controllers[J]. Chemical Engineering Science, 1998, 53(10): 1847-1859

[29]祝英豪，張居敏，曾榮，等. 人字型水旱兩用旋埋刀輥設(shè)計與試驗(yàn)[J]. 農(nóng)業(yè)機(jī)械學(xué)報，2019，50(4)：49-57，273.

Zhu Yinghao, Zhang Jumin, Zeng Rong, et al. Design and experiment of herringbone type rotary blade roller for burying stubble in paddy field and dry land[J]. Transactions of the Chinese Society for Agricultural Machinery, 2019, 50(4): 49-57, 273. (in Chinese with English abstract)

Development of rotary straw burying and returning navigation system based on variable-gain single-neuron PID

Zhou Mingkuan, Xia Junfang, Zheng Kan, Du Jun, Zhang Jumin, Luo Chengming※

(1.430070,; 2., 430070,)

Soft-soil surface in a paddy field is usually left with unevenly distributed rice stalks, uncut stubbles, and machine ruts after harvesting by combines. A common treatment of rice straws is rotary burying using tractor-hitched rotary cultivators in southern China. However, misses and overlaps inevitably occur, because human tractor drivers mainly perform the current operation under the complex conditions of field surface. It is greatly urgent to develop an automatic navigation system for better operational efficiency and accuracy. In this study, a Dongfanghong LX954 tractor with a hitched rotary straw returning cultivator was taken as the research object. An automatic navigation system was developed to replace the original tractor-rotary cultivator combined one, with a novel electronic proportional control and hydraulic steering. The main hardware of the navigation system included an onboard PC, an electronic-control proportional hydraulic valve, a steering angle sensor, and a dual-antenna RTK-GNSS. The navigation software was performed on the MATLAB platform in the Windows 7 operating system. The RTK-GNSS was used to measure the real-time lateral deviations and orientation errors of the tractor. The onboard PC was used to plan the operation paths, process the GNSS measurement data, calculate the steering angles using the designed control algorithms, and finally send control commands to the steering controller. Specifically, the steering controller was used to receive the control commands through a CAN bus, thereby controlling the opening and closing of the electronic-control proportional hydraulic valve, and finally realizing automatic navigation. An estimation model of slip angle was derived using the steering angle control of the tractor, and a variable gain single-neuron PID controller was designed, in order to reduce the great slippages from the complex conditions of field surface during rotary burying of straws. The slip angles of the front-wheel and rear-wheel were added into the model to accurately calculate the control angle more suitable for the actual operation. The variable gain single-neuron PID controller output the values of steering angle by learning the previous control effects from the neuron and the adjusted gain, according to the differences between the current heading and the target heading. As such, the navigation control rapidly adapted to the subsequent soil surface in the field. MATLAB simulations were carried out to compare the control effects of a conventional, a single-neuron, and the variable gain single-neuron PID controller. The results showed that the variable gain single-neuron PID controller behaved the fastest convergence, the smallest overshoot, and the best performance of signal tracking. A road test was performed to further verify the feasibility of the designed navigation system. When the operation speed was about 2 m/s, the variable gain single-neuron PID effectively improved the performance of path tracking, in terms of speed and accuracy for both straight path and curve tracking. Furthermore, the maximum lateral deviation was 0.026 m during straight path tracking. In the curve tracking for a half circle with a diameter of 12 m, the maximum lateral deviation was 0.382 m and the mean was 0.170 m. A field experiment was performed on the rotary straw returning under the designed navigation system. In straight path tracking, the maximum lateral deviation was 0.071 m, and the mean was 0.031 m when the operation speed was 1.15 m/s. Compared with the traditional and single-neuron PID controllers, the control accuracy of the maximum error and mean absolute error were improved by 53.08% and 51.72% respectively, and compared with single neuron PID controller, the control accuracy of the maximum error and mean absolute error were improved by 39.00% and 28.21% respectively, the developed navigation controller can significantly reduce the interference from the various soft-soil surface in a paddy field, thereby enhancing the adaptability and robustness of the navigation system, particularly with the higher accuracy of path tracking.

agricultural machinery; straw; navigation; rotary burying and returning; controller; variable-gain single-neuron PID; electronic-control proportional hydraulic system; dual-antenna RTK-GNSS

周明寬，夏俊芳，鄭侃，等. 基于變增益單神經(jīng)元PID的秸稈旋埋還田導(dǎo)航系統(tǒng)研制[J]. 農(nóng)業(yè)工程學(xué)報，2021，37(5)：31-40.doi：10.11975/j.issn.1002-6819.2021.05.004 http://www.tcsae.org

Zhou Mingkuan, Xia Junfang, Zheng Kan, et al. Development of rotary straw burying and returning navigation system based on variable-gain single-neuron PID[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2021, 37(5): 31-40. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2021.05.004 http://www.tcsae.org

2020-11-30

2021-01-28

公益性行業(yè)（農(nóng)業(yè)）科研專項(xiàng)經(jīng)費(fèi)項(xiàng)目（201503136）；國家重點(diǎn)研發(fā)計劃項(xiàng)目（2017YFD0301303）；中央高?；究蒲袠I(yè)務(wù)費(fèi)專項(xiàng)資金資助項(xiàng)目（2662019QD001）

周明寬，博士生，研究方向?yàn)楝F(xiàn)代農(nóng)業(yè)裝備設(shè)計與測控。Email：zhoumingkuan@webmail.hzau.edu.cn

羅承銘，講師，博士，研究方向?yàn)檐囕v導(dǎo)航與控制、智能農(nóng)業(yè)裝備與系統(tǒng)。Email：chmluo@mail.hzau.edu.cn

10.11975/j.issn.1002-6819.2021.05.004

TP273+.2

A

1002-6819(2021)-05-0031-10