胡子謙，王登輝，胡瑞，董萬(wàn)靜，丁幼春

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

聯(lián)合收獲機(jī)自動(dòng)導(dǎo)航技術(shù)可大幅提升作業(yè)效率，降低勞動(dòng)強(qiáng)度，提高收獲機(jī)智能化程度[1]。精準(zhǔn)感知聯(lián)合收獲機(jī)位置信息是聯(lián)合收獲機(jī)自動(dòng)導(dǎo)航的前提，國(guó)內(nèi)外眾多學(xué)者將視覺(jué)方法運(yùn)用到收獲機(jī)自動(dòng)導(dǎo)航研究中。關(guān)卓懷等[2]針對(duì)水稻收獲視覺(jué)導(dǎo)航中的路徑規(guī)劃問(wèn)題，提出一種水稻收獲作業(yè)視覺(jué)導(dǎo)航路徑提取方法，采用多段三次B樣條曲線擬合法提取水稻待收獲區(qū)域邊界線，為田間作物在線檢測(cè)和收獲作業(yè)的自動(dòng)導(dǎo)航提供參考。丁幼春等[3-4]基于聯(lián)合收獲機(jī)平臺(tái)設(shè)計(jì)了視覺(jué)導(dǎo)航控制系統(tǒng)，采用旋轉(zhuǎn)投影算法配合直方圖融合算法檢測(cè)水稻收獲邊界，設(shè)計(jì)了模糊比例微分PD（proportion differentiation）控制器，田間試驗(yàn)割幅變化范圍小于18 cm。Benson等[5]開(kāi)發(fā)了一種機(jī)器視覺(jué)引導(dǎo)算法用于根據(jù)作物切割邊緣的橫向位置引導(dǎo)玉米收獲機(jī)，并在實(shí)驗(yàn)室和田間條件下進(jìn)行了測(cè)試，結(jié)果表明，該算法能夠準(zhǔn)確定位切割與未切割邊緣，并為聯(lián)合收割機(jī)提供橫向定位信號(hào)。曾宏偉等[6]通過(guò)攝像頭采集的作物收割圖像，利用區(qū)域生長(zhǎng)算法分割出圖像中未收割區(qū)域，采用最小二乘法擬合收割機(jī)作業(yè)導(dǎo)航線。張成濤等[7]基于達(dá)芬奇平臺(tái)，設(shè)計(jì)了一種路徑識(shí)別算法，識(shí)別導(dǎo)航路線的速度高，多種環(huán)境下路徑識(shí)別效果良好。以上研究均是根據(jù)視覺(jué)檢測(cè)算法，獲取收獲機(jī)相對(duì)位置信息，進(jìn)行導(dǎo)航控制，但視覺(jué)難以完成檢測(cè)田頭轉(zhuǎn)向路線檢測(cè)，實(shí)現(xiàn)換行作業(yè)功能。

針對(duì)采用絕對(duì)定位方式的聯(lián)合收獲機(jī)自動(dòng)導(dǎo)航，國(guó)內(nèi)外學(xué)者進(jìn)行了大量研究。Choi等[8]基于聯(lián)合收割機(jī)運(yùn)動(dòng)學(xué)模型的轉(zhuǎn)向控制參數(shù)優(yōu)化，以優(yōu)化機(jī)器人聯(lián)合收割機(jī)的控制參數(shù)為目的，使其能夠以最小的振蕩和最小的橫向誤差沿直線運(yùn)行，橫向誤差均方根值為2.5 cm，最大值為6.6 cm，從而驗(yàn)證了機(jī)器人聯(lián)合收割機(jī)控制參數(shù)優(yōu)化方法的有效性。丁幼春等[9]針對(duì)聯(lián)合收獲機(jī)在田間直線跟蹤作業(yè)中維持高割幅率條件下易產(chǎn)生漏割的問(wèn)題，運(yùn)用神經(jīng)網(wǎng)絡(luò)在線調(diào)節(jié)技術(shù)，設(shè)計(jì)了一種基于單神經(jīng)元PID（proportion integration differentiation）的聯(lián)合收獲機(jī)導(dǎo)航控制器，通過(guò)在線調(diào)節(jié)PID參數(shù)獲取最優(yōu)解，從而達(dá)到最優(yōu)控制效果，在保證不發(fā)生漏割的同時(shí)，滿足田間作業(yè)要求。張華強(qiáng)等[10]為提高農(nóng)機(jī)作業(yè)時(shí)直線行駛的精度，通過(guò)粒子群優(yōu)化（particle swarm optimization，PSO）算法實(shí)時(shí)確定純追蹤模型中的前視距離，當(dāng)農(nóng)機(jī)行駛速度為0.7 m/s時(shí)，采用基于改進(jìn)純追蹤模型的農(nóng)機(jī)路徑跟蹤算法，直線跟蹤的最大橫向誤差為9.0 cm。上述研究大多集中于提高輪式聯(lián)合收獲機(jī)單條作業(yè)線直線導(dǎo)航精度，而滿足較高導(dǎo)航精度并且實(shí)現(xiàn)全自動(dòng)作業(yè)的控制器方面研究較少，缺乏針對(duì)全自動(dòng)作業(yè)導(dǎo)航技術(shù)的研究。

為實(shí)現(xiàn)田間全自動(dòng)收獲作業(yè)導(dǎo)航，本研究以液壓改裝的雷沃GE-70輪式聯(lián)合收獲機(jī)為平臺(tái)，根據(jù)收獲作業(yè)要求提出全自動(dòng)作業(yè)控制方法，建立聯(lián)合收獲機(jī)運(yùn)動(dòng)學(xué)模型，通過(guò)采集人駕駛時(shí)的參數(shù)，利用神經(jīng)網(wǎng)絡(luò)訓(xùn)練，獲得擬人駕駛模型，設(shè)計(jì)一種基于擬人駕駛模型的導(dǎo)航控制器，并進(jìn)行仿真對(duì)比、水泥路面和田間試驗(yàn)，驗(yàn)證自動(dòng)導(dǎo)航作業(yè)系統(tǒng)可靠性和準(zhǔn)確性，圍繞收獲作業(yè)中直線收獲與田頭轉(zhuǎn)向兩大環(huán)節(jié)，設(shè)計(jì)自動(dòng)作業(yè)導(dǎo)航控制器，旨在為全無(wú)人收獲作業(yè)提供技術(shù)支撐。

1 材料與方法

1.1 聯(lián)合收獲機(jī)導(dǎo)航系統(tǒng)整體設(shè)計(jì)

聯(lián)合收獲機(jī)自動(dòng)導(dǎo)航作業(yè)系統(tǒng)主要包括：北斗RTK雙天線定位模塊（上海司南導(dǎo)航公司M600型北斗接收機(jī)及衛(wèi)星接收天線）、工控電腦（LegionY7000P）、自動(dòng)導(dǎo)航控制箱、角度傳感器（DWQCB-9-CH型角度傳感器，絕對(duì)精度0.10°）和雷沃GE-70輪式聯(lián)合收獲機(jī)。導(dǎo)航系統(tǒng)整體如圖1所示。

圖1 聯(lián)合收獲機(jī)自動(dòng)導(dǎo)航作業(yè)系統(tǒng)組成Fig.1 Combine harvester automatic navigation operation system composition

為實(shí)現(xiàn)聯(lián)合收獲機(jī)電控液壓驅(qū)動(dòng)后輪轉(zhuǎn)向，本研究在原有液壓轉(zhuǎn)向油路基礎(chǔ)上并聯(lián)一組電控液壓閥組實(shí)現(xiàn)電控液壓轉(zhuǎn)向，電控液壓轉(zhuǎn)向同時(shí)保留有手動(dòng)轉(zhuǎn)向，電控改裝油路參照彭靖葉等[11]研究設(shè)計(jì)，其技術(shù)參數(shù)如表1所示。

表1 聯(lián)合收獲機(jī)技術(shù)指標(biāo)參數(shù)Table 1 Technical parameters of combine harvester

1.2 自動(dòng)導(dǎo)航作業(yè)系統(tǒng)結(jié)構(gòu)設(shè)計(jì)

聯(lián)合收獲機(jī)全自動(dòng)導(dǎo)航作業(yè)系統(tǒng)結(jié)構(gòu)主要由感知系統(tǒng)、控制系統(tǒng)和執(zhí)行系統(tǒng)組成，如圖2所示。感知系統(tǒng)由北斗RTK模塊和角度傳感器組成，實(shí)現(xiàn)聯(lián)合收獲機(jī)的實(shí)時(shí)位姿信息獲取?？刂葡到y(tǒng)由工控電腦和NI數(shù)據(jù)采集卡（美國(guó)國(guó)家儀器NI-6216）組成，通過(guò)工控電腦上位機(jī)導(dǎo)航程序和NI數(shù)據(jù)采集卡對(duì)聯(lián)合收獲機(jī)進(jìn)行導(dǎo)航控制。執(zhí)行系統(tǒng)由比例放大器、電液比例閥（勵(lì)貝電液4WRZ，最大壓強(qiáng)35 000 kPa）以及轉(zhuǎn)向液壓缸組成，比例放大器接收到控制系統(tǒng)的控制信號(hào)后放大，改變電液比例閥開(kāi)度，控制轉(zhuǎn)向液壓缸伸縮，從而完成聯(lián)合收獲機(jī)轉(zhuǎn)向控制。

圖2 控制系統(tǒng)總體結(jié)構(gòu)圖Fig.2 Overall structure of the control system

1.3 聯(lián)合收獲機(jī)全自動(dòng)導(dǎo)航作業(yè)方法

針對(duì)收獲機(jī)田間作業(yè)要求，實(shí)現(xiàn)直線待收獲作業(yè)區(qū)域覆蓋[12-14]，在保證不漏割的情況下將有效作業(yè)割幅設(shè)為作業(yè)路線偏移幅寬，通過(guò)偏移第1條作業(yè)路線（如圖3中b-c），添加田間調(diào)頭路徑，規(guī)劃出套行作業(yè)路徑，如圖3所示。a～s表示作業(yè)路徑規(guī)劃點(diǎn)，收獲機(jī)從a點(diǎn)出發(fā)，經(jīng)b點(diǎn)后進(jìn)入作業(yè)路徑，根據(jù)套行作業(yè)的作業(yè)方法，收獲機(jī)行走路線為b-c-de-f-g，此為1圈套行作業(yè)，如此循環(huán)，最后經(jīng)pq-r-s行駛出田塊，此作業(yè)方法可在收獲機(jī)只需前進(jìn)情況下，完成全自動(dòng)套行作業(yè)導(dǎo)航。

圖3 套行作業(yè)導(dǎo)航路徑規(guī)劃圖Fig.3 Navigational path planning map for set operations

根據(jù)收獲機(jī)套行作業(yè)行駛方式，將田間作業(yè)路徑分為2類：①實(shí)際待收割作業(yè)路徑（圖3中實(shí)線部分表示）；②田間轉(zhuǎn)向路徑（圖3中虛線部分表示），聯(lián)合收獲機(jī)具有最小轉(zhuǎn)彎半徑限制，經(jīng)測(cè)量聯(lián)合收獲機(jī)最小轉(zhuǎn)彎半徑為R，路徑規(guī)劃時(shí)，要保證田間轉(zhuǎn)向路徑cp長(zhǎng)度大于4R，并且最后一段田間轉(zhuǎn)向路徑qr長(zhǎng)度大于等于2倍的聯(lián)合收獲機(jī)最小轉(zhuǎn)彎半徑，否則收獲機(jī)無(wú)法正常完成田間調(diào)頭，導(dǎo)致出現(xiàn)漏割情況。

根據(jù)套行作業(yè)路徑規(guī)劃，聯(lián)合收獲機(jī)收獲作業(yè)過(guò)程分為2種情況：①直線收獲狀態(tài)；②田頭轉(zhuǎn)向狀態(tài)。為保證收獲機(jī)套行作業(yè)自動(dòng)導(dǎo)航精度，本研究采取擬人駕駛模型和純追蹤模型作為導(dǎo)航控制器的控制模型。為使得每次切換跟蹤目標(biāo)直線后，收獲機(jī)能夠較平滑跟蹤下1條直線，制定全自動(dòng)作業(yè)轉(zhuǎn)彎方法，即當(dāng)收獲機(jī)行駛至距離下1條目標(biāo)路徑距離小于等于收獲機(jī)最小轉(zhuǎn)彎半徑R時(shí)，收獲機(jī)進(jìn)入轉(zhuǎn)彎狀態(tài)，跟蹤下1條目標(biāo)路徑。該方法在保證聯(lián)合收獲機(jī)有足夠距離完成田頭轉(zhuǎn)向控制，提高套行作業(yè)導(dǎo)航精度。

轉(zhuǎn)彎后跟蹤超調(diào)量是轉(zhuǎn)彎自動(dòng)導(dǎo)航的關(guān)鍵指標(biāo)，當(dāng)轉(zhuǎn)彎超調(diào)量過(guò)大時(shí)，聯(lián)合收獲機(jī)全自動(dòng)作業(yè)導(dǎo)航精度下降，且容易出現(xiàn)漏割問(wèn)題。通過(guò)測(cè)量聯(lián)合收獲機(jī)跟蹤直角路線時(shí)轉(zhuǎn)彎后超調(diào)量的大小，來(lái)驗(yàn)證導(dǎo)航控制器轉(zhuǎn)向跟蹤控制效果好壞。

1.4 聯(lián)合收獲機(jī)運(yùn)動(dòng)模型建立

本研究在不考慮質(zhì)量增加帶來(lái)輪胎與地面之間滑移變化的前提下，將聯(lián)合收獲機(jī)的輪胎視為剛性輪胎，建立經(jīng)典二輪車模型[15]對(duì)收獲機(jī)進(jìn)行運(yùn)動(dòng)學(xué)分析，基于聯(lián)合收獲機(jī)后輪轉(zhuǎn)向的特點(diǎn)，在導(dǎo)航平面坐標(biāo)系XOY中建立后輪轉(zhuǎn)向二輪車模型，得到收獲機(jī)運(yùn)動(dòng)學(xué)方程，如式（1）所示。

式（1）中：X?表示X方向速度；Y?表示Y方向速度；L表示收獲機(jī)前后輪軸距；θ?表示聯(lián)合收獲機(jī)航向角變化速度。

通過(guò)建立收獲機(jī)二輪車模型可以看出：當(dāng)作業(yè)速度V一定時(shí)，為控制收獲機(jī)進(jìn)行橫向偏移，只需要控制轉(zhuǎn)向輪后輪轉(zhuǎn)角δ，跟蹤誤差方程式為：

式（2）中：d?為位置偏差變化速度；Δθ為航向偏差；ab為目標(biāo)路徑；θroad為目標(biāo)路徑航向；θ為收獲機(jī)航向。

聯(lián)立（1）（2）可得：

由式（3）可知：在農(nóng)機(jī)速度V一定時(shí)，航向偏差Δθ與位置偏差d可通過(guò)改變轉(zhuǎn)向輪轉(zhuǎn)角δ減小，完成目標(biāo)直線路徑跟蹤。

1.5 導(dǎo)航控制器整體設(shè)計(jì)

針對(duì)聯(lián)合收獲機(jī)全自動(dòng)作業(yè)要求，設(shè)計(jì)導(dǎo)航控制系統(tǒng)整體結(jié)構(gòu)如圖4所示，控制器輸入為收獲機(jī)前進(jìn)速度V與當(dāng)前收獲機(jī)偏差信息（航向偏差Δθ與位置偏差d），輸出為目標(biāo)轉(zhuǎn)向角δ，對(duì)收獲機(jī)進(jìn)行導(dǎo)航控制。聯(lián)合收獲機(jī)收獲作業(yè)導(dǎo)航包括2個(gè)狀態(tài)：①直線作業(yè)：直線跟蹤目標(biāo)直線的操作；②田頭轉(zhuǎn)向：直線跟蹤時(shí)切換至另1條垂直目標(biāo)直線的操作。

圖4 導(dǎo)航系統(tǒng)結(jié)構(gòu)圖Fig.4 Navigation controller system structure diagram

為保證收獲機(jī)切換后控制量不發(fā)生突變，設(shè)置合適的切換邊界可較好地解決這個(gè)問(wèn)題。將收獲機(jī)以門(mén)限值dnext、d、Δθ為條件進(jìn)行狀態(tài)切換，其中dnext為當(dāng)前位置到下1條路徑的距離，d為跟蹤當(dāng)前路徑的位置偏差，Δθ為跟蹤當(dāng)前路徑的航向偏差。將2種控制模型寫(xiě)入導(dǎo)航軟件導(dǎo)航控制算法中，在導(dǎo)航過(guò)程中通過(guò)導(dǎo)航軟件實(shí)時(shí)監(jiān)測(cè)門(mén)限值dnext、d、Δθ大小，進(jìn)行控制模型切換，當(dāng)dnext不大于聯(lián)合收獲機(jī)轉(zhuǎn)向半徑R時(shí)，進(jìn)入換線狀態(tài)，切換至純追蹤模型方法，進(jìn)行轉(zhuǎn)向控制，切換后，目標(biāo)轉(zhuǎn)向角出現(xiàn)突變并以較大目標(biāo)轉(zhuǎn)向角進(jìn)行轉(zhuǎn)向控制。經(jīng)過(guò)Similink仿真可得，當(dāng)|d|=1.12 m，且|Δθ|=28.9°，2種模型控制量相等，可保證切換時(shí)控制量不發(fā)生突變，即當(dāng)聯(lián)合收獲機(jī)轉(zhuǎn)彎換線后，位置偏差d小于1.15 m，航向偏差小于30°，切換至擬人駕駛模型方法，進(jìn)行直線路徑跟蹤控制，切換控制前后，目標(biāo)轉(zhuǎn)向角無(wú)較大變化，保證了控制器切換的穩(wěn)定性。

本研究在文獻(xiàn)[9]的研究基礎(chǔ)上，設(shè)計(jì)擬人駕駛模型導(dǎo)航控制器，通過(guò)其獲得目標(biāo)轉(zhuǎn)向角δ，輸入到轉(zhuǎn)向執(zhí)行控制控制器中，完成聯(lián)合收獲機(jī)轉(zhuǎn)向控制，轉(zhuǎn)向執(zhí)行控制器結(jié)構(gòu)圖如圖5所示。

圖5 轉(zhuǎn)向執(zhí)行控制器結(jié)構(gòu)圖Fig.5 Structure diagram of steering control system

1.6 擬人駕駛直線跟蹤模型建立

通過(guò)建立聯(lián)合收獲機(jī)的運(yùn)動(dòng)模型和直線跟蹤誤差模型可以得出，車輛跟蹤時(shí)位置偏差、航向偏差與速度以及轉(zhuǎn)向輪轉(zhuǎn)角有直接關(guān)系。駕駛員駕駛時(shí)符合以下規(guī)律[16-17]：①當(dāng)速度增加時(shí)，駕駛員會(huì)以更小曲率接近目標(biāo)路徑，即轉(zhuǎn)向角減?。虎诋?dāng)位置偏差增大時(shí)，駕駛員會(huì)以更大曲率接近目標(biāo)路徑，即轉(zhuǎn)向角增大。為提高導(dǎo)航控制器的抗干擾能力和調(diào)節(jié)能力，基于人駕駛規(guī)律與經(jīng)驗(yàn)，人駕駛時(shí)轉(zhuǎn)向輪轉(zhuǎn)角與當(dāng)前行進(jìn)速度和當(dāng)前位置偏差以及航向偏差有直接關(guān)系，針對(duì)速度、位置偏差和航向偏差與轉(zhuǎn)向輪轉(zhuǎn)角之間的非線性關(guān)系，搭建神經(jīng)網(wǎng)絡(luò)建立擬人駕駛模型。

數(shù)據(jù)采集是建立擬人駕駛模型的基礎(chǔ)，搭建聯(lián)合收獲機(jī)數(shù)據(jù)采集模塊[18-19]，采集的物理量包括：收獲機(jī)在每個(gè)時(shí)刻的經(jīng)度緯度、收獲機(jī)的速度、位置偏差、航向偏差、轉(zhuǎn)向輪的轉(zhuǎn)角等。通過(guò)采集駕駛員沿著某個(gè)目標(biāo)直線駕駛聯(lián)合收獲機(jī)時(shí)的收獲機(jī)當(dāng)前速度、位置偏差以及航向偏差信息作為神經(jīng)網(wǎng)絡(luò)的輸入層，駕駛員駕駛時(shí)目標(biāo)輪轉(zhuǎn)角作為神經(jīng)網(wǎng)絡(luò)輸出層。

去除采集過(guò)程中因衛(wèi)星定位瞬時(shí)接收不良或人駕駛時(shí)明顯誤差的數(shù)據(jù)，最終留下10組樣本，每組樣本大約有1 400個(gè)數(shù)據(jù)。通過(guò)這10組樣本對(duì)搭好的同一個(gè)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。最終試驗(yàn)樣本確定以后，即在網(wǎng)絡(luò)結(jié)構(gòu)相同的情況下，同樣隨機(jī)選取1 200個(gè)數(shù)據(jù)作為訓(xùn)練集，100個(gè)數(shù)據(jù)作為測(cè)試集，通過(guò)改變其隱含層和輸出層節(jié)點(diǎn)傳遞函數(shù)，比較目標(biāo)轉(zhuǎn)向角預(yù)測(cè)精度，來(lái)確定最符合人駕駛時(shí)轉(zhuǎn)向角的非線性數(shù)學(xué)模型。訓(xùn)練樣本輸入集包含收獲機(jī)位置偏差d、航向偏差Δθ和行進(jìn)速度V由北斗定位信息計(jì)算，輸出集通過(guò)采集人駕駛時(shí)轉(zhuǎn)向輪的轉(zhuǎn)角δ，構(gòu)成神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本數(shù)據(jù)如表2所示。

表2 擬人駕駛模型訓(xùn)練樣本數(shù)據(jù)Table 2 Training sample data sheet for anthropomorphic driving model

本研究選擇BP神經(jīng)網(wǎng)絡(luò)對(duì)數(shù)據(jù)集進(jìn)行神經(jīng)網(wǎng)絡(luò)訓(xùn)練，獲得擬人駕駛模型。BP神經(jīng)網(wǎng)絡(luò)針對(duì)難以對(duì)其構(gòu)建精確的數(shù)學(xué)模型，可以充當(dāng)一個(gè)“黑箱”的作用將輸入和輸出之間的關(guān)系進(jìn)行映射。

隱含層節(jié)點(diǎn)數(shù)[20]n1的取值為：

式（4）中：n1為隱含層個(gè)數(shù)；n為輸入單元數(shù)；m為輸出單元數(shù)；a為[1，10]之間的值，根據(jù)結(jié)合確定的最佳隱藏層數(shù)的邊界[n1+1，n1+10]，在這2個(gè)之間逐漸增加單元數(shù)，在收斂后比較收斂速度，根據(jù)得到的訓(xùn)練誤差和測(cè)試誤差及收斂速度綜合選擇最佳隱藏層數(shù)。

根據(jù)公式（4）輸入單元數(shù)n取3，輸出單元數(shù)m取1，最初選擇較少的隱含層節(jié)點(diǎn)數(shù)，在網(wǎng)絡(luò)預(yù)測(cè)誤差不符合要求的情況下，逐漸增加節(jié)點(diǎn)數(shù)，直到預(yù)測(cè)誤差不再有明顯的減少為止。同樣，本研究對(duì)每種隱含層節(jié)點(diǎn)數(shù)組合訓(xùn)練10次，取其預(yù)測(cè)誤差平均值，所得結(jié)果如下：當(dāng)隱含層層數(shù)設(shè)置為10時(shí)，均方誤差最小，表明最佳隱含層層數(shù)為10。因此搭建結(jié)構(gòu)為3—10—1的3層BP神經(jīng)網(wǎng)絡(luò)。將數(shù)據(jù)樣本導(dǎo)入建立的神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，輸入層有3個(gè)神經(jīng)元，輸出有1個(gè)神經(jīng)元。神經(jīng)網(wǎng)絡(luò)訓(xùn)練結(jié)果如圖6所示。由圖6可知，通過(guò)驗(yàn)證集驗(yàn)證，在第67次迭代時(shí)出現(xiàn)最佳映射關(guān)系，預(yù)測(cè)均方誤差達(dá)到最小位0.024 94，測(cè)試集的平均總體相關(guān)系數(shù)R隨著訓(xùn)練次數(shù)的增加越來(lái)越接近于1，表示訓(xùn)練出的模型相對(duì)穩(wěn)定，且較為準(zhǔn)確。

圖6 神經(jīng)網(wǎng)絡(luò)訓(xùn)練結(jié)果分析Fig.6 Analysis of neural network training results

神經(jīng)網(wǎng)絡(luò)訓(xùn)練結(jié)束后，通過(guò)采取以下步驟可將訓(xùn)練好的擬人駕駛模型應(yīng)用到導(dǎo)航控制器中：①在Matlab中編寫(xiě)函數(shù)以文檔格式保存其每個(gè)神經(jīng)元節(jié)點(diǎn)權(quán)值、增益、偏置項(xiàng)等訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)參數(shù)，如圖7所示。②在導(dǎo)航程序?qū)⒏鱾€(gè)神經(jīng)元節(jié)點(diǎn)權(quán)值、增益、偏置項(xiàng)參數(shù)的各個(gè)文件以矩陣參數(shù)導(dǎo)入。③在導(dǎo)航程序中調(diào)用犰狳庫(kù)Armadillo，犰狳庫(kù)可通過(guò)編寫(xiě)函數(shù)進(jìn)行矩陣計(jì)算。④在導(dǎo)航程序中編寫(xiě)神經(jīng)網(wǎng)絡(luò)函數(shù)計(jì)算如式（5）所示。

圖7 神經(jīng)元節(jié)點(diǎn)權(quán)值、增益、偏置項(xiàng)參數(shù)Fig.7 Manual driving data collection site

式（5）中，y為歸一化后輸入矩陣；x為輸入矩陣；ω1為輸入層到隱含層權(quán)值矩陣；b1為輸入層到隱含層偏置矩陣。將輸入歸一化后，導(dǎo)入Sigmoid傳遞函數(shù)：

式（6）中，y′為神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)輸出矩陣；b2為隱含層偏置矩陣；ω2為隱含層權(quán)值矩陣。

最后將預(yù)測(cè)輸出反歸一化，結(jié)合式（5）（6）得到：

式（7）中，Y為神經(jīng)網(wǎng)絡(luò)實(shí)際輸出矩陣；b3為隱含層到輸出層偏置矩陣；ω3為隱含層到輸出層權(quán)值矩陣；g為輸出層增益矩陣；b4為輸出層偏置矩陣。

⑤在導(dǎo)航過(guò)程中將和神經(jīng)網(wǎng)絡(luò)相同的輸入項(xiàng)輸入到神經(jīng)網(wǎng)絡(luò)算法中，可得到輸出量目標(biāo)轉(zhuǎn)向角。

通過(guò)以上5個(gè)過(guò)程，可將離線訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)模型導(dǎo)入導(dǎo)航控制器進(jìn)行導(dǎo)航控制。導(dǎo)航控制器以聯(lián)合收獲機(jī)當(dāng)前行進(jìn)速度V和當(dāng)前位置偏差d和航向偏差Δθ作為輸入向量，輸入擬人駕駛模型，輸出目標(biāo)轉(zhuǎn)向角δ，將目標(biāo)轉(zhuǎn)向角輸入轉(zhuǎn)向控制器，控制轉(zhuǎn)向輪，使聯(lián)合收獲機(jī)跟蹤目標(biāo)直線路線，完成自動(dòng)導(dǎo)航。

1.7 基于擬人駕駛模型導(dǎo)航控制器仿真

為驗(yàn)證擬人駕駛模型導(dǎo)航控制器的可靠性和魯棒性，運(yùn)用Matlab/Simulink平臺(tái)對(duì)純追蹤控制、PID控制和擬人駕駛模型控制搭建了控制模型。在Matlab仿真對(duì)比中，將位置偏差1.0 m、航向偏差30°、速度為0.8 m/s等初始條件輸入到擬人駕駛模型控制器，輸出對(duì)應(yīng)控制量；通過(guò)測(cè)試使系統(tǒng)調(diào)節(jié)時(shí)間盡量小且上線盡量平滑，純追蹤控制的固定前視距離為2.1 m。通過(guò)試湊法[21]確定PID控制的參數(shù)，先調(diào)節(jié)參數(shù)P，觀察跟蹤效果，調(diào)節(jié)至較好跟蹤效果后，再微調(diào)參數(shù)I和D，經(jīng)不斷調(diào)節(jié)獲得調(diào)節(jié)時(shí)間和超調(diào)盡可能小的P=0.5、I=3、D=28。將3種控制模型導(dǎo)入Matlab中，設(shè)置采樣時(shí)間為0.1 s，并且在7 s時(shí)給予1個(gè)2 s的位置偏差擾動(dòng)，測(cè)試控制器的調(diào)節(jié)效果，仿真結(jié)果如圖8所示。

圖8 PID控制器、常規(guī)純追蹤控制器和擬人駕駛模型控制器對(duì)比Fig.8 Comparison of PID controller，conventional pure tracking controller and anthropomorphic driving model controller

仿真結(jié)果表明，所設(shè)計(jì)的擬人駕駛模型控制效果與傳統(tǒng)PID控制效果相比，擬人駕駛模型控制收斂速度快0.42 s；與常規(guī)純追蹤控制效果相比，擬人駕駛模型控制超調(diào)量減小了4.0 cm，說(shuō)明擬人駕駛模型控制相較于PID和純追蹤具有收斂速度快、超調(diào)小等特點(diǎn)，并有較高的魯棒性。

1.8 純追蹤轉(zhuǎn)彎算法

針對(duì)自動(dòng)作業(yè)導(dǎo)航路徑中田間轉(zhuǎn)向路徑的跟蹤算法，本研究采取的是純追蹤算法[17]。轉(zhuǎn)彎時(shí)跟蹤誤差方程式為：

式（8）中：Vx為速度在x軸方向分量；Vy為速度在y軸方向分量。

在轉(zhuǎn)彎時(shí)，位置偏差d為聯(lián)合收獲機(jī)中心到目標(biāo)曲線路徑最小距離，航向偏差Δθ是聯(lián)合收獲機(jī)航向與道路中心線切向與X軸的夾角的角度差。航向偏差Δθ與位置偏差d直接反映聯(lián)合收獲機(jī)跟蹤效果，實(shí)現(xiàn)導(dǎo)航控制即是使航向偏差Δθ與位置偏差d降低為零的過(guò)程。

根據(jù)純追蹤原理和二輪車運(yùn)動(dòng)模型，在導(dǎo)航平面坐標(biāo)系XOY中，建立純追蹤轉(zhuǎn)向運(yùn)動(dòng)模型如圖9所示。

圖9 純追蹤轉(zhuǎn)向運(yùn)動(dòng)模型Fig.9 Pre-sighted pure tracking motion model

圖9中，P為目標(biāo)路徑的預(yù)瞄點(diǎn)；α為預(yù)瞄點(diǎn)P與車后軸連成的向量的角度與車航向角的差值；Ld為車后軸距預(yù)瞄點(diǎn)的距離，又被稱為前視距離，即跟蹤時(shí)車輛預(yù)瞄的距離，純追蹤算法中目標(biāo)轉(zhuǎn)向角δ如下所示。

在純追蹤模型中，前視距離Ld是唯一可調(diào)參數(shù)，純追蹤的跟蹤效果跟前視距離Ld密切相關(guān)[22-24]，選取合適的前視距離可以最大限度提高純追蹤的控制效果，利用前視距離通過(guò)純追蹤模型計(jì)算出所需的目標(biāo)轉(zhuǎn)向角，可以有效地實(shí)現(xiàn)對(duì)目標(biāo)路徑的跟蹤。

為保證純追蹤轉(zhuǎn)彎算法的可靠性，前期進(jìn)行直角彎轉(zhuǎn)向?qū)Ш綔y(cè)試，根據(jù)純追蹤模型原理，前視距離與速度成正比，與位置偏差成反比。前視距離Ld與參數(shù)位置偏差d和速度V之間關(guān)系如式（10）所示。

式（10）中，V為收獲機(jī)當(dāng)前速度；d為收獲機(jī)當(dāng)前位置偏差。聯(lián)立（9）（10）得到目標(biāo)轉(zhuǎn)向角δ與位置偏差d、車速V、前視距離Ld之間的關(guān)系。

1.9 路面導(dǎo)航試驗(yàn)

在華中農(nóng)業(yè)大學(xué)油菜全程機(jī)械化試驗(yàn)基地進(jìn)行水泥路面試驗(yàn)，驗(yàn)證擬人駕駛模型導(dǎo)航控制器的轉(zhuǎn)彎導(dǎo)航效果。試驗(yàn)設(shè)備：雷沃GE-70聯(lián)合收獲機(jī)、工控電腦、導(dǎo)航控制箱、北斗雙天線移動(dòng)站。具體試驗(yàn)步驟：①試驗(yàn)前檢查工控電腦、導(dǎo)航控制箱和雙天線移動(dòng)站等各個(gè)控制系統(tǒng)部件的安裝與連接是否完好，打開(kāi)北斗雙天線移動(dòng)站，打開(kāi)工控電腦，啟動(dòng)導(dǎo)航程序，將訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)導(dǎo)入導(dǎo)航控制器中，等待移動(dòng)站啟動(dòng)完成并在工控電腦成功顯示當(dāng)前定位信息后，通過(guò)確定A、B、C三點(diǎn)設(shè)定目標(biāo)直角路徑：將收獲機(jī)割臺(tái)抬起，行駛至A點(diǎn)、B點(diǎn)，記錄其坐標(biāo)，以其為兩端點(diǎn)的直線段，接著以B點(diǎn)、C點(diǎn)為端點(diǎn)，使AB，BC兩條線段呈直角相交，設(shè)定為目標(biāo)路徑并保存該路徑；②開(kāi)啟收獲機(jī)，保持收獲機(jī)割臺(tái)高度不變，掛空擋，合上收獲機(jī)主離合，打開(kāi)絞籠，使收獲機(jī)進(jìn)入收獲作業(yè)狀態(tài)，開(kāi)啟導(dǎo)航程序后，將收獲機(jī)掛前進(jìn)1擋；③開(kāi)始試驗(yàn)，打開(kāi)導(dǎo)航程序中數(shù)據(jù)保存功能，記錄試驗(yàn)數(shù)據(jù)，記錄試驗(yàn)時(shí)收獲機(jī)位姿狀態(tài)、航向偏差、位置偏差、目標(biāo)轉(zhuǎn)向角等數(shù)據(jù)。前期通過(guò)轉(zhuǎn)彎跟蹤試驗(yàn)，調(diào)試跟蹤效果，測(cè)得純追蹤模型中，當(dāng)系數(shù)k=2.1，b=0.15，輸入速度V范圍在0.5～1.2 m/s與位置偏差d范圍在0～8.4 m時(shí)，以及當(dāng)前位置信息與目標(biāo)路徑信息，可獲得較優(yōu)轉(zhuǎn)彎跟蹤效果，開(kāi)啟試驗(yàn)，記錄試驗(yàn)數(shù)據(jù)。

1.10 田間轉(zhuǎn)向?qū)Ш皆囼?yàn)

直角彎轉(zhuǎn)向跟蹤試驗(yàn)田塊長(zhǎng)60 m、寬35 m。通過(guò)五點(diǎn)采樣法測(cè)得試驗(yàn)田土壤含水率為23.8%，土壤堅(jiān)實(shí)度為674.2 kPa。以0.6、0.8、1.0 m/s速度行駛，搭載擬人駕駛模型導(dǎo)航控制器進(jìn)行試驗(yàn)，試驗(yàn)步驟與路面轉(zhuǎn)向?qū)Ш皆囼?yàn)步驟保持一致。

1.11 田間作業(yè)導(dǎo)航試驗(yàn)

田間作業(yè)導(dǎo)航試驗(yàn)重點(diǎn)考察作業(yè)導(dǎo)航精度，保證收獲作業(yè)質(zhì)量。試驗(yàn)材料包括：聯(lián)合收獲機(jī)1臺(tái)、工控電腦1臺(tái)、導(dǎo)航控制箱1個(gè)、衛(wèi)星接收移動(dòng)站1臺(tái)、衛(wèi)星接受基站1臺(tái)、螺絲刀1套、卡箍、角度傳感器、試驗(yàn)記錄本、簽字筆、扎帶、剪刀、卷尺、試驗(yàn)標(biāo)簽等。具體試驗(yàn)步驟：①在空曠位置安裝基準(zhǔn)站衛(wèi)星接收天線，試驗(yàn)前進(jìn)行工控電腦、導(dǎo)航控制箱、北斗定位天線等各系統(tǒng)部件的安裝和檢查。②測(cè)定試驗(yàn)田田間環(huán)境，采用五點(diǎn)法測(cè)得土壤含水量為23.8%，堅(jiān)實(shí)度為727.4 kPa。③駕駛收獲機(jī)對(duì)地頭區(qū)域進(jìn)行人工預(yù)收割以便于后期作業(yè)時(shí)田頭轉(zhuǎn)向?qū)Ш?。④田間自動(dòng)導(dǎo)航收獲第1條收獲路徑（假設(shè)為AB）并進(jìn)行平移形成作業(yè)路徑。⑤將收獲機(jī)初始位置調(diào)整到位置偏差為0.1 m航向偏差小于10°，開(kāi)啟自動(dòng)導(dǎo)航。

2 結(jié)果與分析

2.1 路面導(dǎo)航測(cè)試結(jié)果

按照路面試驗(yàn)步驟，在保證初始偏差和初始航向相差不大的情況下，改變收獲機(jī)前進(jìn)速度，以不同的前進(jìn)速度驗(yàn)證擬人駕駛模型控制器的穩(wěn)定性和魯棒性，進(jìn)行路面導(dǎo)航控制效果測(cè)試，轉(zhuǎn)彎試驗(yàn)結(jié)果如表3所示。試驗(yàn)結(jié)果表明，擬人駕駛模型控制器在不同的速度條件下，跟蹤直角路徑導(dǎo)航精度相差不大，轉(zhuǎn)向后超調(diào)量不超過(guò)3.93 cm，平均絕對(duì)偏差不超過(guò)2.61 cm。說(shuō)明純追蹤轉(zhuǎn)彎算法能夠輸入不同的當(dāng)前位置、航向偏差和速度，輸出較為合適目標(biāo)轉(zhuǎn)角，提高了導(dǎo)航控制器控制效果，基于擬人駕駛模型導(dǎo)航控制器具有較高魯棒性。

表3 不同速度直角轉(zhuǎn)向路面試驗(yàn)Table 3 Road test data at different speeds

2.2 田間轉(zhuǎn)向?qū)Ш皆囼?yàn)結(jié)果

田間直角彎轉(zhuǎn)向路徑導(dǎo)航試驗(yàn)結(jié)果（表4）表明，當(dāng)聯(lián)合收獲機(jī)行進(jìn)速度分別為0.6、0.8、1.0 m/s時(shí)，擬人駕駛模型控制器轉(zhuǎn)向后超調(diào)量分別不大于8.1、8.9、9.6 cm，直線跟蹤導(dǎo)航時(shí)平均絕對(duì)偏差分別不大于3.1、3.0、3.3 cm。

表4 擬人駕駛模型導(dǎo)航控制器田間試驗(yàn)效果Table 4 Experimental effect of anthropomorphic driving model navigation controller

2.3 田間作業(yè)導(dǎo)航試驗(yàn)結(jié)果

在保證高割幅率且不漏割不重割的情況下將作業(yè)幅寬設(shè)為2.2 m，收獲作業(yè)后割茬高度小于18 cm，在保證收獲質(zhì)量的條件下測(cè)得在收獲機(jī)作業(yè)速度為0.65 m/s的條件下收獲效果最佳，衛(wèi)星定位接收頻率為10 Hz，進(jìn)行自動(dòng)導(dǎo)航作業(yè)試驗(yàn)。自動(dòng)導(dǎo)航作業(yè)現(xiàn)場(chǎng)和導(dǎo)航路徑軌跡如圖10所示。

圖10 田間作業(yè)導(dǎo)航試驗(yàn)結(jié)果Fig.10 Field navigation trial in set row operation

試驗(yàn)結(jié)果表明，通過(guò)擬人駕駛模型控制器的聯(lián)合收獲機(jī)可在田間實(shí)現(xiàn)直線收獲作業(yè)，收獲作業(yè)導(dǎo)航過(guò)程中位置偏差如圖10B所示，最大位置偏差為6.91 cm，平均絕對(duì)誤差為3.28 cm，根據(jù)設(shè)定的作業(yè)幅寬，在收獲作業(yè)路徑時(shí)保證收獲機(jī)喂入量不會(huì)過(guò)大，符合自動(dòng)導(dǎo)航精度，田頭自動(dòng)調(diào)頭，完成自動(dòng)作業(yè)。轉(zhuǎn)向角變化如圖10C所示，其中虛線為目標(biāo)轉(zhuǎn)向角，實(shí)線為實(shí)際轉(zhuǎn)角，圖10中顯示當(dāng)出現(xiàn)航向偏差時(shí)，控制器可通過(guò)控制轉(zhuǎn)向輪轉(zhuǎn)角迅速減小航向偏差，跟蹤精度可以滿足田間作業(yè)要求。

3 討論

本研究設(shè)計(jì)了一套基于聯(lián)合收獲機(jī)全自動(dòng)導(dǎo)航作業(yè)系統(tǒng)，以聯(lián)合收獲機(jī)運(yùn)動(dòng)模型為基礎(chǔ)，通過(guò)采集駕駛員駕駛時(shí)的車輛位姿信息和駕駛操作變化量，通過(guò)采集人工駕駛數(shù)據(jù)，運(yùn)用神經(jīng)網(wǎng)絡(luò)結(jié)合Matlab建立擬人駕駛模型，在此基礎(chǔ)上結(jié)合純追蹤模型設(shè)計(jì)了基于擬人駕駛模型的導(dǎo)航控制器。試驗(yàn)結(jié)果表明，設(shè)計(jì)的全自動(dòng)導(dǎo)航作業(yè)系統(tǒng)能按照規(guī)劃路徑完成直線行駛、田頭轉(zhuǎn)向，實(shí)現(xiàn)收獲機(jī)全自動(dòng)作業(yè)，作業(yè)過(guò)程中，駕駛員無(wú)需任何操作。水泥路面試驗(yàn)結(jié)果表明：聯(lián)合收獲機(jī)行駛速度分別為0.62、0.82、1.02 m/s時(shí)，基于擬人駕駛模型導(dǎo)航控制器的轉(zhuǎn)彎后超調(diào)量不超過(guò)3.93 cm，平均絕對(duì)偏差不大于2.61 cm，表明該控制器具有較高魯棒性。田間試驗(yàn)表明：擬人駕駛模型導(dǎo)航控制器可根據(jù)當(dāng)前位置偏差、航向偏差和速度計(jì)算出合適的目標(biāo)轉(zhuǎn)角，當(dāng)聯(lián)合收獲機(jī)速度分別為0.6、0.8、1.0 m/s時(shí)，擬人駕駛模型控制器最大跟蹤偏差分別不大于8.1、8.9、9.6 cm，平均絕對(duì)偏差分別不大于3.1、3.0、3.3 cm。具有較高作業(yè)精度，且可以完成全自動(dòng)作業(yè)。

與路面試驗(yàn)相比，田間試驗(yàn)轉(zhuǎn)向后超調(diào)量和平均絕對(duì)偏差相比較有所增大，考慮到田間土地的平整度、土壤含水率、秸稈量等易造成機(jī)體傾斜、滑移的發(fā)生，使田間試驗(yàn)偏差比路面大的因素，試驗(yàn)結(jié)果變化在允許范圍內(nèi)，能夠保證作業(yè)精度。隨著速度的增加，擬人駕駛模型控制器導(dǎo)航精度沒(méi)有較大變化，說(shuō)明該控制器具有較高魯棒性與適應(yīng)性。與傳統(tǒng)輔助直線作業(yè)導(dǎo)航系統(tǒng)相比，本研究設(shè)計(jì)的控制器不僅保證田間高精度收獲作業(yè)并且可實(shí)現(xiàn)自動(dòng)作業(yè)，無(wú)需人工操作，提高水稻收獲作業(yè)質(zhì)量和作業(yè)效率，為水稻收獲作業(yè)無(wú)人化、智能化提供技術(shù)支撐。

本研究目前存在的問(wèn)題是擬人駕駛模型適應(yīng)不足。本研究利用人工神經(jīng)網(wǎng)絡(luò)的方法采集收獲機(jī)駕駛數(shù)據(jù)，并進(jìn)行神經(jīng)網(wǎng)絡(luò)訓(xùn)練，但其他的農(nóng)機(jī)對(duì)于該模型適應(yīng)性較低，無(wú)法在其他農(nóng)機(jī)上進(jìn)行導(dǎo)航應(yīng)用。后期為提高模型適用性，可對(duì)其他農(nóng)機(jī)駕駛數(shù)據(jù)進(jìn)行采集，并加入訓(xùn)練集中，提高擬人駕駛模型適用性。