基于擬人駕駛模型的聯(lián)合收獲機導航控制器設計與試驗

胡子謙，王登輝，胡瑞，董萬靜，丁幼春

華中農(nóng)業(yè)大學工學院/農(nóng)業(yè)農(nóng)村部長江中下游農(nóng)業(yè)裝備重點實驗室，武漢 430070

聯(lián)合收獲機自動導航技術可大幅提升作業(yè)效率，降低勞動強度，提高收獲機智能化程度[1]。精準感知聯(lián)合收獲機位置信息是聯(lián)合收獲機自動導航的前提，國內(nèi)外眾多學者將視覺方法運用到收獲機自動導航研究中。關卓懷等[2]針對水稻收獲視覺導航中的路徑規(guī)劃問題，提出一種水稻收獲作業(yè)視覺導航路徑提取方法，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和收獲作業(yè)的自動導航提供參考。丁幼春等[3-4]基于聯(lián)合收獲機平臺設計了視覺導航控制系統(tǒng)，采用旋轉(zhuǎn)投影算法配合直方圖融合算法檢測水稻收獲邊界，設計了模糊比例微分PD（proportion differentiation）控制器，田間試驗割幅變化范圍小于18 cm。Benson等[5]開發(fā)了一種機器視覺引導算法用于根據(jù)作物切割邊緣的橫向位置引導玉米收獲機，并在實驗室和田間條件下進行了測試，結(jié)果表明，該算法能夠準確定位切割與未切割邊緣，并為聯(lián)合收割機提供橫向定位信號。曾宏偉等[6]通過攝像頭采集的作物收割圖像，利用區(qū)域生長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作業(yè)導航線。張成濤等[7]基于達芬奇平臺，設計了一種路徑識別算法，識別導航路線的速度高，多種環(huán)境下路徑識別效果良好。以上研究均是根據(jù)視覺檢測算法，獲取收獲機相對位置信息，進行導航控制，但視覺難以完成檢測田頭轉(zhuǎn)向路線檢測，實現(xiàn)換行作業(yè)功能。

針對采用絕對定位方式的聯(lián)合收獲機自動導航，國內(nèi)外學者進行了大量研究。Choi等[8]基于聯(lián)合收割機運動學模型的轉(zhuǎn)向控制參數(shù)優(yōu)化，以優(yōu)化機器人聯(lián)合收割機的控制參數(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行，橫向誤差均方根值為2.5 cm，最大值為6.6 cm，從而驗證了機器人聯(lián)合收割機控制參數(shù)優(yōu)化方法的有效性。丁幼春等[9]針對聯(lián)合收獲機在田間直線跟蹤作業(yè)中維持高割幅率條件下易產(chǎn)生漏割的問題，運用神經(jīng)網(wǎng)絡在線調(diào)節(jié)技術，設計了一種基于單神經(jīng)元PID（proportion integration differentiation）的聯(lián)合收獲機導航控制器，通過在線調(diào)節(jié)PID參數(shù)獲取最優(yōu)解，從而達到最優(yōu)控制效果，在保證不發(fā)生漏割的同時，滿足田間作業(yè)要求。張華強等[10]為提高農(nóng)機作業(yè)時直線行駛的精度，通過粒子群優(yōu)化（particle swarm optimization，PSO）算法實時確定純追蹤模型中的前視距離，當農(nóng)機行駛速度為0.7 m/s時，采用基于改進純追蹤模型的農(nóng)機路徑跟蹤算法，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)合收獲機單條作業(yè)線直線導航精度，而滿足較高導航精度并且實現(xiàn)全自動作業(yè)的控制器方面研究較少，缺乏針對全自動作業(yè)導航技術的研究。

為實現(xiàn)田間全自動收獲作業(yè)導航，本研究以液壓改裝的雷沃GE-70輪式聯(lián)合收獲機為平臺，根據(jù)收獲作業(yè)要求提出全自動作業(yè)控制方法，建立聯(lián)合收獲機運動學模型，通過采集人駕駛時的參數(shù)，利用神經(jīng)網(wǎng)絡訓練，獲得擬人駕駛模型，設計一種基于擬人駕駛模型的導航控制器，并進行仿真對比、水泥路面和田間試驗，驗證自動導航作業(yè)系統(tǒng)可靠性和準確性，圍繞收獲作業(yè)中直線收獲與田頭轉(zhuǎn)向兩大環(huán)節(jié)，設計自動作業(yè)導航控制器，旨在為全無人收獲作業(yè)提供技術支撐。

1 材料與方法

1.1 聯(lián)合收獲機導航系統(tǒng)整體設計

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

圖1 聯(lián)合收獲機自動導航作業(yè)系統(tǒng)組成Fig.1 Combine harvester automatic navigation operation system composition

為實現(xiàn)聯(lián)合收獲機電控液壓驅(qū)動后輪轉(zhuǎn)向，本研究在原有液壓轉(zhuǎn)向油路基礎上并聯(lián)一組電控液壓閥組實現(xiàn)電控液壓轉(zhuǎn)向，電控液壓轉(zhuǎn)向同時保留有手動轉(zhuǎn)向，電控改裝油路參照彭靖葉等[11]研究設計，其技術參數(shù)如表1所示。

表1 聯(lián)合收獲機技術指標參數(shù)Table 1 Technical parameters of combine harvester

1.2 自動導航作業(yè)系統(tǒng)結(jié)構(gòu)設計

聯(lián)合收獲機全自動導航作業(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，實現(xiàn)聯(lián)合收獲機的實時位姿信息獲取。控制系統(tǒng)由工控電腦和NI數(shù)據(jù)采集卡（美國國家儀器NI-6216）組成，通過工控電腦上位機導航程序和NI數(shù)據(jù)采集卡對聯(lián)合收獲機進行導航控制。執(zhí)行系統(tǒng)由比例放大器、電液比例閥（勵貝電液4WRZ，最大壓強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)的控制信號后放大，改變電液比例閥開度，控制轉(zhuǎn)向液壓缸伸縮，從而完成聯(lián)合收獲機轉(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)合收獲機全自動導航作業(yè)方法

針對收獲機田間作業(yè)要求，實現(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)割幅設為作業(yè)路線偏移幅寬，通過偏移第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，收獲機從a點出發(fā)，經(jīng)b點后進入作業(yè)路徑，根據(jù)套行作業(yè)的作業(yè)方法，收獲機行走路線為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)方法可在收獲機只需前進情況下，完成全自動套行作業(yè)導航。

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

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

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

轉(zhuǎn)彎后跟蹤超調(diào)量是轉(zhuǎn)彎自動導航的關鍵指標，當轉(zhuǎn)彎超調(diào)量過大時，聯(lián)合收獲機全自動作業(yè)導航精度下降，且容易出現(xiàn)漏割問題。通過測量聯(lián)合收獲機跟蹤直角路線時轉(zhuǎn)彎后超調(diào)量的大小，來驗證導航控制器轉(zhuǎn)向跟蹤控制效果好壞。

1.4 聯(lián)合收獲機運動模型建立

本研究在不考慮質(zhì)量增加帶來輪胎與地面之間滑移變化的前提下，將聯(lián)合收獲機的輪胎視為剛性輪胎，建立經(jīng)典二輪車模型[15]對收獲機進行運動學分析，基于聯(lián)合收獲機后輪轉(zhuǎn)向的特點，在導航平面坐標系XOY中建立后輪轉(zhuǎn)向二輪車模型，得到收獲機運動學方程，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表示收獲機前后輪軸距；θ?表示聯(lián)合收獲機航向角變化速度。

通過建立收獲機二輪車模型可以看出：當作業(yè)速度V一定時，為控制收獲機進行橫向偏移，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為目標路徑；θroad為目標路徑航向；θ為收獲機航向。

聯(lián)立（1）（2）可得：

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

1.5 導航控制器整體設計

針對聯(lián)合收獲機全自動作業(yè)要求，設計導航控制系統(tǒng)整體結(jié)構(gòu)如圖4所示，控制器輸入為收獲機前進速度V與當前收獲機偏差信息（航向偏差Δθ與位置偏差d），輸出為目標轉(zhuǎn)向角δ，對收獲機進行導航控制。聯(lián)合收獲機收獲作業(yè)導航包括2個狀態(tài)：①直線作業(yè)：直線跟蹤目標直線的操作；②田頭轉(zhuǎn)向：直線跟蹤時切換至另1條垂直目標直線的操作。

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

為保證收獲機切換后控制量不發(fā)生突變，設置合適的切換邊界可較好地解決這個問題。將收獲機以門限值dnext、d、Δθ為條件進行狀態(tài)切換，其中dnext為當前位置到下1條路徑的距離，d為跟蹤當前路徑的位置偏差，Δθ為跟蹤當前路徑的航向偏差。將2種控制模型寫入導航軟件導航控制算法中，在導航過程中通過導航軟件實時監(jiān)測門限值dnext、d、Δθ大小，進行控制模型切換，當dnext不大于聯(lián)合收獲機轉(zhuǎn)向半徑R時，進入換線狀態(tài)，切換至純追蹤模型方法，進行轉(zhuǎn)向控制，切換后，目標轉(zhuǎn)向角出現(xiàn)突變并以較大目標轉(zhuǎn)向角進行轉(zhuǎn)向控制。經(jīng)過Similink仿真可得，當|d|=1.12 m，且|Δθ|=28.9°，2種模型控制量相等，可保證切換時控制量不發(fā)生突變，即當聯(lián)合收獲機轉(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，進行直線路徑跟蹤控制，切換控制前后，目標轉(zhuǎn)向角無較大變化，保證了控制器切換的穩(wěn)定性。

本研究在文獻[9]的研究基礎上，設計擬人駕駛模型導航控制器，通過其獲得目標轉(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

通過建立聯(lián)合收獲機的運動模型和直線跟蹤誤差模型可以得出，車輛跟蹤時位置偏差、航向偏差與速度以及轉(zhuǎn)向輪轉(zhuǎn)角有直接關系。駕駛員駕駛時符合以下規(guī)律[16-17]：①當速度增加時，駕駛員會以更小曲率接近目標路徑，即轉(zhuǎn)向角減小；②當位置偏差增大時，駕駛員會以更大曲率接近目標路徑，即轉(zhuǎn)向角增大。為提高導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，人駕駛時轉(zhuǎn)向輪轉(zhuǎn)角與當前行進速度和當前位置偏差以及航向偏差有直接關系，針對速度、位置偏差和航向偏差與轉(zhuǎn)向輪轉(zhuǎn)角之間的非線性關系，搭建神經(jīng)網(wǎng)絡建立擬人駕駛模型。

數(shù)據(jù)采集是建立擬人駕駛模型的基礎，搭建聯(lián)合收獲機數(shù)據(jù)采集模塊[18-19]，采集的物理量包括：收獲機在每個時刻的經(jīng)度緯度、收獲機的速度、位置偏差、航向偏差、轉(zhuǎn)向輪的轉(zhuǎn)角等。通過采集駕駛員沿著某個目標直線駕駛聯(lián)合收獲機時的收獲機當前速度、位置偏差以及航向偏差信息作為神經(jīng)網(wǎng)絡的輸入層，駕駛員駕駛時目標輪轉(zhuǎn)角作為神經(jīng)網(wǎng)絡輸出層。

去除采集過程中因衛(wèi)星定位瞬時接收不良或人駕駛時明顯誤差的數(shù)據(jù)，最終留下10組樣本，每組樣本大約有1 400個數(shù)據(jù)。通過這10組樣本對搭好的同一個神經(jīng)網(wǎng)絡進行訓練。最終試驗樣本確定以后，即在網(wǎng)絡結(jié)構(gòu)相同的情況下，同樣隨機選取1 200個數(shù)據(jù)作為訓練集，100個數(shù)據(jù)作為測試集，通過改變其隱含層和輸出層節(jié)點傳遞函數(shù)，比較目標轉(zhuǎn)向角預測精度，來確定最符合人駕駛時轉(zhuǎn)向角的非線性數(shù)學模型。訓練樣本輸入集包含收獲機位置偏差d、航向偏差Δθ和行進速度V由北斗定位信息計算，輸出集通過采集人駕駛時轉(zhuǎn)向輪的轉(zhuǎn)角δ，構(gòu)成神經(jīng)網(wǎng)絡的訓練樣本數(shù)據(jù)如表2所示。

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

本研究選擇BP神經(jīng)網(wǎng)絡對數(shù)據(jù)集進行神經(jīng)網(wǎng)絡訓練，獲得擬人駕駛模型。BP神經(jīng)網(wǎng)絡針對難以對其構(gòu)建精確的數(shù)學模型，可以充當一個“黑箱”的作用將輸入和輸出之間的關系進行映射。

隱含層節(jié)點數(shù)[20]n1的取值為：

式（4）中：n1為隱含層個數(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)得到的訓練誤差和測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)點數(shù)，在網(wǎng)絡預測誤差不符合要求的情況下，逐漸增加節(jié)點數(shù)，直到預測誤差不再有明顯的減少為止。同樣，本研究對每種隱含層節(jié)點數(shù)組合訓練10次，取其預測誤差平均值，所得結(jié)果如下：當隱含層層數(shù)設置為10時，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。將數(shù)據(jù)樣本導入建立的神經(jīng)網(wǎng)絡進行訓練，輸入層有3個神經(jīng)元，輸出有1個神經(jīng)元。神經(jīng)網(wǎng)絡訓練結(jié)果如圖6所示。由圖6可知，通過驗證集驗證，在第67次迭代時出現(xiàn)最佳映射關系，預測均方誤差達到最小位0.024 94，測試集的平均總體相關系數(shù)R隨著訓練次數(shù)的增加越來越接近于1，表示訓練出的模型相對穩(wěn)定，且較為準確。

圖6 神經(jīng)網(wǎng)絡訓練結(jié)果分析Fig.6 Analysis of neural network training results

神經(jīng)網(wǎng)絡訓練結(jié)束后，通過采取以下步驟可將訓練好的擬人駕駛模型應用到導航控制器中：①在Matlab中編寫函數(shù)以文檔格式保存其每個神經(jīng)元節(jié)點權(quán)值、增益、偏置項等訓練好的神經(jīng)網(wǎng)絡參數(shù)，如圖7所示。②在導航程序?qū)⒏鱾€神經(jīng)元節(jié)點權(quán)值、增益、偏置項參數(shù)的各個文件以矩陣參數(shù)導入。③在導航程序中調(diào)用犰狳庫Armadillo，犰狳庫可通過編寫函數(shù)進行矩陣計算。④在導航程序中編寫神經(jīng)網(wǎng)絡函數(shù)計算如式（5）所示。

圖7 神經(jīng)元節(jié)點權(quán)值、增益、偏置項參數(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，導入Sigmoid傳遞函數(shù)：

式（6）中，y′為神經(jīng)網(wǎng)絡預測輸出矩陣；b2為隱含層偏置矩陣；ω2為隱含層權(quán)值矩陣。

最后將預測輸出反歸一化，結(jié)合式（5）（6）得到：

式（7）中，Y為神經(jīng)網(wǎng)絡實際輸出矩陣；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在導航過程中將和神經(jīng)網(wǎng)絡相同的輸入項輸入到神經(jīng)網(wǎng)絡算法中，可得到輸出量目標轉(zhuǎn)向角。

通過以上5個過程，可將離線訓練好的神經(jīng)網(wǎng)絡模型導入導航控制器進行導航控制。導航控制器以聯(lián)合收獲機當前行進速度V和當前位置偏差d和航向偏差Δθ作為輸入向量，輸入擬人駕駛模型，輸出目標轉(zhuǎn)向角δ，將目標轉(zhuǎn)向角輸入轉(zhuǎn)向控制器，控制轉(zhuǎn)向輪，使聯(lián)合收獲機跟蹤目標直線路線，完成自動導航。

1.7 基于擬人駕駛模型導航控制器仿真

為驗證擬人駕駛模型導航控制器的可靠性和魯棒性，運用Matlab/Simulink平臺對純追蹤控制、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，輸出對應控制量；通過測試使系統(tǒng)調(diào)節(jié)時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種控制模型導入Matlab中，設置采樣時間為0.1 s，并且在7 s時給予1個2 s的位置偏差擾動，測試控制器的調(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，所設計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，并有較高的魯棒性。

1.8 純追蹤轉(zhuǎn)彎算法

針對自動作業(yè)導航路徑中田間轉(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，位置偏差d為聯(lián)合收獲機中心到目標曲線路徑最小距離，航向偏差Δθ是聯(lián)合收獲機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)合收獲機跟蹤效果，實現(xiàn)導航控制即是使航向偏差Δθ與位置偏差d降低為零的過程。

根據(jù)純追蹤原理和二輪車運動模型，在導航平面坐標系XOY中，建立純追蹤轉(zhuǎn)向運動模型如圖9所示。

圖9 純追蹤轉(zhuǎn)向運動模型Fig.9 Pre-sighted pure tracking motion model

圖9中，P為目標路徑的預瞄點；α為預瞄點P與車后軸連成的向量的角度與車航向角的差值；Ld為車后軸距預瞄點的距離，又被稱為前視距離，即跟蹤時車輛預瞄的距離，純追蹤算法中目標轉(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[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，利用前視距離通過純追蹤模型計算出所需的目標轉(zhuǎn)向角，可以有效地實現(xiàn)對目標路徑的跟蹤。

為保證純追蹤轉(zhuǎn)彎算法的可靠性，前期進行直角彎轉(zhuǎn)向?qū)Ш綔y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之間關系如式（10）所示。

式（10）中，V為收獲機當前速度；d為收獲機當前位置偏差。聯(lián)立（9）（10）得到目標轉(zhuǎn)向角δ與位置偏差d、車速V、前視距離Ld之間的關系。

1.9 路面導航試驗

在華中農(nóng)業(yè)大學油菜全程機械化試驗基地進行水泥路面試驗，驗證擬人駕駛模型導航控制器的轉(zhuǎn)彎導航效果。試驗設備：雷沃GE-70聯(lián)合收獲機、工控電腦、導航控制箱、北斗雙天線移動站。具體試驗步驟：①試驗前檢查工控電腦、導航控制箱和雙天線移動站等各個控制系統(tǒng)部件的安裝與連接是否完好，打開北斗雙天線移動站，打開工控電腦，啟動導航程序，將訓練好的神經(jīng)網(wǎng)絡導入導航控制器中，等待移動站啟動完成并在工控電腦成功顯示當前定位信息后，通過確定A、B、C三點設定目標直角路徑：將收獲機割臺抬起，行駛至A點、B點，記錄其坐標，以其為兩端點的直線段，接著以B點、C點為端點，使AB，BC兩條線段呈直角相交，設定為目標路徑并保存該路徑；②開啟收獲機，保持收獲機割臺高度不變，掛空擋，合上收獲機主離合，打開絞籠，使收獲機進入收獲作業(yè)狀態(tài)，開啟導航程序后，將收獲機掛前進1擋；③開始試驗，打開導航程序中數(shù)據(jù)保存功能，記錄試驗數(shù)據(jù)，記錄試驗時收獲機位姿狀態(tài)、航向偏差、位置偏差、目標轉(zhuǎn)向角等數(shù)據(jù)。前期通過轉(zhuǎn)彎跟蹤試驗，調(diào)試跟蹤效果，測得純追蹤模型中，當系數(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，以及當前位置信息與目標路徑信息，可獲得較優(yōu)轉(zhuǎn)彎跟蹤效果，開啟試驗，記錄試驗數(shù)據(jù)。

1.10 田間轉(zhuǎn)向?qū)Ш皆囼?/h3>

直角彎轉(zhuǎn)向跟蹤試驗田塊長60 m、寬35 m。通過五點采樣法測得試驗田土壤含水率為23.8%，土壤堅實度為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航控制器進行試驗，試驗步驟與路面轉(zhuǎn)向?qū)Ш皆囼灢襟E保持一致。

1.11 田間作業(yè)導航試驗

田間作業(yè)導航試驗重點考察作業(yè)導航精度，保證收獲作業(yè)質(zhì)量。試驗材料包括：聯(lián)合收獲機1臺、工控電腦1臺、導航控制箱1個、衛(wèi)星接收移動站1臺、衛(wèi)星接受基站1臺、螺絲刀1套、卡箍、角度傳感器、試驗記錄本、簽字筆、扎帶、剪刀、卷尺、試驗標簽等。具體試驗步驟：①在空曠位置安裝基準站衛(wèi)星接收天線，試驗前進行工控電腦、導航控制箱、北斗定位天線等各系統(tǒng)部件的安裝和檢查。②測定試驗田田間環(huán)境，采用五點法測得土壤含水量為23.8%，堅實度為727.4 kPa。③駕駛收獲機對地頭區(qū)域進行人工預收割以便于后期作業(yè)時田頭轉(zhuǎn)向?qū)Ш健＂芴镩g自動導航收獲第1條收獲路徑（假設為AB）并進行平移形成作業(yè)路徑。⑤將收獲機初始位置調(diào)整到位置偏差為0.1 m航向偏差小于10°，開啟自動導航。

2 結(jié)果與分析

2.1 路面導航測試結(jié)果

按照路面試驗步驟，在保證初始偏差和初始航向相差不大的情況下，改變收獲機前進速度，以不同的前進速度驗證擬人駕駛模型控制器的穩(wěn)定性和魯棒性，進行路面導航控制效果測試，轉(zhuǎn)彎試驗結(jié)果如表3所示。試驗結(jié)果表明，擬人駕駛模型控制器在不同的速度條件下，跟蹤直角路徑導航精度相差不大，轉(zhuǎn)向后超調(diào)量不超過3.93 cm，平均絕對偏差不超過2.61 cm。說明純追蹤轉(zhuǎn)彎算法能夠輸入不同的當前位置、航向偏差和速度，輸出較為合適目標轉(zhuǎn)角，提高了導航控制器控制效果，基于擬人駕駛模型導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Table 3 Road test data at different speeds

2.2 田間轉(zhuǎn)向?qū)Ш皆囼灲Y(jié)果

田間直角彎轉(zhuǎn)向路徑導航試驗結(jié)果（表4）表明，當聯(lián)合收獲機行進速度分別為0.6、0.8、1.0 m/s時，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，直線跟蹤導航時平均絕對偏差分別不大于3.1、3.0、3.3 cm。

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

2.3 田間作業(yè)導航試驗結(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)量的條件下測得在收獲機作業(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，進行自動導航作業(yè)試驗。自動導航作業(yè)現(xiàn)場和導航路徑軌跡如圖10所示。

圖10 田間作業(yè)導航試驗結(jié)果Fig.10 Field navigation trial in set row operation

試驗結(jié)果表明，通過擬人駕駛模型控制器的聯(lián)合收獲機可在田間實現(xiàn)直線收獲作業(yè)，收獲作業(yè)導航過程中位置偏差如圖10B所示，最大位置偏差為6.91 cm，平均絕對誤差為3.28 cm，根據(jù)設定的作業(yè)幅寬，在收獲作業(yè)路徑時保證收獲機喂入量不會過大，符合自動導航精度，田頭自動調(diào)頭，完成自動作業(yè)。轉(zhuǎn)向角變化如圖10C所示，其中虛線為目標轉(zhuǎn)向角，實線為實際轉(zhuǎn)角，圖10中顯示當出現(xiàn)航向偏差時，控制器可通過控制轉(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

本研究設計了一套基于聯(lián)合收獲機全自動導航作業(yè)系統(tǒng)，以聯(lián)合收獲機運動模型為基礎，通過采集駕駛員駕駛時的車輛位姿信息和駕駛操作變化量，通過采集人工駕駛數(shù)據(jù)，運用神經(jīng)網(wǎng)絡結(jié)合Matlab建立擬人駕駛模型，在此基礎上結(jié)合純追蹤模型設計了基于擬人駕駛模型的導航控制器。試驗結(jié)果表明，設計的全自動導航作業(yè)系統(tǒng)能按照規(guī)劃路徑完成直線行駛、田頭轉(zhuǎn)向，實現(xiàn)收獲機全自動作業(yè)，作業(yè)過程中，駕駛員無需任何操作。水泥路面試驗結(jié)果表明：聯(lián)合收獲機行駛速度分別為0.62、0.82、1.02 m/s時，基于擬人駕駛模型導航控制器的轉(zhuǎn)彎后超調(diào)量不超過3.93 cm，平均絕對偏差不大于2.61 cm，表明該控制器具有較高魯棒性。田間試驗表明：擬人駕駛模型導航控制器可根據(jù)當前位置偏差、航向偏差和速度計算出合適的目標轉(zhuǎn)角，當聯(lián)合收獲機速度分別為0.6、0.8、1.0 m/s時，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，且可以完成全自動作業(yè)。

與路面試驗相比，田間試驗轉(zhuǎn)向后超調(diào)量和平均絕對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、秸稈量等易造成機體傾斜、滑移的發(fā)生，使田間試驗偏差比路面大的因素，試驗結(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航精度沒有較大變化，說明該控制器具有較高魯棒性與適應性。與傳統(tǒng)輔助直線作業(yè)導航系統(tǒng)相比，本研究設計的控制器不僅保證田間高精度收獲作業(yè)并且可實現(xiàn)自動作業(yè)，無需人工操作，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)無人化、智能化提供技術支撐。

本研究目前存在的問題是擬人駕駛模型適應不足。本研究利用人工神經(jīng)網(wǎng)絡的方法采集收獲機駕駛數(shù)據(jù)，并進行神經(jīng)網(wǎng)絡訓練，但其他的農(nóng)機對于該模型適應性較低，無法在其他農(nóng)機上進行導航應用。后期為提高模型適用性，可對其他農(nóng)機駕駛數(shù)據(jù)進行采集，并加入訓練集中，提高擬人駕駛模型適用性。