论文投稿_医学论文投稿_核心期刊,职称论文投稿发表_论文部落

　　1.3.5地磁导航

　　由于廉价，地磁传感器最近也被应用到了农业机械导航研究之中。日本的Noguchi等研发了一种利用地磁导向传感器和图像传感器进行导航的农业移动机器人。该机器人利用图像传感器进行定位，通过地磁导向传感器获得航向角。然而地磁导向传感器在使用中易受周围磁场、机器人倾角等干扰，为了有效利用地磁导向传感器，利用神经网络重新定义地磁导向传感器输出。田地实验表明，机器人相对于目标位置的最终位置平均误差为0.4m。机器人相对于预规划路径的位置绝对最大误差和均方根误差分别为0.51m和0.23m[58]。

　　国内有关地磁导航的研究还主要集中在仿真和预研阶段[59]。相关研究多集中在航空、船舰等领域，尚未看到农业机械相关的研究报道。

　　2.农业机械导航关键技术

　　2.1环境感知技术

　　导航中的环境感知技术，即移动载体能够根据自身所携带的传感器对所处周围环境进行环境信息的获取，并提取环境中有效的特征信息加以处理和理解，最终建立所在环境的模型[60]。该技术是机器人实现环境建模、定位、路径规划等自主导航控制的前提，环境感知能力的强弱直接影响到机器人的控制决策能力。

　　随着信息获取技术的发展，各种传感器以及新型传感器信息处理方法在移动机器人中得到了充分的使用，有力地提高了智能移动机器人对环境信息的获取能力，针对环境信息的提取、分类，近年来很多学者不断加大在该领域的研究工作。杨俊友等提出一种基于颜色直方图和SIFT混合特征的机器人环境感知方法，将颜色直方图的"色"与SIFT算法的"形"有机结合[61]。Correa等在安装了视觉传感器的移动机器人平台上使用了主动感知策略，使用环境拓扑地图和基于粒子滤波的贝叶斯非参数估计来估测机器人位置[62]。

　　在农业机械导航领域也是一样，环境感知的方式和信息处理方法在不断进步。tstrandBjUrn等设计一种机械除草机器人，感知系统包括一个识别农作物行的灰度级视觉系统，以及一个能够从杂草中识别农作物的彩色视觉系统[63]。Freitas等使用扩展卡尔曼滤波来融合转向编码器和激光距离两种传感器数据，更新通过点和线特征的检测来实现轮式机器人在果园中的定位[64]。He等根据果园图像的特点，使用水平投影方法动态地识别主要的树干区域，借助于最小二乘法来提取树干行线[65]。为使车辆有效地避开障碍物，韩永华等针对基于颜色或高度信息的农田障碍物检测方法仅能实现部分障碍物检测的缺点，提出了基于频率信息的障碍物检测方法[66]。周俊等通过连续采集两帧图像，提取其特征点并加以匹配；然后利用对应特征点在图像间的运动特征来检测运动障碍目标[67]。李盛辉等提出了一种基于全景视觉的运动障碍目标检测方法。与传统的单目和双目视觉相比，全景视觉具有360°无盲区检测的优点。首先系统使用多线程技术采集多目视觉图像，并用改进RANSAC-SIFT算法进行特征点提取与匹配，进而拼接全景视觉图像；其次采用改进的CLG光流法处理全景图像，检测运动障碍目标。试验表明：基于多线程技术和改进RANSAC-SIFT的全景拼接算法，与传统SIFT算法相比，平均提高特征点匹配准确度25.6%，加快运算速度25.0%;采用改进CLG光流法进行运动障碍检测，平均检测时间为1.55s，检测成功率为95.0%[68]。2.2导航控制技术农业机械导航控制技术主要包括横向控制和纵向控制。其中，纵向控制为速度控制，农业机械作业时一般速度不高，而且速度的变化范围小，所以在导航控制研究中往往把研究的重点放在横向控制上。横向控制是指车辆的转向控制，而转向控制的重点在于导航控制器的设计。导航控制器可以将农业车辆的位置信息与规划路径相比较得到的偏差信号发送给转向控制机构，通过转向操作机构控制农业机械按照理想路径运行。目前，设计这类导航控制器的方法主要包括：智能控制方法、PID的控制方法、最优控制方法、预瞄控制方法、预测控制方法等。

　　在智能控制当中，使用较多的为神经网络控制和模糊控制。通过模拟人的智能行为，神经网络控制和模糊控制在不需要精确数学模型的情况下就能解决不确定性、非线性问题[69]。陈军等将神经网络控制技术应用于农用车辆的自动行驶控制中，使控制器具有良好的自学习功能，提高了控制器的环境适应能力和现场处理能力。在牧草地上的实车实验结果表明：农用车辆沿直线路径自动行驶时，95%的偏差绝对值小于5cm[70]。Noguchi等使用神经网络和遗传算法为农业移动机器人进行路径规划，其中神经网络描述的模拟器被用来生成路径，遗传算法被作为优化方法，使用转向角度的时间序列作为控制的输入被优化[71]。Toda等利用模糊逻辑控制机器人的转向，转向控制系统所能提供的直线跟踪结果中的位置标准转向误差为16.3mm，方向误差为2.2°[54]。李逃昌等提出了一种基于模糊自适应纯追踪模型的农业机械路径跟踪方法。该方法基于纯追踪模型进行农业机械路径跟踪控制，采用模糊自适应控制在线自适应地确定纯追踪模型中的前视距离，提高了路径跟踪的精度。农业机械的路径跟踪实验结果表明，路径跟踪的最大误差不超过10cm，平均误差小于5cm[72]。

　　PID控制以其算法简单、可靠性高、鲁棒性好、调整方便而在工程界中广泛应用。Yin等利用PID控制器来决定农业车辆的合适速度[23]。罗锡文等在东方红X404拖拉机的DGPS自动导航控制系统的开发中，也使用了基于PID算法的导航控制最优控制理论是现代控制理论的重要组成部分，它所研究的对象是控制系统，核心是针对一个控制系统，寻求控制策略，使系统在某种意义上是最优的。陈军等利用车辆运动学模型，根据最优控制理论设计了拖拉机自动行走控制器[73]。Vougioukas等为自主农业车辆设计了两阶段最优运动规划算法[74]。Dong等进行了差速驱动农业机器人作物行引导系统的时间最优控制，田地实验表明该方法能达到的精度[75]。