沈 躍 張亞飛 劉 慧 何思偉 馮 瑞 萬亞連

(江蘇大學(xué)電氣信息工程學(xué)院, 鎮(zhèn)江 212013)

0 引言

近年來,隨著我國農(nóng)業(yè)生產(chǎn)領(lǐng)域的機械化水平不斷提高,農(nóng)業(yè)機械對自動控制技術(shù)的要求越來越高。自動控制技術(shù)在農(nóng)業(yè)機械中的應(yīng)用對現(xiàn)代農(nóng)業(yè)生產(chǎn)有著突破性的影響。此外,自動控制技術(shù)在農(nóng)業(yè)機械領(lǐng)域的應(yīng)用推廣有利于實現(xiàn)農(nóng)業(yè)裝備生產(chǎn)作業(yè)智能化和可持續(xù)發(fā)展。

田間自動導(dǎo)航和作業(yè)機構(gòu)自動控制是智能農(nóng)機的兩個基本功能。自動導(dǎo)航能夠?qū)崿F(xiàn)自主感知定位和自主運動控制[1-3],運動控制根據(jù)運動規(guī)劃輸出和實時反饋的農(nóng)機行駛狀態(tài)來控制底盤速度與轉(zhuǎn)向執(zhí)行器的動作,使農(nóng)機穩(wěn)定、平滑、精確地跟蹤目標(biāo)作業(yè)路徑;作業(yè)機構(gòu)自動控制能夠根據(jù)不同作業(yè)需求及農(nóng)藝標(biāo)準實時調(diào)整作業(yè)機構(gòu)。兩者相結(jié)合最終高質(zhì)、高效地完成自動導(dǎo)航作業(yè)任務(wù)。因此,自動控制技術(shù)可以實現(xiàn)農(nóng)業(yè)機械的無人化自動作業(yè),減少人力投入,降低勞動成本,進一步提高農(nóng)業(yè)生產(chǎn)效益。同時,自動控制技術(shù)作為農(nóng)機自動導(dǎo)航作業(yè)的核心,其性能直接影響自動作業(yè)的效率與質(zhì)量。

近年來,智能農(nóng)機自動控制技術(shù)已經(jīng)成為農(nóng)機行業(yè)的研發(fā)熱點[4]。相比于無人駕駛汽車,自動導(dǎo)航作業(yè)農(nóng)機不僅需要在更加復(fù)雜和不可預(yù)測的農(nóng)業(yè)環(huán)境中行進,還需要完成繁重的作業(yè)任務(wù)。同時,農(nóng)機自身的大延遲和大慣性等特點也給其運動控制及作業(yè)控制帶來了一定的挑戰(zhàn)。因而具有很強的理論研究意義和工程應(yīng)用價值。國內(nèi)外學(xué)者在這個領(lǐng)域開展了大量的研究工作[5-7]。本文首先闡述包括速度控制、轉(zhuǎn)向控制的自動導(dǎo)航農(nóng)機底盤運動控制技術(shù)的研究進展;然后概述目前應(yīng)用在自主導(dǎo)航農(nóng)機領(lǐng)域的路徑跟蹤運動控制方法;其次總結(jié)不同生產(chǎn)作業(yè)環(huán)節(jié)的智能農(nóng)機作業(yè)機構(gòu)的控制方法及多機協(xié)同作業(yè)控制方法;在此基礎(chǔ)上提出對自動導(dǎo)航農(nóng)機控制技術(shù)的發(fā)展展望,為相關(guān)領(lǐng)域的研究者提供參考。

1 智能農(nóng)機速度與轉(zhuǎn)向控制

1.1 農(nóng)機速度控制

速度控制是農(nóng)機自動導(dǎo)航運動控制中至關(guān)重要的一環(huán)。速度控制系統(tǒng)能夠根據(jù)農(nóng)機及其作業(yè)機具的工作狀態(tài)來控制底盤行駛速度,是實現(xiàn)農(nóng)機自主作業(yè)的重要基礎(chǔ)。此外,速度控制效果對農(nóng)機導(dǎo)航控制和變量作業(yè)控制也有著至關(guān)重要的影響[8]。

美國凱斯紐荷蘭工業(yè)集團在2016年展示了兩款無人駕駛概念拖拉機,如圖1所示。這兩款無人駕駛拖拉機可以自動計算作業(yè)幅寬、完成路徑規(guī)劃、實現(xiàn)作業(yè)過程精準控制,通過操作員實現(xiàn)遠程控制,同時兩款拖拉機均采用CVT無級變速箱,可以實現(xiàn)準確的速度控制[9]。

FOSTER等[10]基于靜液壓傳動自走式割曬機(圖2)對電磁閥電流、液壓油缸位置和割曬機速度等系統(tǒng)進行了分析,該系統(tǒng)采用數(shù)字反饋系統(tǒng)實現(xiàn)了割曬機速度閉環(huán)控制,提出未來的工作需要考慮滑轉(zhuǎn)率對速度控制的影響。KAYACAN等[11]設(shè)計了一款自動駕駛拖拉機(圖3),其速度控制器通過控制比例閥來實現(xiàn)縱向控制,并設(shè)計了基于模型預(yù)測控制的軌跡跟蹤控制器,輸出為前輪所需的轉(zhuǎn)向角和目標(biāo)速度值,設(shè)計了PI控制器來控制轉(zhuǎn)向機構(gòu),設(shè)計了PID控制器來實現(xiàn)速度控制,場地試驗表明,速度控制誤差為0.04 m/s,可滿足無人作業(yè)需求。

圖2 靜液壓自走式割曬機Fig.2 Hydrostatic self-propelled sun-cutting machine

圖3 自動駕駛拖拉機Fig.3 Self-driving tractor

朱忠祥團隊[12]基于雷沃拖拉機設(shè)計了油門自動控制裝置,基于增量式PID控制算法設(shè)計了速度控制器,并在水泥路上進行了目標(biāo)速度分別為2、3、4 m/s的試驗,試驗結(jié)果顯示速度跟蹤精度為0.2 m/s,基本滿足導(dǎo)航作業(yè)要求。王卓等[13]設(shè)計了雷沃拖拉機油門踏板調(diào)節(jié)機構(gòu),然后建立了拖拉機縱向動力學(xué)模型,并設(shè)計了滑模變結(jié)構(gòu)控制器,提升了速度控制系統(tǒng)的魯棒性。沈躍團隊[14]基于自研的新型四輪獨立電驅(qū)動自轉(zhuǎn)向噴霧機,首先建立了噴霧機底盤運動學(xué)模型,并分別設(shè)計上層輪速分配控制器和下層輪速跟蹤控制器,場地試驗表明,速度波動最大為0.2 m/s,能夠滿足噴霧機作業(yè)需求。

胡靜濤團隊[15-16]分析了洋馬插秧機(圖4)變速機構(gòu)的工作原理,根據(jù)插秧機的工作特點和速度要求,設(shè)計了與GPS導(dǎo)航系統(tǒng)相配合的插秧機速度控制系統(tǒng),然后將變論域方法應(yīng)用到模糊PID控制器設(shè)計中,在水泥路面的試驗結(jié)果表明,所提出的控制算法對插秧機行駛速度控制是可行的,提高了插秧機行駛速度的自適應(yīng)能力。

圖4 洋馬插秧機Fig.4 Yanmar rice transplanter

羅錫文團隊[17]設(shè)計了基于CAN總線的插秧機手自一體變速和作業(yè)執(zhí)行機構(gòu),將油門和變速踏板固定,將兩變量耦合為單變量,方便實現(xiàn)速度控制,設(shè)計了專家PID控制算法,以GNSS速度信號作為反饋,實現(xiàn)了井關(guān)插秧機(圖5)的速度控制。在水泥路面和水田中的試驗結(jié)果表明,速度平均誤差分別為0.019 5 m/s和0.032 4 m/s,可滿足插秧機實際作業(yè)需求。

陳進等[18]基于碧浪4LZ-2.0型全喂入聯(lián)合收獲機設(shè)計了手自一體的調(diào)速機構(gòu),并采用灰色預(yù)測模糊控制的方法根據(jù)負荷情況調(diào)節(jié)車速。湯碧翔[19]通過現(xiàn)場實驗采集的數(shù)據(jù)和現(xiàn)場控制經(jīng)驗,設(shè)計了滾筒轉(zhuǎn)速和車速的計算模型,實現(xiàn)了速度控制。崔建弘等[20]針對聯(lián)合收獲機速度控制的滯后問題,進行了行走機構(gòu)的優(yōu)化設(shè)計,設(shè)計了車速模糊控制器,并進行了仿真和試驗,結(jié)果表明此控制器響應(yīng)精度較高、調(diào)節(jié)速度較快。王新等[21]建立了以收獲機作業(yè)質(zhì)量、作業(yè)效率和能效利用率為控制目標(biāo)的收獲機作業(yè)速度控制模型。

苗中華團隊[22]針對4MZ5型采棉機作業(yè)速度對采棉效率的影響問題,提出了一種基于模糊PID控制技術(shù)的實時調(diào)整算法,該算法能夠建立行走速度調(diào)節(jié)模型,實現(xiàn)采棉機作業(yè)速度的最優(yōu)控制。在該算法中,通過實時獲取棉花在線流量,并約束負荷梯度堵塞條件,將模糊算法和常規(guī)PID控制相結(jié)合。同時應(yīng)用模糊規(guī)則和推理方法對PID參數(shù)進行在線整定,實時調(diào)節(jié)行走速度,從而實現(xiàn)作業(yè)速度的最優(yōu)控制。

1.2 農(nóng)機轉(zhuǎn)向控制

線控液壓轉(zhuǎn)向系統(tǒng)具有轉(zhuǎn)向力矩大、控制精度高、響應(yīng)速度快等優(yōu)點,是農(nóng)業(yè)機械的主要轉(zhuǎn)向執(zhí)行機構(gòu)[23]。由于農(nóng)機轉(zhuǎn)向系統(tǒng)在實際行駛過程中會受到車體狀態(tài)、路面狀況等因素的干擾,造成車輛產(chǎn)生轉(zhuǎn)向誤差[24]。線控液壓轉(zhuǎn)向控制策略的主要研究目的就是設(shè)計合適的轉(zhuǎn)向控制器提高車輛的轉(zhuǎn)向性能。

QIU等[25]針對采用電控液壓轉(zhuǎn)向系統(tǒng)的農(nóng)業(yè)拖拉機設(shè)計了一種基于模糊策略的轉(zhuǎn)向控制器,并在農(nóng)用拖拉機上進行了場地試驗,試驗結(jié)果表明該模糊轉(zhuǎn)向控制器能夠控制拖拉機實現(xiàn)快速、準確的轉(zhuǎn)向控制。ACARMAN等[26]利用滑模控制理論的魯棒性與電控液壓轉(zhuǎn)向系統(tǒng)的結(jié)構(gòu)特性,采用頻率成形線性二次型調(diào)節(jié)器作為內(nèi)環(huán)控制器,在消除高頻、高增益方向盤轉(zhuǎn)矩的同時,跟蹤滑模控制器產(chǎn)生的期望方向盤轉(zhuǎn)角,試驗證明觀測器的有效性以及控制器的良好跟蹤性能。LEE等[27]以加裝了電控液壓轉(zhuǎn)向系統(tǒng)的東洋物產(chǎn)TX803型拖拉機為試驗平臺,使用比例前饋控制算法對轉(zhuǎn)向油缸進行控制,試驗結(jié)果表明該控制器能夠提高拖拉機在直線和轉(zhuǎn)彎過程中的控制性能。

魯植雄等[28]針對電液轉(zhuǎn)向系統(tǒng)中單桿腔轉(zhuǎn)向油缸的非對稱性,設(shè)計了一種基于雙通道PID的轉(zhuǎn)向控制器,實驗證明該控制器能夠減小轉(zhuǎn)向油缸非對稱性帶來的影響。江浩斌等[29]針對電控液壓轉(zhuǎn)向系統(tǒng)中電液比例換向閥參數(shù)不確定性問題,設(shè)計了一種基于自適應(yīng)動態(tài)面的控制器,通過仿真試驗證明該控制器能夠滿足車輛轉(zhuǎn)向要求。

藺素宏等[30]針對農(nóng)機中電控液壓轉(zhuǎn)向系統(tǒng)易受到轉(zhuǎn)向力干擾的問題進行了研究,設(shè)計了一種基于負載力觀測器前饋補償?shù)淖顑?yōu)狀態(tài)反饋控制器,實驗證明該控制器能夠有效抑制轉(zhuǎn)向力擾動帶來的影響,提高轉(zhuǎn)向控制精度。賈全等[31]針對拖拉機實際作業(yè)時轉(zhuǎn)向系統(tǒng)易受非線性干擾的問題,設(shè)計了一種基于自適應(yīng)補償機制的滑?？刂破?試驗結(jié)果表明該控制器可以快速地跟蹤期望角度且超調(diào)量較小。

XU等[32]針對拖拉機作業(yè)過程中路面不平整干擾的影響,提出了一種分層多回路魯棒控制架構(gòu),包括路徑跟蹤層、角度跟蹤層和電流跟蹤層。路徑跟蹤層由考慮不確定性和干擾的模型預(yù)測控制器構(gòu)成,角度跟蹤層采用考慮電液耦合系統(tǒng)參數(shù)不確定性和干擾的滑?？刂破?。其設(shè)計為跟隨路徑跟蹤層產(chǎn)生的目標(biāo)角度,輸出跟蹤力矩。電流跟蹤層采用PID控制器設(shè)計,實現(xiàn)對角度跟蹤層輸出轉(zhuǎn)矩的跟蹤。最后進行了仿真測試和硬件在環(huán)測試,結(jié)果表明所提出的分層多回路魯棒控制架構(gòu)具有更好的抗干擾性能及動態(tài)穩(wěn)定性。

2 農(nóng)機自動導(dǎo)航跟蹤控制

路徑跟蹤控制是農(nóng)業(yè)機械實現(xiàn)自動導(dǎo)航控制的核心技術(shù),特別是如何實現(xiàn)復(fù)雜農(nóng)業(yè)環(huán)境下高精度路徑跟蹤是保證農(nóng)機高質(zhì)、高效完成相關(guān)作業(yè)任務(wù)的基礎(chǔ)。

但農(nóng)機路徑跟蹤控制在復(fù)雜環(huán)境下的應(yīng)用面臨諸多挑戰(zhàn):首先,農(nóng)機底盤是一個復(fù)雜的非線性耦合系統(tǒng),容易受到系統(tǒng)不確定性和外界干擾等不利因素的影響。此外,農(nóng)機在作業(yè)過程中還會受到田間道路的環(huán)境約束以及執(zhí)行機構(gòu)的飽和約束。因此,無人農(nóng)機高精度的運動控制需要充分考慮建模誤差、參數(shù)擾動等系統(tǒng)不確定性以及外部干擾的影響。目前常用的自動導(dǎo)航農(nóng)機路徑跟蹤控制方法主要包括:基于幾何模型的控制方法、基于運動學(xué)模型的控制方法及無模型智能控制方法。

2.1 基于幾何模型的控制

2.1.1純跟蹤控制

純跟蹤控制具有穩(wěn)定性高、實現(xiàn)簡單、容易調(diào)參、算力要求低等優(yōu)點,廣泛應(yīng)用于作業(yè)速度相對較低的農(nóng)業(yè)機械自動導(dǎo)航控制[33]。如圖6所示,純跟蹤算法基于幾何原理的計算方法,通過將自身位置與預(yù)瞄距離處期望位置的橫向誤差轉(zhuǎn)化為橫向控制量,然后設(shè)計比例控制器控制車輪轉(zhuǎn)向角實現(xiàn)對期望路徑的跟蹤,車輛轉(zhuǎn)彎半徑與方向盤轉(zhuǎn)角存在一一對應(yīng)的關(guān)系。

圖6 純跟蹤算法幾何原理Fig.6 Geometric principle of pure tracking algorithm

為了使車輛后輪跟蹤圓弧虛線到達前視距離為ld的參考路徑目標(biāo)點G,需要滿足幾何關(guān)系

(1)

化簡得到

(2)

為滿足轉(zhuǎn)向半徑為R,由阿克曼轉(zhuǎn)向模型得到前輪轉(zhuǎn)向角的控制律為

(3)

式中α——車身與預(yù)瞄點夾角

δf——前輪目標(biāo)轉(zhuǎn)向角

l——車身軸距

通過上述推導(dǎo)可以看出,前視距離ld決定了目標(biāo)點的選擇,前視距離過小會使農(nóng)機行駛路徑產(chǎn)生振蕩,而過大則會導(dǎo)致農(nóng)機上線對行速度降低,進而影響田間作業(yè)效果,因此很多學(xué)者針對前視距離的選擇問題做了很深入的研究。胡靜濤團隊[34]利用模糊規(guī)則在線自適應(yīng)地確定純追蹤模型中的前視距離,提高了插秧機路徑跟蹤的精度。張聞宇等[35]提出了一種基于支持向量回歸(Support vector regression,SVR)逆向模型的拖拉機導(dǎo)航純追蹤控制方法,較常規(guī)純追蹤模型導(dǎo)航方法具有更好的直線追蹤性能。李革等[36]和FU等[37]將農(nóng)機作業(yè)實時作業(yè)速度與目標(biāo)路徑曲率加入到前視距離的關(guān)系式中,自適應(yīng)改變前視距離,顯著提高了純跟蹤算法的精度,尤其在跟蹤曲線時。YANG等[38]根據(jù)農(nóng)機運動學(xué)模型建立尋找最優(yōu)目標(biāo)點的評價函數(shù),自適應(yīng)地調(diào)整前視距離,與傳統(tǒng)純跟蹤算法相比,提升了超過20%的路徑跟蹤精度。

前視距離的影響因素有很多,如車輛速度、跟蹤精度、控制頻率、車輛穩(wěn)定性和路徑曲率等。以上研究雖取得了一些進展,但仍有一些問題需要解決。前視距離與上述眾多因素的關(guān)系難以描述導(dǎo)致前視距離最優(yōu)值很難獲取。此外,純追蹤算法是基于簡單的幾何學(xué)模型,并未考慮車輛動力學(xué)特性和轉(zhuǎn)向執(zhí)行器動態(tài)特性。高速下轉(zhuǎn)向曲率的快速變化易使車輛產(chǎn)生側(cè)滑,系統(tǒng)模型與實際車輛特性相差較大會導(dǎo)致跟蹤性能惡化,因此純追蹤算法多適用于較低車速和小側(cè)向加速度下的農(nóng)機作業(yè)場景。

2.1.2Stanley控制

Stanley控制方法[39]同樣基于幾何原理,根據(jù)前軸中心控制點到參考路徑上最近的目標(biāo)點的側(cè)向位移偏差、航向角偏差和前輪轉(zhuǎn)角偏差設(shè)計前輪轉(zhuǎn)向角反饋控制律,該控制器可以保證側(cè)向位移誤差ye指數(shù)收斂到0。圖7為Stanley算法幾何原理圖。

圖7 Stanley算法幾何原理Fig.7 Geometric principle of Stanley algorithm

由圖7中幾何關(guān)系可得

δf=δe+θe

(4)

式中δe——前輪速度方向與目標(biāo)點切線方向所呈夾角

θe——車身與目標(biāo)點航向偏差

顯然,δe滿足

(5)

其中d與車速v正相關(guān),k為正系數(shù),有

(6)

式中d——前視距離

結(jié)合式(4),最終得到前輪轉(zhuǎn)向角的控制律為

(7)

通過式(7)可以看出,Stanley控制不需要確定前視距離,但其控制性能受可調(diào)參數(shù)k值影響較大。SNIDER[40]通過仿真對比分析表明,Stanley算法相比于純追蹤控制算法更適用于相對更高車速的行駛工況,但是對期望路徑的平滑程度要求較高,在道路曲率光滑性不理想的情況下容易出現(xiàn)車輛響應(yīng)超調(diào)過大的問題。魏新華團隊[41]為實現(xiàn)農(nóng)業(yè)機械全田塊高效自主作業(yè),以橫向偏差和航向偏差為輸入變量構(gòu)建隸屬度函數(shù),設(shè)計模糊推理和解模糊化過程實時確定控制模型增益系數(shù),提高了該算法對不同曲率路徑的自適應(yīng)能力。WANG等[42]將拖拉機偏航率添加到Stanley算法中,然后利用多種群遺傳算法對擴展后的Stanley算法參數(shù)進行優(yōu)化,明顯提高了自動導(dǎo)航拖拉機對目標(biāo)路徑的跟蹤能力?；趲缀文Ｐ偷牟煌刂品椒ǖ谋容^如表1所示。

表1 基于幾何模型的控制方法Tab.1 Control method based on geometric model

2.2 基于運動學(xué)模型的控制

農(nóng)機運動學(xué)模型能夠描述農(nóng)機的位置與姿態(tài)信息。因此,基于農(nóng)機運動學(xué)模型設(shè)計的路徑跟蹤控制方法不僅精度更高而且可以進行性能優(yōu)化,但基于農(nóng)機運動學(xué)模型的控制精度十分依賴于所建立數(shù)學(xué)模型的精度與復(fù)雜度。自行車模型具有精度高而且模型參數(shù)簡單的優(yōu)點,是目前應(yīng)用最為廣泛的運動學(xué)模型,基于該模型得到如圖8所示農(nóng)機路徑跟蹤偏差模型,進而在此基礎(chǔ)上設(shè)計路徑跟蹤控制方法。

圖8 農(nóng)機路徑跟蹤偏差模型Fig.8 Path tracking deviation model of agricultural machinery

基于簡化的阿克曼自行車模型,得到路徑跟蹤偏差數(shù)學(xué)模型[43]

(8)

式中s——目標(biāo)路徑的曲線坐標(biāo)

c(s)——目標(biāo)路徑曲率

路徑跟蹤控制器的設(shè)計目標(biāo)為

(9)

2.2.1PID控制

PID控制方法[44]主要是對農(nóng)機反饋的車輛位姿等信息做偏差處理,并通過比例、積分、微分進行線性組合構(gòu)成控制量,從而對被控對象進行控制,其控制框圖如圖9所示。

圖9 PID控制框圖Fig.9 PID control block diagram

PID控制通過對差值進行比例、積分和微分運算后輸出控制參數(shù)。其計算公式為

(10)

式中KP——比例系數(shù)Ti——積分系數(shù)

Td——微分系數(shù)e——跟蹤偏差

基于運動學(xué)模型得到路徑跟蹤偏差公式為

e=αye+βθe

(11)

式中α——橫向偏差系數(shù)

β——航向偏差系數(shù)

PID算法由于無需建立精確模型,算法簡單易實現(xiàn),但其參數(shù)調(diào)整比較困難,因此有許多學(xué)者將現(xiàn)代智能化算法如模糊算法[45-46]、神經(jīng)網(wǎng)絡(luò)算法[47-49]等與PID算法進行結(jié)合,自適應(yīng)地調(diào)節(jié)PID參數(shù),進而提升控制系統(tǒng)的性能。

2.2.2LQR控制

LQR控制是一種全狀態(tài)反饋控制結(jié)構(gòu),通過構(gòu)造系統(tǒng)未來時間段的狀態(tài)量變化和執(zhí)行器輸入量的二次代價函數(shù),得到總成本最低的增益矩陣,從而得到期望的控制序列,其控制框圖如圖10所示。

圖10 LQR控制框圖Fig.10 LQR control block diagram

LQR控制算法易于設(shè)計,但當(dāng)目標(biāo)作業(yè)路徑曲率變化較大時,會導(dǎo)致跟蹤性能下降,因此往往需要結(jié)合其他控制算法如前饋控制[50-52]來進行無誤差跟蹤。呂安濤等[53]建立了拖拉機跟蹤直線行駛時的運動學(xué)與動力學(xué)模型,分別對基于這兩種模型的拖拉機自動駕駛LQR控制方法進行了研究,并驗證了該算法用于農(nóng)機自主導(dǎo)航的可行性。韓科立等[54]為提高自動導(dǎo)航拖拉機工作效率和作業(yè)質(zhì)量,設(shè)計了基于速度和轉(zhuǎn)向角的雙參數(shù)最優(yōu)控制算法,并進行了田間試驗,驗證了所設(shè)計控制器的可靠性。胡靜濤團隊[55]提出了一種與行駛速度無關(guān)的農(nóng)機路徑跟蹤方法,建立了空間參數(shù)驅(qū)動的非線性相對運動學(xué)模型,然后對此模型進行反饋線性化和最優(yōu)控制設(shè)計,得到了一種與速度無關(guān)的農(nóng)機路徑跟蹤控制律。最后進行了實車的路徑跟蹤實驗,驗證了該方法的有效性和對速度變化的魯棒性。

2.2.3模型預(yù)測控制

模型預(yù)測控制(MPC)是一種實時的閉環(huán)優(yōu)化控制方法。如圖11所示,該算法的優(yōu)點主要是反復(fù)在線進行,不斷獲取當(dāng)前最優(yōu)控制量,同時還具有系統(tǒng)地考慮預(yù)測信息和處理多約束的能力,能夠滿足農(nóng)機執(zhí)行機構(gòu)和車輪側(cè)滑等約束條件[56]。隨著相關(guān)理論的完善和計算技術(shù)的發(fā)展,模型預(yù)測控制的實時性得到了提升,使得其在農(nóng)機運動控制領(lǐng)域得到了學(xué)者的廣泛關(guān)注[57-62]。

圖11 模型預(yù)測控制框圖Fig.11 Model predictive control block diagram

為提升MPC的控制穩(wěn)定性與魯棒性,GRAF等[57]提出了一種考慮農(nóng)機轉(zhuǎn)向及執(zhí)行機構(gòu)輸出約束的線性時變MPC方法,并通過實車試驗驗證了該方法可以提高路徑跟蹤精度。沈躍團隊[61]提出了一種模糊自適應(yīng)模型預(yù)測控制方法,通過實時誤差模糊自適應(yīng)地調(diào)整預(yù)測時長,并應(yīng)用于無人噴霧機試驗,驗證了該方法在田間不確定性干擾工況下具有一定的魯棒性。張萬枝等[62]提出一種基于線性時變模型預(yù)測控制的路徑跟蹤方法,設(shè)計系統(tǒng)控制量、控制增量和狀態(tài)量約束條件,并將目標(biāo)函數(shù)求解轉(zhuǎn)為帶約束的二次規(guī)劃問題;采用內(nèi)點法進行求解,實現(xiàn)優(yōu)化控制,并分別進行了導(dǎo)航坐標(biāo)系下的直線和圓形路徑跟蹤試驗,驗證了所提出方法可以提高農(nóng)業(yè)車輛導(dǎo)航路徑自動跟蹤精度。

值得注意的是,MPC跟蹤性能對線性化過程產(chǎn)生的誤差較為敏感,同時線性化預(yù)測模型會削弱控制器對參考路徑曲率突變和航向突變的響應(yīng)能力[63]。因此,為進一步提升MPC控制算法的性能,有學(xué)者直接基于農(nóng)機非線性模型設(shè)計了非線性MPC控制器并應(yīng)用于自動導(dǎo)航農(nóng)機的實際作業(yè)中[64-65]。KAYACAN等[64]針對自主導(dǎo)航拖拉機-掛車系統(tǒng)中拖車易滑移影響路徑跟蹤精度的問題,提出了一種獨立分布式非線性MPC方法,通過非線性滾動時域估計(NMHE)方法實時觀測系統(tǒng)狀態(tài)參數(shù),進而獲得更高的系統(tǒng)預(yù)測精度,實車試驗結(jié)果表明,該方法可以保證低于3.5 cm的跟蹤誤差。劉正鐸等[65]為提高農(nóng)用車輛路徑跟蹤性能,提出一種基于非線性模型預(yù)測的路徑跟蹤控制方法,該方法將路徑跟蹤問題轉(zhuǎn)換為求解滿足速度、轉(zhuǎn)角約束的最優(yōu)值問題,采用梯度計算解決非線性的約束優(yōu)化,通過實時反饋與滾動優(yōu)化實現(xiàn)控制器的閉環(huán)校正,最后與線性MPC的對比試驗表明:非線性MPC的跟蹤橫向偏差降低了36.8%,縱向偏差降低了32.98%。

2.2.4自適應(yīng)控制

自適應(yīng)控制方法是一種針對未知或變化的系統(tǒng)參數(shù)和外部干擾的控制方法[66]。在農(nóng)機自動導(dǎo)航控制中具有廣泛的應(yīng)用前景,可以根據(jù)農(nóng)機在農(nóng)田中的實時反饋信息,自動調(diào)整控制器的參數(shù)或結(jié)構(gòu),進而增強農(nóng)機對作業(yè)環(huán)境的適應(yīng)性,提高作業(yè)精度。自適應(yīng)控制器的總體結(jié)構(gòu)如圖12所示。

圖12 自適應(yīng)控制框圖Fig.12 Adaptive control block diagram

自適應(yīng)控制器采用Backstepping方法進行設(shè)計,基于Lyapunov穩(wěn)定原理,實現(xiàn)對未知參數(shù)的實時估計[67]。ZHANG等[68]針對傳統(tǒng)控制方法在多樣復(fù)雜農(nóng)業(yè)環(huán)境下路徑跟蹤控制容易超調(diào)的問題,提出了一種模糊自適應(yīng)控制方法,并基于所開發(fā)的農(nóng)機導(dǎo)航算法仿真平臺驗證了該方法的有效性。NAVEED等[69]針對車輛動力學(xué)模型參數(shù)不確定性影響路徑跟蹤精度的問題,提出了一種模型參考自適應(yīng)方法,并通過試驗驗證了該方法能夠克服動態(tài)模型存在的不確定性問題。沈躍團隊[70]為提高農(nóng)機在水田泥濘濕滑等工況下的作業(yè)精度,采用農(nóng)機擴展模型,設(shè)計自適應(yīng)控制算法,實時估計并補償滑移參數(shù),提高了農(nóng)機滑移情況下的路徑跟蹤精度。

2.2.5滑?？刂?/p>

滑模控制本質(zhì)上是一類特殊的非線性控制,具有快速響應(yīng)、對參數(shù)變化及擾動不靈敏、無需系統(tǒng)在線辨識、物理實現(xiàn)簡單等優(yōu)點[71]?；谑?8)所示的路徑跟蹤誤差模型改寫為

(12)

其中

式中x1、x2——系統(tǒng)狀態(tài)量

a、b——系統(tǒng)參數(shù)

u——控制輸入

d1、d2——外部不確定性擾動

定義滑模面為

s=x2+cx1

(13)

對滑模面求導(dǎo)并令其為

(14)

式中k——控制增益d(t)——外部干擾

c——擾動增益

最后得到控制輸入為

u=-b-1(x1,x2)(a(x1,x2)+cx2+ksgn(s))

(15)

滑?？刂朴捎谄洳贿B續(xù)的開關(guān)特性將引起抖動,降低控制系統(tǒng)抖動是目前該方法的研究熱點與難點。YIN等[72]引入了一個可調(diào)參數(shù),根據(jù)系統(tǒng)誤差自適應(yīng)地調(diào)節(jié)滑模面,進而減少抖振現(xiàn)象。牛雪梅等[73]為有效解決滑?？刂乒逃械亩墩駟栴},提出一種加權(quán)增益趨近律算法,在該趨近律的積分項中引入負的加權(quán)值,可有效避免當(dāng)系統(tǒng)狀態(tài)不在滑模切換時的切換增益的增大,使得控制器輸出量平滑,并實現(xiàn)了噴藥移動機器人平穩(wěn)的路徑跟蹤控制。此外,針對農(nóng)田中存在不確定性干擾導(dǎo)致農(nóng)機運動學(xué)模型理論精度失效,從而使路徑跟蹤收斂時間長、跟蹤效果較差等問題,很多學(xué)者[74-76]將非線性干擾觀測器與不同的SMC相結(jié)合,在提升了控制系統(tǒng)魯棒性的同時降低了滑?？刂频亩墩瘛６〕康萚77]基于未知擾動項的路徑跟蹤偏差模型,利用自適應(yīng)控制和改進的加密積分技術(shù),構(gòu)造自適應(yīng)二階滑模路徑跟蹤控制方法,仿真結(jié)果表明該方法可以保證農(nóng)用拖拉機能快速且穩(wěn)定地跟蹤上任意彎曲的參考路徑?；谶\動學(xué)模型不同控制方法的比較如表2所示。

表2 基于運動學(xué)模型的控制方法Tab.2 Control method based on kinematic model

2.3 無模型智能控制

2.3.1基于模糊規(guī)則的控制

模糊控制屬于智能控制范疇,在處理具有環(huán)境位置、負載變化等不確定因素的場景中具有較強的優(yōu)勢,如圖13所示,其思想是利用人類專家控制經(jīng)驗來克服農(nóng)機自動導(dǎo)航中的非線性和不確定因素帶來的不利影響。另外,模糊控制不依賴于對象的數(shù)學(xué)模型具有較強的魯棒性[78],其控制框圖如圖13所示。

圖13 模糊控制框圖Fig.13 Fuzzy control block diagram

張漫團隊[79]構(gòu)建了自動導(dǎo)航模糊控制器,并詳細闡述了基于模糊控制的自動轉(zhuǎn)向方法。劉剛團隊[80]為提高拖拉機自動導(dǎo)航的精度和穩(wěn)定性,提出了一種基于遺傳算法的自適應(yīng)模糊控制方法,采用遺傳算法在線優(yōu)化模糊控制規(guī)則以及輸出比例因子,既保留了傳統(tǒng)模糊控制的優(yōu)點,又有效改善了系統(tǒng)的控制品質(zhì),并通過田間試驗證明了該方法可以迅速消除跟蹤誤差。DE SOUSA等[81]提出了一種基于模糊規(guī)則的行為組合和協(xié)調(diào)方法,實現(xiàn)了復(fù)雜環(huán)境下農(nóng)機對行作物跟蹤,提高了農(nóng)機對不同農(nóng)業(yè)環(huán)境的適應(yīng)性。

2.3.2基于神經(jīng)網(wǎng)絡(luò)的控制

由于完整的農(nóng)機數(shù)學(xué)模型存在很多無法測得的動力學(xué)參數(shù),因此基于農(nóng)機數(shù)學(xué)模型的控制方法存在固有的理論精度偏差。如圖14所示,神經(jīng)網(wǎng)絡(luò)具備精確逼近非線性函數(shù)的能力,該方法利用神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)系統(tǒng)的數(shù)學(xué)模型,從而實現(xiàn)對農(nóng)機的控制。需要注意的是,基于神經(jīng)網(wǎng)絡(luò)控制方法的關(guān)鍵在于神經(jīng)網(wǎng)絡(luò)的訓(xùn)練,訓(xùn)練數(shù)據(jù)的質(zhì)量和數(shù)量對神經(jīng)網(wǎng)絡(luò)的性能有重要影響[82]。此外,目前無法從理論上證明神經(jīng)網(wǎng)絡(luò)控制方法的收斂性,在實際應(yīng)用過程中需要考慮實時性和穩(wěn)定性等問題[83]。

圖14 神經(jīng)網(wǎng)絡(luò)原理圖Fig.14 Neural network schematic

陳軍等[84]將神經(jīng)網(wǎng)絡(luò)控制技術(shù)應(yīng)用于農(nóng)業(yè)車輛的自動行駛控制中,使得控制器具有良好的自學(xué)習(xí)功能,提高了控制器的環(huán)境適應(yīng)能力和現(xiàn)場處理能力。在牧草地上的實車實驗結(jié)果表明:車輛沿直線路徑自動行駛時,95%的偏差絕對值小于5 cm。白曉鴿[85]針對拖拉機運行環(huán)境的復(fù)雜性和不確定性,利用模糊控制不需要建立被控對象精確數(shù)學(xué)模型的特點以及神經(jīng)網(wǎng)絡(luò)可以在線學(xué)習(xí)的特點,設(shè)計了車輛自動行走控制模糊神經(jīng)網(wǎng)絡(luò)控制器。在模糊神經(jīng)網(wǎng)絡(luò)控制的基礎(chǔ)上,用遺傳算法對控制器進行了優(yōu)化。試驗結(jié)果驗證了所設(shè)計的控制器的控制效果較好,且穩(wěn)定性高,可以滿足拖拉機自動直線行走的要求。

2.3.3基于強化學(xué)習(xí)的控制

強化學(xué)習(xí)(Reinforcement learning)是一種機器學(xué)習(xí)方法,通過與環(huán)境交互并利用收集的數(shù)據(jù)和獎勵機制來學(xué)習(xí)最優(yōu)控制策略,控制框圖如圖15所示。強化學(xué)習(xí)同樣獨立于特定模型,可以解決復(fù)雜的非線性控制系統(tǒng)。隨著信息技術(shù)的發(fā)展,深度強化學(xué)習(xí)已成為解決自動駕駛車輛導(dǎo)航控制現(xiàn)代控制算法局限性的一種潛在方案[86]。

圖15 強化學(xué)習(xí)控制框圖Fig.15 Reinforcement learning control block diagram

邵俊愷等[87]針對無人駕駛鉸接式運輸車輛無人駕駛智能控制問題,提出了一種強化學(xué)習(xí)自適應(yīng)PID路徑跟蹤控制算法。通過強化學(xué)習(xí)算法對PID參數(shù)進行在線自適應(yīng)整定。最后實車道路試驗表明,相比于傳統(tǒng)PID控制器,強化學(xué)習(xí)自適應(yīng)PID控制器顯著減小了超調(diào)和振蕩,能夠有效地優(yōu)化系統(tǒng)動態(tài)性能和穩(wěn)態(tài)誤差性能。LI等[88]基于深度強化學(xué)習(xí)理論,設(shè)計了農(nóng)業(yè)機械的自主路徑跟蹤控制策略,并通過室內(nèi)室外兩個場景進行了在線實驗?zāi)M。實驗結(jié)果表明,強化學(xué)習(xí)算法能夠?qū)崿F(xiàn)未知環(huán)境中農(nóng)業(yè)機械的自動導(dǎo)航,可以使農(nóng)機學(xué)會避免障礙及更快到達目的地,進而提高作業(yè)穩(wěn)定性和路徑跟蹤性能,為后續(xù)的實際應(yīng)用奠定了理論基礎(chǔ)研究。MARTINI等[89]針對葡萄園中由于遮擋等原因無法獲得精確定位信息的問題,基于強化學(xué)習(xí)提出了一種能夠解決葡萄果園環(huán)境下農(nóng)機位置未知的自主導(dǎo)航策略,通過大量的實驗證明了強化學(xué)習(xí)方案可以安全地引導(dǎo)農(nóng)機通過看不見的直行和彎曲的葡萄園作物行產(chǎn)生相當(dāng)穩(wěn)定的中心軌跡。不同無模型智能控制方法的比較如表3所示。

表3 無模型智能控制方法Tab.3 Model-free intelligent control method

3 農(nóng)機作業(yè)機構(gòu)控制

3.1 犁旋作業(yè)機構(gòu)控制

犁旋作業(yè)是播種前重要的農(nóng)業(yè)生產(chǎn)環(huán)節(jié),穩(wěn)定的犁旋深度可以改善土壤的結(jié)構(gòu)和質(zhì)量,促進作物的生長和發(fā)育,提高作物的產(chǎn)量和質(zhì)量。

ZHOU等[90]針對由于地表不平整和田間存在殘茬,難以維持穩(wěn)定的耕深,導(dǎo)致耕作質(zhì)量不穩(wěn)定,后期作物生長不均勻等問題,采用RTK-GNSS測量拖拉機實時高度和橫滾角,并設(shè)計變增益單神經(jīng)元PID控制算法,根據(jù)控制效果實時調(diào)整增益K,使旋耕機(圖16)的高度可以實時跟隨田間起伏而調(diào)整。田間試驗表明,當(dāng)拖拉機-旋耕機系統(tǒng)作業(yè)速度約為0.61 m/s時,變增益單神經(jīng)元PID算法能有效提高作業(yè)深度和埋茬穩(wěn)定性。

圖16 旋耕機作業(yè)Fig.16 Rotary tiller operation

丁為民團隊[91]為了解決犁旋一體機作業(yè)過程中調(diào)節(jié)機具問題,設(shè)計了一種犁旋一體機自動調(diào)平系統(tǒng),該系統(tǒng)包括執(zhí)行機構(gòu)、控制系統(tǒng)、液壓系統(tǒng)。根據(jù)犁旋一體機自身的特點,提出了一種根據(jù)實際田間作業(yè)情況確定調(diào)平角度范圍的方法。田間對照試驗表明,自動調(diào)平犁旋一體機(圖17)相對于手動調(diào)平犁旋一體機,在耕深的穩(wěn)定性和耕后地表平整度上有較為明顯的提高,前者耕深穩(wěn)定系數(shù)達到87.31%,后者為84.76%。前者地表平整度為1.97 cm,后者為2.56 cm。

圖17 犁旋一體機作業(yè)Fig.17 Plough rotary machine operation

3.2 平地作業(yè)機構(gòu)控制

平地作業(yè)可以將農(nóng)田表面的高低起伏、雜草和殘留物清理干凈,使土地平整、通透,進而提高產(chǎn)量和改善土壤質(zhì)量。

趙祚喜團隊[92]為使水田激光平地機(圖18)的平地鏟在受到干擾偏離水平位置時能夠迅速恢復(fù)水平,設(shè)計了基于角速度與偏差角度的非線性PID控制器的平地鏟調(diào)平控制系統(tǒng),使平地鏟零角速度漸近回到水平位置,實現(xiàn)零超調(diào),提高了平地機水平控制精度和穩(wěn)定性。測試結(jié)果表明,水平控制系統(tǒng)響應(yīng)迅速,實現(xiàn)了平地鏟漸進逼近水平位置的控制效果,超調(diào)小,穩(wěn)態(tài)誤差趨于零,平地鏟基本控制在水平位置±1°以內(nèi),平地鏟工作穩(wěn)定。

圖18 激光平地機作業(yè)Fig.18 Laser grader operation

羅錫文團隊[93]為了使農(nóng)機具在田間作業(yè)時保持水平,設(shè)計了一種農(nóng)機具自動調(diào)平控制系統(tǒng)(圖19)。采用拖拉機橫向傾角卡爾曼濾波算法融合加速度計和陀螺儀2個傳感器數(shù)據(jù)獲得拖拉機實時傾斜角度,直線位移傳感器測量調(diào)平液壓油缸伸長量并建立農(nóng)機具和拖拉機的相對傾斜角度轉(zhuǎn)換函數(shù),通過控制電磁換向閥實現(xiàn)農(nóng)機具水平控制。并在田間對農(nóng)機具自動調(diào)平系統(tǒng)進行了試驗,結(jié)果表明,自動調(diào)平控制系統(tǒng)能較好地實現(xiàn)平地鏟調(diào)平控制,平地鏟傾斜角度平均絕對誤差0.52°,均方根誤差0.24°,最大誤差1.15°,相對于原水田激光平地機水平控制系統(tǒng)控制精度提高了0.5°,有效提升了農(nóng)機具作業(yè)質(zhì)量。

圖19 水田平地機作業(yè)Fig.19 Paddy field grader operation

3.3 播種作業(yè)機構(gòu)控制

精量播種技術(shù)可以避免因過度施肥、水資源濫用等造成的浪費,降低了農(nóng)業(yè)生產(chǎn)成本,是機械化、規(guī)模化種植實現(xiàn)節(jié)本增效的重要途徑之一。

丁友強等[94]針對傳統(tǒng)玉米精量播種機(圖20)高速作業(yè)時因地輪打滑、鏈條跳動易造成播種粒距增大、粒距均勻性下降等問題,設(shè)計了基于GPS測速的電驅(qū)式玉米精量播種機控制系統(tǒng),根據(jù)GPS提供的速度信息實時調(diào)節(jié)排種器轉(zhuǎn)速,從而實現(xiàn)排種器轉(zhuǎn)速與拖拉機前進速度的實時匹配。試驗結(jié)果表明,在相同株距、相同作業(yè)速度下,GPS測速方式的變異系數(shù)小于編碼器測速方式,且GPS測速方式的播種粒距合格指數(shù)和變異系數(shù)受作業(yè)速度的影響更小。

圖20 玉米精量播種機作業(yè)Fig.20 Corn precision seeder operation

廖慶喜團隊[95]針對傳統(tǒng)油菜精量直播機(圖21)多采用被動式地輪驅(qū)動排種器,高速時地輪易打滑,導(dǎo)致漏播、斷條等現(xiàn)象,影響高速作業(yè)精量播種效果等問題,采用地輪編碼器和北斗接收器兩種模式分別獲取拖拉機低速和中高速作業(yè)時的前進速度,主控器分析各傳感器數(shù)據(jù)并生成電機控制指令驅(qū)動閉環(huán)步進電機帶動排種軸轉(zhuǎn)動,實現(xiàn)排種軸轉(zhuǎn)速與拖拉機前進速度匹配及無級播量調(diào)節(jié)。田間試驗結(jié)果表明:作業(yè)速度為1.4～7.99 km/h時播量誤差小于3.9%、粒距合格率不低于84%,滿足隨速播種要求。

圖21 油菜精量直播機作業(yè)Fig.21 Rape precision direct seeding machine operation

3.4 收割作業(yè)機構(gòu)控制

收割作業(yè)中割臺高度控制可以使收割機在不同作物和地形上能夠保持適當(dāng)?shù)母钆_高度,避免割臺過低或過高,從而影響收割效率和作物品質(zhì)[96]。

宮元娟等[97]針對國內(nèi)現(xiàn)有甘蔗收獲機(圖22)無法對割臺高度實施自動控制的問題,建立了割臺高度控制參數(shù)模型,運用PID控制算法,有效地實現(xiàn)收獲機割臺高度的精確控制,進一步提升了甘蔗收獲機自動化水平和工作性能。田間試驗結(jié)果表明,收獲機在安裝割臺隨動控制系統(tǒng)后,割臺隨地形起伏變化而變化,使破頭率降低,平均破頭率為21%,通過與人工控制收獲試驗對比,平均破頭率下降18.5個百分點。

圖22 甘蔗收獲機作業(yè)Fig.22 Sugarcane harvester operation

羅錫文團隊[98]針對再生稻收割時水田泥腳深淺不一,收獲時割臺高度上下浮動,留茬高度難以保證,嚴重影響再生季產(chǎn)量等問題,設(shè)計了一種模糊PID控制方法對自適應(yīng)仿形割臺進行高度和水平控制,并通過所搭建的割臺試驗平臺(圖23)進行性能試驗。結(jié)果表明,相比于傳統(tǒng)PID控制方法,模糊PID控制方法具有更好的動態(tài)性能與更小的穩(wěn)態(tài)誤差,割臺調(diào)整迅速,定位準確度高,可滿足再生稻頭季收獲使用需求。

圖23 自適應(yīng)仿形水稻割臺Fig.23 Self-adaptive profiling rice header

李耀明團隊[99]提出了一種基于魯棒反饋線性化的割臺高度控制策略,首先建立了割臺結(jié)構(gòu)的動力學(xué)數(shù)學(xué)模型,然后選取液壓控制機構(gòu),根據(jù)控制液壓輸出的電流參數(shù)設(shè)計為基于魯棒反饋線性化控制系統(tǒng)的控制器,并進行了場地試驗,結(jié)果表明,在不同行駛速度、地形正弦振幅和地形周期條件下,魯棒反饋線性化控制下的高度誤差均小于傳統(tǒng)的PID控制,而且魯棒反饋線性化控制下的高度誤差受行駛速度增加的影響小于傳統(tǒng)的PID控制。

3.5 植保作業(yè)機構(gòu)控制

植保作業(yè)是農(nóng)作物生長過程中的重要管理環(huán)節(jié),高效的植保作業(yè)可以減少農(nóng)藥和化肥的使用,降低對環(huán)境的污染和破壞,促進農(nóng)業(yè)的可持續(xù)發(fā)展[100-101]。

目前,高地隙自走式噴桿噴霧機是田間施藥機械的主要機型,但田間地表不平整以及噴桿桿臂展長、柔性大等特點導(dǎo)致噴桿末端大幅抖動,發(fā)生噴桿接觸或拍打作物甚至末端觸地的狀況,進而嚴重影響植保作業(yè)質(zhì)量與作業(yè)安全性[102]。為此,印祥等[103]基于所設(shè)計的機電液一體化調(diào)平機構(gòu)(圖24),采用增量式PID算法控制調(diào)平油缸動作,實時調(diào)節(jié)噴桿在橫滾方向上的姿態(tài),然后通過場地試驗確定了噴桿自調(diào)平參數(shù)的最優(yōu)組合,最后田間試驗結(jié)果表明,調(diào)平誤差最大值為1.53°,調(diào)平后角度保持在1°以內(nèi)。周志艷等[104]融合地面機械高續(xù)航、載重大和無人機不受地形地貌限制等優(yōu)點,設(shè)計了一種旋翼懸浮式噴桿(圖25),并對所設(shè)計的自動調(diào)平控制系統(tǒng)進行了辨識和建模,然后以“陀螺儀+激光雷達”為噴桿姿態(tài)傳感器,設(shè)計了模糊PID控制算法,最后田間試驗表明,噴桿各點離地高度標(biāo)準差不大于0.102 7 m,具有較好的水平度,驗證了旋翼懸浮式噴桿作業(yè)方法的可行性。

圖24 噴霧機噴桿調(diào)平作業(yè)Fig.24 Sprayer boom leveling operation

圖25 旋翼懸浮式噴桿調(diào)平作業(yè)Fig.25 Rotor suspended boom leveling operation

3.6 多機協(xié)同作業(yè)控制

農(nóng)機多機協(xié)同作業(yè)通過多臺農(nóng)業(yè)機械協(xié)同作業(yè)以提高農(nóng)業(yè)生產(chǎn)效率和降低農(nóng)業(yè)生產(chǎn)成本,是未來智慧農(nóng)業(yè)發(fā)展的必然趨勢。

羅錫文團隊[105]針對主從導(dǎo)航收獲卸糧作業(yè)中作業(yè)車輛縱向相對位置控制需求和拖車驅(qū)動系統(tǒng)非線性度高的問題,利用協(xié)同系統(tǒng)幾何關(guān)系得出縱向相對位置偏差的平行協(xié)同模型,并基于動力學(xué)原理和位速耦合控制方法設(shè)計了縱向相對位置控制器。通過面積辨識方法獲取車速系統(tǒng)傳遞函數(shù),建立仿真模型進行控制器參數(shù)全因子仿真優(yōu)化試驗。與傳統(tǒng)PD方法進行仿真對比試驗,結(jié)果表明該研究方法的最優(yōu)參數(shù)適應(yīng)性優(yōu)于傳統(tǒng)PD,協(xié)同精度能夠滿足收獲協(xié)同卸糧(圖26)的作業(yè)要求。此外,還提出了一種基于有限狀態(tài)機的水稻收獲機與轉(zhuǎn)運車協(xié)同作業(yè)策略,解決了作業(yè)環(huán)節(jié)多、糧食轉(zhuǎn)運過程復(fù)雜等問題[106]。該策略通過設(shè)計觸發(fā)條件、評估方法和執(zhí)行流程等基礎(chǔ)模塊,建立狀態(tài)信息矩陣,并設(shè)計狀態(tài)轉(zhuǎn)移鏈,構(gòu)建了協(xié)同作業(yè)分時復(fù)用控制邏輯框架。通過Stateflow軟件進行仿真分析,并在履帶式水稻收獲轉(zhuǎn)運雙機協(xié)同試驗系統(tǒng)上進行試驗,結(jié)果表明該策略可以提升收獲效率,實現(xiàn)水稻收獲/卸糧轉(zhuǎn)運自主作業(yè)(圖27)。

圖26 主從導(dǎo)航收獲卸糧作業(yè)Fig.26 Master-slave navigation harvest unloading operation

圖27 水稻收獲機與轉(zhuǎn)運車協(xié)同作業(yè)Fig.27 Rice harvester and transfer vehicle working together

胡靜濤團隊[107]為實現(xiàn)面向聯(lián)合收獲機群協(xié)同導(dǎo)航的作業(yè)需求,提出了一種基于領(lǐng)航-跟隨結(jié)構(gòu)的收獲機群協(xié)同導(dǎo)航控制方法。該方法基于收獲機群運動學(xué)模型,結(jié)合反饋線性化及滑?？刂评碚?設(shè)計了漸進穩(wěn)定的路徑跟蹤控制律和隊形保持控制律。以由4臺收獲機組成的收獲機群為試驗平臺(圖28),進行了機群協(xié)同導(dǎo)航控制試驗。當(dāng)速度為1.0 m/s時,領(lǐng)航者的平均跟蹤誤差為5.81 cm,跟隨者的平均跟蹤誤差為5.93 cm,與單臺收獲機的導(dǎo)航控制精度相近。

圖28 聯(lián)合收獲機群協(xié)同導(dǎo)航Fig.28 Cooperative navigation of combined harvester group

徐廣飛等[108]針對實際環(huán)境中由于農(nóng)業(yè)作業(yè)過程的作業(yè)量以及土壤條件的變化等不確定性因素導(dǎo)致跟隨協(xié)同作業(yè)響應(yīng)慢、控制困難等問題,搭建了跟隨農(nóng)機硬件平臺(圖29),并提出了一種農(nóng)機跟隨分層控制架構(gòu),搭建了農(nóng)機田間作業(yè)下的縱向跟隨動力學(xué)模型,并以間距保持、速度跟隨、燃油經(jīng)濟性、加速度跟隨性能為目標(biāo),進行基于MPC算法的上層控制器推導(dǎo),基于前饋以及PI反饋的控制器作為下層控制,在保證干擾不確定性以及干擾噪聲的同時,提高跟隨農(nóng)機的響應(yīng)能力。田間試驗結(jié)果表明,速度誤差控制在-0.291 32～0.180 01 m/s,穩(wěn)定跟隨距離誤差為0.45 m,具有良好的跟隨效果。

圖29 跟隨農(nóng)機硬件平臺Fig.29 Following agricultural machinery hardware platform

MA等[109]考慮真實工況下土壤阻力、執(zhí)行機構(gòu)延遲、環(huán)境變化、速度波動等內(nèi)外部因素導(dǎo)致的農(nóng)機響應(yīng)慢、速度不穩(wěn)定等問題,提出了一種考慮變負載和控制延遲的農(nóng)機跟隨控制系統(tǒng)。以保持距離、速度跟隨和加速度跟隨為參數(shù),推導(dǎo)了控制器模型,詳細分析了模型參數(shù)的不同取值對農(nóng)機行駛穩(wěn)定性的影響。最后進行了實車驗證試驗,結(jié)果表明在保持期望車距的基礎(chǔ)上,運糧車速度能夠跟上作物收獲機速度的變化,在道路工況下運糧車速度能夠跟上作物收獲機速度的變化,驗證了所提方法的有效性和可行性。

4 展望

(1)構(gòu)建更加精準的農(nóng)機數(shù)學(xué)模型。目前,農(nóng)業(yè)機械自動導(dǎo)航路徑跟蹤控制器所使用的大部分模型相較于實際過于理想化,忽略了農(nóng)機底盤運動的動力學(xué)特性進而產(chǎn)生模型誤差和不確定性擾動。此外,農(nóng)機作業(yè)工況惡劣復(fù)雜,農(nóng)機跟蹤運動控制研究須從常規(guī)工況向極限工況拓展,需要考慮不同農(nóng)業(yè)應(yīng)用場景等多工況下底盤的運動特性,利用動力學(xué)建模與系統(tǒng)參數(shù)在線辨識等方法,分析非線性因素影響以及縱/側(cè)/垂多維運動耦合作用機理,構(gòu)建高保真且便于控制實現(xiàn)的農(nóng)機底盤數(shù)學(xué)模型。

(2)考慮復(fù)雜農(nóng)機場景的先進底盤運動控制技術(shù)。目前對于農(nóng)業(yè)機械底盤速度控制及轉(zhuǎn)向控制的深入研究還不夠充分,特別是在國內(nèi),主要采用傳統(tǒng)的PID控制方法,缺乏對于被控對象特性和外界干擾因素的系統(tǒng)分析。因此,需要進一步建立農(nóng)業(yè)機械底盤運動控制的數(shù)學(xué)模型,并結(jié)合不同的作業(yè)方式和應(yīng)用工況,探索更多的智能控制算法。在保證控制精度的同時,提高系統(tǒng)的魯棒性,以滿足農(nóng)機在實際作業(yè)過程中的需求。

(3)結(jié)合環(huán)境感知與路徑規(guī)劃的控制技術(shù)。當(dāng)前,控制律未充分考慮農(nóng)機執(zhí)行機構(gòu)特性輸出造成農(nóng)機無法跟隨目標(biāo)路徑,進而引發(fā)跟蹤控制、行駛穩(wěn)定性、避障多目標(biāo)沖突等問題。因此,農(nóng)機運動控制算法必須結(jié)合環(huán)境感知和路徑規(guī)劃來提高整個系統(tǒng)的性能。比如利用MPC處理系統(tǒng)多變量和約束的優(yōu)勢,進行局部規(guī)劃和控制的集成設(shè)計,結(jié)合實時感知和預(yù)測信息,研究考慮環(huán)境不確定性的運動規(guī)劃與控制集成方法,提高自動導(dǎo)航農(nóng)機行駛安全與作業(yè)效率。

(4)AI與控制理論深度融合的自動控制技術(shù)。隨著控制理論、機器學(xué)習(xí)理論、深度學(xué)習(xí)理論和無人駕駛車載處理器計算能力的并行發(fā)展,AI技術(shù)在汽車自動駕駛領(lǐng)域取得了巨大成功。為適應(yīng)不同的農(nóng)業(yè)生產(chǎn)環(huán)節(jié)和應(yīng)用場景,重新思考控制、優(yōu)化和學(xué)習(xí)的內(nèi)在關(guān)聯(lián),將AI融合應(yīng)用到農(nóng)業(yè)裝備控制領(lǐng)域是重要的發(fā)展方向,在提高農(nóng)業(yè)生產(chǎn)效率、降低能源消耗等方面具有很大的潛力。

(5)農(nóng)機農(nóng)藝相結(jié)合的作業(yè)控制與多機協(xié)同控制技術(shù)。農(nóng)藝是農(nóng)業(yè)機械作業(yè)的理論基礎(chǔ),未來農(nóng)機作業(yè)控制要與農(nóng)藝相結(jié)合,控制策略的設(shè)計要充分考慮農(nóng)業(yè)作業(yè)環(huán)境及多機作業(yè)任務(wù)復(fù)雜性的特點,結(jié)合先進控制算法提高作業(yè)機構(gòu)控制精度,更好地為農(nóng)藝服務(wù)。此外,設(shè)計控制策略時還要考慮多變的農(nóng)藝規(guī)范,進一步促進農(nóng)機農(nóng)藝協(xié)調(diào)發(fā)展。