孟志軍 王 昊 付衛(wèi)強 劉孟楠 尹彥鑫 趙春江,3

(1.北京市農(nóng)林科學(xué)院智能裝備技術(shù)研究中心, 北京 100097; 2.智能農(nóng)業(yè)動力裝備全國重點實驗室, 北京 100097;3.國家農(nóng)業(yè)智能裝備工程技術(shù)研究中心, 北京 100097)

0 引言

隨著人工智能、大數(shù)據(jù)、物聯(lián)網(wǎng)等前沿技術(shù)的快速發(fā)展,農(nóng)業(yè)生產(chǎn)方式從機械化向自動化、智能化迅速邁進。智慧農(nóng)業(yè)已成為各國現(xiàn)代農(nóng)業(yè)科技競爭的制高點、未來農(nóng)業(yè)發(fā)展的新業(yè)態(tài)[1]。發(fā)展智慧農(nóng)業(yè)是貫徹落實我國“四化同步”國家戰(zhàn)略、加快轉(zhuǎn)變農(nóng)業(yè)發(fā)展方式和推進農(nóng)業(yè)現(xiàn)代化建設(shè)的迫切需要,對建設(shè)數(shù)字中國、實施鄉(xiāng)村振興戰(zhàn)略、推進農(nóng)業(yè)高質(zhì)量發(fā)展具有重要意義。隨著工業(yè)化與城鎮(zhèn)化的不斷推進,我國農(nóng)業(yè)生產(chǎn)面臨勞動力短缺和老齡化的嚴峻挑戰(zhàn),農(nóng)業(yè)勞動力成本日趨增高,未來“誰來種地”問題日益凸顯,“機器換人”的需求日趨增加[2]。

農(nóng)業(yè)裝備自動駕駛是機器換人完成大田農(nóng)業(yè)生產(chǎn)任務(wù)的重要途徑[3-4]。早在20世紀(jì)60年代,國外學(xué)者就已經(jīng)開始了農(nóng)業(yè)裝備自動駕駛技術(shù)的研究。隨著高精度衛(wèi)星導(dǎo)航定位系統(tǒng)的普及和智能網(wǎng)聯(lián)汽車技術(shù)的進步,國內(nèi)外農(nóng)業(yè)裝備自動駕駛技術(shù)和相關(guān)的產(chǎn)品研發(fā)也實現(xiàn)快速迭代。目前具有自動駕駛功能的智能農(nóng)業(yè)裝備研發(fā)采用的通用系統(tǒng)架構(gòu)如圖1所示。傳統(tǒng)農(nóng)業(yè)裝備通過搭載傳感器、控制器和執(zhí)行機構(gòu)等裝置,融合高精度地圖及定位、自動控制和信息通信等技術(shù),能夠自動進行路徑規(guī)劃、導(dǎo)航避障、作業(yè)控制等一系列操作,已經(jīng)有效地減輕農(nóng)民在大田生產(chǎn)耕、種、管、收、運等環(huán)節(jié)的作業(yè)強度。

圖1 農(nóng)業(yè)裝備自動駕駛系統(tǒng)架構(gòu)Fig.1 System architecture of unmanned agricultural machinery

本文從環(huán)境感知、工況感知、決策規(guī)劃、橫向控制和縱向控制等方面對農(nóng)業(yè)裝備自動駕駛技術(shù)進行探討,分析作為典型的非道路車輛的農(nóng)業(yè)機械在半結(jié)構(gòu)化的農(nóng)田場景實現(xiàn)自動駕駛所面臨的難點和挑戰(zhàn)。結(jié)合大田農(nóng)業(yè)生產(chǎn)的典型應(yīng)用分析農(nóng)業(yè)裝備自動駕駛技術(shù)的發(fā)展趨勢,為相關(guān)研究提供參考和借鑒,促進農(nóng)業(yè)裝備自動駕駛技術(shù)的發(fā)展和推廣應(yīng)用。

1 農(nóng)業(yè)裝備自動駕駛關(guān)鍵技術(shù)

農(nóng)業(yè)裝備自動駕駛的核心技術(shù)包括智能感知、決策規(guī)劃和執(zhí)行控制。智能感知是指農(nóng)業(yè)裝備利用車載傳感器探測和監(jiān)控機組工況及周圍環(huán)境信息。根據(jù)感知對象的不同,農(nóng)業(yè)裝備自動駕駛智能感知研究主要包括環(huán)境感知與工況感知兩方面。通過對外界環(huán)境的感知可以實現(xiàn)車輛作業(yè)目標(biāo)和障礙物的檢測,通過車輛工況的感知可以實現(xiàn)車輛位置姿態(tài)、執(zhí)行機構(gòu)和控制器的運行狀態(tài)監(jiān)測,對保障作業(yè)安全和作業(yè)質(zhì)量具有重要意義。決策規(guī)劃是指根據(jù)感知信息進行車輛行走和作業(yè)的狀態(tài)切換和路徑規(guī)劃。執(zhí)行控制指通過對電機、液壓系統(tǒng)等執(zhí)行機構(gòu)的控制,實現(xiàn)農(nóng)業(yè)裝備作業(yè)過程中橫向(方向)控制和縱向(速度)控制及其組合對農(nóng)業(yè)裝備運動狀態(tài)和作業(yè)質(zhì)量的調(diào)整和控制。

1.1 環(huán)境感知

自動駕駛農(nóng)業(yè)裝備在復(fù)雜農(nóng)田環(huán)境下自主行走與作業(yè)控制,首先要對周邊的作業(yè)環(huán)境進行在線感知與分析,通常環(huán)境感知技術(shù)主要用于地塊邊界識別、動靜態(tài)障礙物識別以及目標(biāo)跟蹤與識別等任務(wù)。目前,農(nóng)業(yè)裝備自動駕駛系統(tǒng)環(huán)境感知常用的傳感器如表1所示。不同的傳感器具有各自的特點與應(yīng)用場景,通過對不同傳感器進行標(biāo)定、對齊實現(xiàn)融合感知,能夠彌補單一傳感器的不足,達到更好的效果。

1.1.1地塊邊界檢測

農(nóng)田地塊邊界信息是保障無人農(nóng)業(yè)裝備精準(zhǔn)作業(yè)的重要數(shù)據(jù),可以用于導(dǎo)航地圖的路徑規(guī)劃和電子圍欄的設(shè)定。目前農(nóng)田地塊邊界信息感知主要有基于遙感圖像或人工打點方式的作業(yè)前離線數(shù)據(jù)采集和基于車載傳感器數(shù)據(jù)融合的作業(yè)中實時感知兩種方式。

人工打點即人工駕駛農(nóng)機利用高精度衛(wèi)星定位裝置采集地塊邊界的坐標(biāo)信息,是當(dāng)前農(nóng)業(yè)裝備自動駕駛產(chǎn)品獲取農(nóng)田邊界的主要方法[14]。該方法在小地塊表現(xiàn)出了良好的精度和魯棒性,然而對于面積較大或內(nèi)部含有多個固定障礙物的農(nóng)田場景,該方法的經(jīng)濟性和采集效率較低,不具有實用性。

基于遙感圖像的農(nóng)田邊界識別是指通過高分辨率或無人機遙感進行圖像采集獲取農(nóng)田地塊信息[15]。在高分辨率衛(wèi)星圖像中,分辨率通?？梢赃_到亞米級,然而對于自動駕駛農(nóng)業(yè)裝備來說,這一精度難以滿足自動駕駛農(nóng)業(yè)裝備精準(zhǔn)作業(yè)的要求。無人機低空遙感的圖像分辨率可達到厘米級[16],滿足農(nóng)田邊界、道路、溝渠等地物識別的精度要求?；谶吘墮z測算子、頻率特征法、閾值法與分水嶺法等傳統(tǒng)邊緣檢測算法易于實現(xiàn),能夠準(zhǔn)確反映邊緣特征較為明顯的地物輪廓,可以用于簡單場景的農(nóng)田邊界檢測[17-19]。WANG等[20]提出基于GrabCut的農(nóng)田圖像分割方法,通過簡單的人機交互實現(xiàn)多個農(nóng)田邊界信息的提取。隨著人工智能的發(fā)展,越來越多研究者[21-23]采用卷積神經(jīng)網(wǎng)絡(luò)算法提取農(nóng)田邊界。雖然卷積神經(jīng)網(wǎng)絡(luò)表現(xiàn)出良好的檢測效果,但神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練通常需要大量的標(biāo)注樣本,同時模型的遷移能力還需進一步提升。

為了實現(xiàn)農(nóng)田邊界的在線感知,有研究者在農(nóng)機裝備上加裝單目視覺、雙目視覺、毫米波雷達等單一或多個傳感裝置[24-25]。基于單目視覺采集的農(nóng)田圖像運用顏色梯度、Hough變換、隨機樣本一致性RANSAC等圖像處理算法能夠?qū)崿F(xiàn)農(nóng)田區(qū)域的識別,并不能明確農(nóng)田邊界的距離信息。王僑等[26]和洪梓嘉等[27]均采用了車載雙目立體視覺的方案進行車輛前方農(nóng)田邊界的實時感知。張巖等[12]通過相機與毫米波雷達融合方式,利用視覺檢測田埂形狀以幫助毫米波雷達消除干擾信息,最終得到了農(nóng)機前方田埂距離與高度信息?；谝曈X的農(nóng)田地塊邊界提取通常存在兩個難點:一方面,光照、陰影與極端天氣會影響地塊邊界識別的準(zhǔn)確性;另一方面,部分農(nóng)田周邊雜草叢生,地塊內(nèi)外邊界不明顯,容易造成邊界識別不完整的問題。

1.1.2障礙物檢測

障礙物檢測是保障農(nóng)業(yè)裝備安全駕駛的基本功能[28]。農(nóng)田中障礙物主要分為地面障礙物與負障礙物兩大類,地面障礙物中包含了電線桿、土坡、石塊、草垛等靜態(tài)物體與人、牲畜、其他農(nóng)機車輛等動態(tài)物體。而負障礙物主要是指溝渠、深坑等低于路面影響作業(yè)和通行的地物。在障礙物檢測工作中,主要手段為通過視覺相機、雷達等傳感器對障礙物進行特征提取[29]。

基于視覺的自動駕駛農(nóng)業(yè)裝備通常采用被動測量與結(jié)構(gòu)光兩種方式檢測田間障礙物[30-31]。結(jié)構(gòu)光相機普遍安裝在農(nóng)機前方,基于障礙物外觀、幀間差分方式與立體匹配法檢測障礙物。基于外觀的障礙物檢測從連續(xù)圖像中獲取所有目標(biāo)邊緣、顏色、紋理或形狀等特征判斷是否符合障礙物[32]。如果存在運動目標(biāo),則連續(xù)的幀和幀之間會有明顯的變化?；趲g差分法能夠檢測出視覺范圍內(nèi)的運動物體。而立體匹配法能夠得到目標(biāo)的深度與輪廓[33-34]。陳斌等[35]在農(nóng)業(yè)裝備頂部搭載全景相機獲取其周圍360°的圖像信息,并提出了一種改進YOLO v3-tiny目標(biāo)檢測模型,實現(xiàn)了田間行人和其他農(nóng)機的實時檢測與識別。MATTHIES等[9]提出了基于熱紅外信息感知的負障礙物檢測方法,通過地面與負障礙物內(nèi)部的溫度差,標(biāo)記潛在的負障礙物的位置。

激光雷達與毫米波雷達是自動駕駛領(lǐng)域主要的主動探測傳感器。激光雷達包括二維激光雷達與三維激光雷達,將采集的點云數(shù)據(jù)進行濾波與聚類便可得到障礙物的位置。尚業(yè)華等[11]設(shè)計了一套基于三維激光雷達的田間障礙物檢測算法,該算法首先對點云數(shù)據(jù)進行降采樣,分割出地面與障礙物的點云,最后對障礙物點云進行歐氏聚類,得到障礙物數(shù)量與外接長方體體積。毫米波雷達相較于三維激光雷達具有成本低、探測距離遠等優(yōu)點,同時具有不受雨雪等極端天氣影響的特點,主要應(yīng)用于檢測田間動態(tài)障礙物。

單一傳感器在感知方面會受到自身條件的限制。相機可以獲得障礙物的紋理、顏色等信息,但是缺乏距離信息。激光雷達能夠準(zhǔn)確感知物體的三維結(jié)構(gòu),與相機類似,容易受到霧雪雨等天氣的影響。毫米波雷達相較于激光雷達有更長的波長,能穿透雨、雪、霧,實現(xiàn)移動物體的準(zhǔn)確測量,可用于檢測田間動態(tài)障礙物。因此基于多傳感器融合的障礙物檢測方法得到了越來越多的重視[36]。在視覺與毫米波融合方面,蔡道清[37]設(shè)計了以視覺感知為主,毫米波雷達探測為輔的農(nóng)田障礙物感知策略,視覺圖像檢測障礙物位置,毫米波雷達檢測障礙物的徑向與側(cè)向距離信息,通過將毫米波雷達與視覺進行時空間融合,得到障礙物的位置與尺寸。在視覺與激光雷達融合方面,薛金林等[30]通過對單目相機獲取的圖像進行顯著性檢測與激光雷達的數(shù)據(jù)進行聚類分析確定靜態(tài)障礙物的數(shù)量、邊界與位置,該檢測方法能夠有效排除非障礙物的干擾,實現(xiàn)障礙物的完整檢出。

多傳感器的數(shù)據(jù)融合大幅度提高了障礙物的檢測效果,與之伴隨的是計算量的提高。農(nóng)機上需要配備更強性能的圖形處理設(shè)備,這增加了自動駕駛系統(tǒng)的成本。另一方面,多種傳感器同時配置在作業(yè)場景復(fù)雜的農(nóng)業(yè)裝備上,其長時間工作的穩(wěn)定性難以保證。對比來看,具有先驗知識的高精度地圖在農(nóng)業(yè)裝備自主作業(yè)過程中能夠減少實時環(huán)境感知帶來的計算量,提高了工作的穩(wěn)定性?；谝陨峡紤],基于農(nóng)業(yè)裝備自動駕駛的農(nóng)田高精度地圖將是今后研究的重點。

1.1.3作物行檢測

作物行的精確檢測是農(nóng)業(yè)裝備在不損害作物情況下自主作業(yè)的前提[38-40]。作物行檢測應(yīng)用于農(nóng)業(yè)中的多種場景,如除草、施肥、巡檢、灌溉、植保與收獲等。與地塊邊界檢測相似,霍夫變換、頻率分析、RANSAC與神經(jīng)網(wǎng)絡(luò)等算法同樣適用于作物行檢測。與地塊邊界識別不同的是,地塊邊界的形狀與位置通常不隨農(nóng)業(yè)勞作而變化,作物與作物行寬度卻會隨著作物生長與輪換而變化,因此對不同生產(chǎn)環(huán)節(jié)都需要對作物行進行精確檢測[41]。

在衛(wèi)星定位信號失鎖或無法獲取導(dǎo)航路徑的經(jīng)緯度信息時,進行田間管理需要檢測作物行線,為車輛和機具的導(dǎo)航提供參考信息。因此,在檢測作物行線時通常需要解決作物識別、作物行線擬合和導(dǎo)航信息提取等問題。

在作物苗期,針對多條作物行,王僑等[42]基于綠色分量增強、分割閾值優(yōu)化與形態(tài)特征分析等組合方法對玉米苗期作物線進行檢測;王愛臣等[43]通過最優(yōu)閾值法對大蒜、玉米、油菜、水稻和小麥幼苗圖像進行圖像分割,利用基于區(qū)域生長均值漂移聚類法擬合不同作物苗期的作物行。由于苗期作物植株矮小,雜草對苗期作物行識別的干擾有較強的影響,基于特征點鄰域Hough變換、透視變換等方法可以有效解決雜草密度分布、光照強度和秧苗行曲率變化等因素對秧苗行檢測的影響。作物缺失同樣會影響檢測結(jié)果,李祥光等[44]限定玉米行在HSV顏色空間中的顏色范圍,并進行二值化處理,去噪后填補了作物行中的空洞。YANG等[45]針對高雜草、低光照等問題,提出了一種基于感興趣區(qū)域自主提取的作物行檢測算法。識別算法與效果如圖2所示。

圖2 基于單目視覺的玉米行檢測系統(tǒng)Fig.2 Corn row inspection system based on monocular vision

作物行檢測的另一難點在于收獲邊界的識別。由于收獲時農(nóng)業(yè)裝備容易造成一定范圍的揚塵影響視覺的檢測,少數(shù)解決方案采用基于視覺的方法,ZHANG等[46]通過立體視覺獲取農(nóng)業(yè)裝備前方小麥的三維點云,使用Otsu方法獲得的閾值提取作物面積,根據(jù)高度差區(qū)分已割與未割區(qū)域。更多研究者采用激光雷達的方式檢測作物收獲邊界。偉利國等[47]通過將灰塵與作物特征閾值比較,對受灰塵影響的錯誤數(shù)據(jù)進行有效識別與剔除。采用移動平均數(shù)字濾波算法,消除系統(tǒng)測量噪聲。通過信號階躍變化模式識別算法,實現(xiàn)了收獲邊界的在線檢測。尚業(yè)華等[11]將預(yù)處理后的點云數(shù)據(jù)分為兩類,稻麥輪廓點和背景點,然后計算每一類的中心點,以中心點之間的連線作為收獲邊界。

作物行檢測在精準(zhǔn)農(nóng)業(yè)中應(yīng)用前景廣闊。眾多研究者基于傳統(tǒng)圖像算法與機器學(xué)習(xí)算法在作物行檢測方面都做出了出色的成果。盡管如此,在作物行檢測方面仍存在一些挑戰(zhàn)。針對動態(tài)生長作物的行匹配問題與不同作物之間作物行檢測的普適算法缺少相關(guān)的研究。作物行檢測的難點不僅在于光影和雜草對作物識別的干擾,還存在于作物枝葉對檢測作物中心位置的干擾,以及作物高度對行間距計算的干擾。此外,作物行線的擬合精度和導(dǎo)航參數(shù)的優(yōu)化也是農(nóng)業(yè)裝備自動駕駛需要進一步研究的方向。

1.2 農(nóng)業(yè)裝備工況感知

農(nóng)業(yè)裝備工況感知主要分為運行工況和作業(yè)工況兩方面,這類信息直接關(guān)系到自動駕駛農(nóng)業(yè)裝備的導(dǎo)航精度與作業(yè)質(zhì)量,大多通過CAN總線或者加裝傳感器實現(xiàn)農(nóng)業(yè)裝備工況信息的采集與感知。

1.2.1運行工況感知

自動駕駛農(nóng)業(yè)裝備本體的運行工況感知主要面向發(fā)動機、轉(zhuǎn)向系、傳動系、車身、車輪等對象,包括轉(zhuǎn)矩、轉(zhuǎn)速、排放、姿態(tài)、車速、輪速、振動以及應(yīng)變等關(guān)鍵參數(shù)。

農(nóng)業(yè)裝備自動駕駛機組的運行工況信息主要分為兩種方式。一種方式是通過CAN總線直接獲取發(fā)動機、傳動系統(tǒng)、排放的實際數(shù)據(jù)以及各類ECU(Electronic control unit)故障信息,對農(nóng)業(yè)裝備的改造較小。孟志軍等[48]讀取了紐荷蘭1404型動力換擋拖拉機CAN總線的發(fā)動機轉(zhuǎn)速,并量化了油門開度與發(fā)動機轉(zhuǎn)速的線性關(guān)系,最終實現(xiàn)了輪速控制。周俊博等[49]采集20組濰柴拖拉機柴油機CAN總線上的故障數(shù)據(jù),并作為故障診斷的驗證樣本數(shù)據(jù)。楊麗麗等[50]基于沃得4LB-150AA型谷物聯(lián)合收獲機的CAN總線數(shù)據(jù),建立了發(fā)動機平均扭矩、發(fā)動機平均轉(zhuǎn)速、平均速度、加速度均值、減速度均值、加速度方差、減速度方差與油耗的油耗模型。

另外一種方式是通過加裝各類傳感器監(jiān)測拖拉機車速、輪速、車身姿態(tài)、傳動系轉(zhuǎn)矩、殼體應(yīng)變以及振動等信息。這類監(jiān)測方式對農(nóng)業(yè)裝備的改造較大,測試成本較高,但是數(shù)據(jù)獲取更直接、數(shù)據(jù)量更大。車速和輪速的監(jiān)測是拖拉機自動駕駛與作業(yè)控制的關(guān)鍵基礎(chǔ),吸引諸多學(xué)者投入其中,有學(xué)者采用旋轉(zhuǎn)編碼器、旋轉(zhuǎn)電位計和接近開關(guān)等測量元件直接或間接獲取驅(qū)動輪轉(zhuǎn)速,最終換算拖拉機前進的理論速度[51];還有學(xué)者采用五輪儀等附加裝置測量路面平整度較好工況下的拖拉機前進速度,但難以適應(yīng)地形變化[52-54];此外,部分研究人員將雷達傳感器應(yīng)用到實際車速的獲取中,提高了測量精度,但是成本較高,對農(nóng)用機械來講推廣意義小和實用性較差[55-60]。另外,也有學(xué)者在車身姿態(tài)、轉(zhuǎn)矩、應(yīng)變以及振動等運行工況信息感知方面進行了探索。齊文超等[61]采用動態(tài)傾角傳感器設(shè)計了丘陵山地拖拉機的車身姿態(tài)監(jiān)測系統(tǒng);WEN等[62]基于應(yīng)變電測法獲取了拖拉機前橋關(guān)鍵測點田間作業(yè)工況下的應(yīng)力載荷數(shù)據(jù),并研究了載荷譜加速編輯方法。溫昌凱等[63]采集了拖拉機前橋、變速箱以及后橋在試驗場模擬工況和田間實際作業(yè)工況下的實測應(yīng)力數(shù)據(jù)。

農(nóng)業(yè)裝備運行工況感知可實時監(jiān)測農(nóng)業(yè)裝備自動駕駛過程中的主機運行狀況,為主機發(fā)動機、傳動系統(tǒng)等各機構(gòu)的精準(zhǔn)控制提供基礎(chǔ)數(shù)據(jù)支撐,目前在農(nóng)業(yè)裝備自動駕駛技術(shù)領(lǐng)域是非常重要的數(shù)據(jù)源。

1.2.2作業(yè)工況感知

農(nóng)業(yè)裝備自動駕駛機組的作業(yè)工況信息主要包括懸掛系統(tǒng)牽引力、懸掛提升位置、PTO扭矩、PTO轉(zhuǎn)速以及液壓流量和壓力等信息。

針對懸掛系統(tǒng)牽引力監(jiān)測,諸多學(xué)者采用軸銷式牽引力傳感器布置于下拉桿鉸接點、懸掛點處,經(jīng)驗證可實時獲取牽引力數(shù)據(jù)[64-65]。針對液壓流量和壓力監(jiān)測,大部分學(xué)者采用流量傳感器與壓力傳感器安裝在測試點,直接獲取實測流量與壓力。針對三點懸掛提升位置監(jiān)測,YIN等[66]設(shè)計了一種基于MPU6050運動處理模塊車身姿態(tài)傳感器,實時監(jiān)測懸掛拉桿角度并計算耕作深度,田間試驗表明,耕作深度檢測誤差小于1.2 cm。謝斌等[67]將耕深傳感器固定安裝于拖拉機三點懸掛系統(tǒng)中的提升臂上拉桿或者下拉桿,結(jié)合懸掛機構(gòu)的幾何關(guān)系推算耕深,測量綜合精度可達±1.4 mm,且測量線性度高、穩(wěn)定性好。針對動力輸出軸轉(zhuǎn)矩檢測,現(xiàn)有研究大多采用無線轉(zhuǎn)矩傳感器直接測取關(guān)鍵部件作業(yè)數(shù)據(jù),閆祥海等[68]開展了沙土旋耕、沙土驅(qū)動耙、黏土旋耕和黏土驅(qū)動耙4種田間工況試驗,采用扭矩傳感器測取了東方紅LY1004型拖拉機的動力輸出軸轉(zhuǎn)矩載荷。

農(nóng)業(yè)裝備作業(yè)工況感知可實時監(jiān)測拖拉機牽引機具作業(yè)時懸掛機構(gòu)與機具實際的受載、受力情況,這一類作業(yè)工況信息的實時反饋有利于直接分析拖拉機作業(yè)時的牽引性能、牽引效率,可進一步發(fā)揮自動駕駛農(nóng)業(yè)裝備的實際作業(yè)性能,提升作業(yè)質(zhì)量和作業(yè)效率。

1.3 農(nóng)業(yè)裝備路徑規(guī)劃

農(nóng)業(yè)裝備路徑規(guī)劃以農(nóng)田位置、大小、邊界、障礙物以及農(nóng)業(yè)裝備幅寬、轉(zhuǎn)彎半徑、作業(yè)類型等基本信息為依據(jù),以最短作業(yè)時間、最小行駛距離、最低作業(yè)能耗為約束,對單臺農(nóng)業(yè)裝備在農(nóng)田地塊中的作業(yè)路徑、多臺農(nóng)業(yè)裝備協(xié)同作業(yè)路徑及農(nóng)業(yè)裝備在多個農(nóng)田地塊之間轉(zhuǎn)移路徑進行合理規(guī)劃,為農(nóng)業(yè)裝備自動駕駛提供基礎(chǔ)支撐[69-70]。

1.3.1單機農(nóng)田全覆蓋路徑規(guī)劃

農(nóng)業(yè)裝備在農(nóng)田內(nèi)部典型駕駛行為包括地頭轉(zhuǎn)彎掉頭、作業(yè)、避障,農(nóng)田全覆蓋路徑規(guī)劃主要是針對農(nóng)業(yè)裝備上述駕駛行為進行的路徑規(guī)劃。

(1)農(nóng)業(yè)裝備地頭轉(zhuǎn)彎掉頭規(guī)劃

農(nóng)業(yè)裝備地頭轉(zhuǎn)彎掉頭方式主要包括U形、梨形和魚尾形,3種轉(zhuǎn)彎掉頭方式各具特點,U形、梨形轉(zhuǎn)彎一般需要地頭預(yù)留一定的空間,魚尾形轉(zhuǎn)彎需要農(nóng)業(yè)裝備進行倒車等復(fù)雜操作,如表2所示[71-73]。由于農(nóng)田地頭環(huán)境較為復(fù)雜,農(nóng)業(yè)裝備轉(zhuǎn)彎特性也不盡相同,這些因素對農(nóng)業(yè)裝備地頭轉(zhuǎn)彎掉頭后的對行精度都有較大影響。為實現(xiàn)農(nóng)業(yè)裝備轉(zhuǎn)彎掉頭后的高精度對行,國內(nèi)外學(xué)者結(jié)合農(nóng)業(yè)裝備自身運動屬性結(jié)合地頭特征,對地頭轉(zhuǎn)彎路徑算法進行優(yōu)化。HE等[74]提出一種基于非對稱折返轉(zhuǎn)彎法的地頭轉(zhuǎn)彎路徑規(guī)劃算法,當(dāng)農(nóng)業(yè)裝備自動駕駛轉(zhuǎn)彎過程打滑時,算法根據(jù)車輛的實時位置動態(tài)規(guī)劃轉(zhuǎn)彎路徑,提高了地頭轉(zhuǎn)彎效率及精度。WANG等[75]針對Switchback turning(即魚尾形轉(zhuǎn)彎)對行精度差的問題,提出了基于數(shù)據(jù)驅(qū)動轉(zhuǎn)向模型的Circle-back轉(zhuǎn)向方法以及轉(zhuǎn)彎路徑動態(tài)優(yōu)化算法,有效提高了地頭轉(zhuǎn)彎的效率和對行精度。秦昌禮[76]為提高農(nóng)業(yè)裝備轉(zhuǎn)向后的初始精度,在Switchback turning轉(zhuǎn)向算法的基礎(chǔ)上引入了三次貝塞爾緩和曲線,進而設(shè)計出了非切線圓魚尾型轉(zhuǎn)向路徑,有效提高了地頭轉(zhuǎn)彎精度。

表2 地頭轉(zhuǎn)彎掉頭方式對比Tab. 2 Comparison of head turning algorithms

(2)農(nóng)業(yè)裝備田間作業(yè)路徑規(guī)劃

在農(nóng)業(yè)裝備田間作業(yè)路徑規(guī)劃方面,根據(jù)農(nóng)田地塊形狀、農(nóng)業(yè)裝備作業(yè)類型和農(nóng)藝約束的不同,農(nóng)業(yè)裝備作業(yè)路徑一般可分為梭行、套行和繞行3種[77],3種方式也各具特點,在應(yīng)用中需要根據(jù)實際情況進行選擇,如表3所示[78-80]。目前,農(nóng)業(yè)裝備田間作業(yè)路徑規(guī)劃方法已相對成熟,在耕作、施藥、施肥及收獲等領(lǐng)域已經(jīng)得到了初步應(yīng)用[81]。羅錫文等[82]通過采集地塊四頂點坐標(biāo),依據(jù)作業(yè)行距離信息以及地塊形狀規(guī)劃平行線路徑,并采用地頭跨行轉(zhuǎn)向的方式,實現(xiàn)了作業(yè)區(qū)域的全覆蓋。KHAJEPOUR等[83]結(jié)合帶有容量約束的弧路徑方法(CARP)對農(nóng)業(yè)裝備田間路徑規(guī)劃算法進行了優(yōu)化,有效提高了農(nóng)業(yè)裝備全覆蓋路徑規(guī)劃效率。WANG等[84]針對不規(guī)則農(nóng)田自主作業(yè)過程路徑規(guī)劃效率低、通過性不強等問題,提出一種改進的魚尾形地頭轉(zhuǎn)彎路徑規(guī)劃方法,配合梭行作業(yè)模式,有效提升了不規(guī)則地塊有限地頭空間轉(zhuǎn)彎的對行精度和作業(yè)效率。

表3 常見作業(yè)路徑規(guī)劃方法對比Tab.3 Comparison of path planning algorithms

(3)農(nóng)業(yè)裝備田間避障路徑規(guī)劃

農(nóng)業(yè)裝備遇到障礙物實現(xiàn)停車讓行或繞開障礙是農(nóng)業(yè)裝備自動駕駛的基本要求。繞開障礙物則需要先根據(jù)農(nóng)業(yè)裝備自身參數(shù)、障礙物信息及作業(yè)需求,規(guī)劃出一條繞障路徑[85]。目前,較為成熟的避障路徑規(guī)劃算法有人工勢場法(Artificial potential field, APF)、動態(tài)窗口法(Dynamic window approach, DWA)、模糊邏輯法(Fuzzy logic, FL)以及人工神經(jīng)網(wǎng)絡(luò)算法(Artificial neural network, ANN)等[86]。因農(nóng)業(yè)裝備作業(yè)環(huán)境復(fù)雜,常規(guī)的避障路徑規(guī)劃算法應(yīng)用于農(nóng)業(yè)裝備避障路徑規(guī)劃算法具有一定的局限性,國內(nèi)外研究者在傳統(tǒng)避障路徑規(guī)劃的基礎(chǔ)上進行了改進設(shè)計,以達到更好的避障效果。ROSTAMI等[87]通過對人工勢場法中的引力場與斥力場函數(shù)加以改進,避免了陷入局部最優(yōu)解的問題。勞彩蓮等[88]提出了一種基于改進A*算法與動態(tài)窗口法結(jié)合的路徑規(guī)劃算法,利用超聲波傳感器進行環(huán)境感知并通過優(yōu)化動態(tài)窗口算法進行運動軌跡預(yù)測,對路徑規(guī)劃的平滑性有了一定程度的改善。

綜上分析,規(guī)則地塊單機農(nóng)田全覆蓋路徑規(guī)劃相對成熟,然而針對不規(guī)則地塊、非固定障礙物的單機路徑規(guī)劃尚無成熟的解決方案,仍需要進一步研究和開發(fā)新的算法與技術(shù),以適應(yīng)不同地塊和障礙物的變化,達到更好的全覆蓋路徑規(guī)劃效果。

1.3.2多機協(xié)同路徑規(guī)劃

多臺農(nóng)業(yè)裝備協(xié)同作業(yè)能夠極大提高作業(yè)效率,是當(dāng)前重要的研究熱點。高效合理、安全可靠的多機協(xié)同路徑規(guī)劃是多機協(xié)同作業(yè)的重要保障。目前國內(nèi)外學(xué)者針對農(nóng)業(yè)裝備多機協(xié)同作業(yè)模式與路徑規(guī)劃方法研究已經(jīng)取得了一定進展。曹如月等[89]為實現(xiàn)農(nóng)田作業(yè)環(huán)境下的多機協(xié)同作業(yè),提出了基于改進A*和Bezier曲線的多機協(xié)同路徑規(guī)劃算法,降低了轉(zhuǎn)彎次數(shù)。翟志強等[90]針對多機協(xié)同過程存在轉(zhuǎn)彎路徑重疊,存在碰撞風(fēng)險等問題,基于方向包圍盒算法和分離軸定理提出了一種面向主從跟隨模式的多機協(xié)同作業(yè)導(dǎo)航路徑規(guī)劃方法,有效提高了多機協(xié)同作業(yè)效率,降低了地頭轉(zhuǎn)向碰撞風(fēng)險。多機協(xié)同路徑規(guī)劃的主要難點在于多機作業(yè)過程農(nóng)業(yè)裝備轉(zhuǎn)彎以及作業(yè)沖突問題[91],目前在以收獲卸糧為主要應(yīng)用場景的主-從協(xié)同路徑規(guī)劃算法方面的研究取得了一定的進展,然而在同一地塊多機協(xié)同作業(yè)的路徑規(guī)劃與調(diào)度算法還處于仿真階段,未來還需對多機協(xié)同算法進行優(yōu)化和實驗驗證,以提高多機協(xié)同作業(yè)效率及靈活性,滿足不同農(nóng)業(yè)裝備作業(yè)場景需求[92]。

1.3.3農(nóng)業(yè)裝備田塊間轉(zhuǎn)移路徑規(guī)劃

農(nóng)業(yè)裝備田塊間轉(zhuǎn)移是指在一定區(qū)域范圍內(nèi)的多塊農(nóng)田中,農(nóng)業(yè)裝備從一個地塊到另一個地塊的轉(zhuǎn)移過程。在季節(jié)性農(nóng)業(yè)裝備機群作業(yè)場景下,根據(jù)作業(yè)任務(wù)需求、農(nóng)業(yè)裝備作業(yè)性能以及時間能耗等約束條件,通過合理分配農(nóng)業(yè)裝備作業(yè)任務(wù),規(guī)劃最優(yōu)轉(zhuǎn)移路徑,可實現(xiàn)多臺農(nóng)業(yè)裝備有序、安全、高效轉(zhuǎn)移及作業(yè)[93]。針對農(nóng)業(yè)裝備多任務(wù)分配以及轉(zhuǎn)移路徑規(guī)劃問題,國內(nèi)外相關(guān)學(xué)者多以車輛調(diào)度模型為基礎(chǔ),結(jié)合農(nóng)業(yè)裝備作業(yè)的實際情況進行調(diào)度模型的研究并加以優(yōu)化改進。JENSEN等[94]針對跨區(qū)段農(nóng)業(yè)裝備調(diào)度時空問題,利用D*結(jié)合圖論法多臺機器在同一條路徑的調(diào)度模型進行了優(yōu)化,有效提升了作業(yè)車輛在場內(nèi)與場間運輸?shù)囊?guī)劃與執(zhí)行效率。D’URSO等[95]基于農(nóng)業(yè)經(jīng)營背景,針對小問題實例與大型問題實例分別提出了基于動態(tài)規(guī)劃的精確算法和基于分支定界的隨時近似算法。王猛等[96]為解決農(nóng)業(yè)裝備作業(yè)過程因突發(fā)狀況引起的作業(yè)時間增加、作業(yè)任務(wù)無法完成等問題,提出了一種同種農(nóng)業(yè)裝備機群動態(tài)作業(yè)任務(wù)分配方法,有效提升了多機作業(yè)效率。目前,農(nóng)業(yè)裝備田塊間轉(zhuǎn)移路徑規(guī)劃主要難點在于多機任務(wù)分配的動態(tài)性以及實時性問題[1],未來可針對不同應(yīng)用環(huán)境及任務(wù)需求,研究動態(tài)條件下農(nóng)業(yè)裝備任務(wù)分配與路徑優(yōu)化方法,提高多機路徑轉(zhuǎn)移效率[97]。

1.4 橫向控制

橫向控制是指受控農(nóng)業(yè)裝備在所設(shè)計的路徑跟蹤算法作用下,能快速且穩(wěn)定地跟蹤上參考路徑,并沿著指定路徑行駛[98]。橫向控制相關(guān)研究主要包含自動轉(zhuǎn)向控制、農(nóng)業(yè)裝備數(shù)學(xué)模型和路徑跟蹤算法3部分。

1.4.1自動轉(zhuǎn)向控制

自動轉(zhuǎn)向控制系統(tǒng)是自動導(dǎo)航與路徑跟蹤控制的關(guān)鍵,控制方法的選擇及控制系統(tǒng)性能對整個控制系統(tǒng)起著至關(guān)重要的作用。目前,國內(nèi)外常見的農(nóng)業(yè)裝備自動轉(zhuǎn)向驅(qū)動方式主要有電液和電機驅(qū)動2種。由于農(nóng)田環(huán)境復(fù)雜,設(shè)計控制系統(tǒng)時應(yīng)考慮自動轉(zhuǎn)向系統(tǒng)的應(yīng)用環(huán)境、導(dǎo)向輪在工作過程的滑移等因素。因此,轉(zhuǎn)向控制的方法能否較好地適應(yīng)控制環(huán)境,關(guān)鍵在于如何調(diào)整控制參數(shù)以提高控制系統(tǒng)的快速性和準(zhǔn)確性[99]。

在自動轉(zhuǎn)向控制研究初期,多采用電液比例閥控制的方式。吳曉鵬等[100]以東方紅X804型拖拉機為平臺,采用死區(qū)補償PD控制算法,設(shè)計了基于電液比例閥的自動轉(zhuǎn)向控制系統(tǒng),最大誤差1.1°,平均誤差0.5°,平均延時0.2 s。劉兆祥等[101]以雷沃FT704型拖拉機為試驗平臺,設(shè)計基于比例方向閥自動轉(zhuǎn)向驅(qū)動裝置,采用死區(qū)補償PD控制算法,30°的階躍信號跟蹤時間1.4 s。李逃昌等[102]在雷沃TA800型拖拉機采用電液比例閥對車輪轉(zhuǎn)向的自動控制,采用橫擺角速度魯棒自適應(yīng)控制理論提高了自動轉(zhuǎn)向動態(tài)跟蹤性能。趙春江團隊[103-105]提出了一種支持農(nóng)業(yè)裝備駕駛?cè)藛T手動操作優(yōu)先的電液轉(zhuǎn)向控制方法,導(dǎo)向輪轉(zhuǎn)角控制誤差0.23°,自動/手動轉(zhuǎn)向切換時間0.8 s,提升了自動轉(zhuǎn)向控制參數(shù)的適應(yīng)性和應(yīng)急響應(yīng)速度。黎永鍵等[106]采用雙閉環(huán)PID控制算法在東方紅X804型拖拉機上進行電液比例轉(zhuǎn)向控制試驗,穩(wěn)態(tài)跟蹤誤差不超過 0.6°。

隨著農(nóng)業(yè)裝備自動駕駛系統(tǒng)后裝市場的發(fā)展,對自動轉(zhuǎn)向裝置提出了強適應(yīng)性、加裝快速性、高可靠性要求,因而,農(nóng)業(yè)裝備自動轉(zhuǎn)向裝置的主流方式轉(zhuǎn)變?yōu)殡姍C驅(qū)動。陳文良等[107]設(shè)計了步進電機驅(qū)動轉(zhuǎn)向器總成實現(xiàn)自動轉(zhuǎn)向裝置,采用增量式PID控制算法,控制誤差0.2°。GONZLEZ等[108]設(shè)計了基于模糊控制算法的拖拉機電機轉(zhuǎn)向控制盒,系統(tǒng)響應(yīng)時間0.5 s,左右極值切換時間2 s。劉陽[109]在TN654型拖拉機上設(shè)計了一套基于CAN總線的自動導(dǎo)航系統(tǒng),在方向盤上加裝步進電機通過摩擦的方式帶動方向盤,車輪轉(zhuǎn)角控制誤差3°。張聞宇等[110-111]通過夾具將步進電機安裝在拖拉機方向盤上,以摩擦輪帶動方向盤轉(zhuǎn)動,所設(shè)計驅(qū)動系統(tǒng)誤差為 0.197°,平均上升時間2.0 s;平均調(diào)節(jié)時間(3%誤差帶)為2.4 s。YIN等[66]采用模糊/PID復(fù)合控制算法控制安裝在水稻插秧機轉(zhuǎn)向柱上的電機進行自動轉(zhuǎn)向,轉(zhuǎn)向角8°、25°階躍響應(yīng)仿真結(jié)果表明,超調(diào)量分別為0.2°和1.6°,響應(yīng)時間分別為0.34 s和0.45 s,調(diào)節(jié)時間分別為0.52 s和0.94 s。何杰等[112]在水田插秧機上通過安裝電動方向盤的方式來控制插秧機轉(zhuǎn)向,采用嵌套PID控制方法以實現(xiàn)電動方向盤的內(nèi)環(huán)速度控制和外環(huán)角度控制,泥底層平坦與不平坦的水田中直線行駛時轉(zhuǎn)向輪角跟蹤的平均絕對誤差分別為0.354°和0.663°,平均延遲時間均為0.6 s,角度跟蹤偏差最大為1.4°和3.6°,深泥腳轉(zhuǎn)向阻力大時有1.4 s的控制滯后,基本上滿足插秧機自動轉(zhuǎn)向任務(wù),但在較大阻力時會存在電機力矩不足而導(dǎo)致控制響應(yīng)滯后的情況。

總體來說,常用的自動轉(zhuǎn)向驅(qū)動方式為電液和電機兩種。電液驅(qū)動轉(zhuǎn)向方式一般用于農(nóng)業(yè)裝備主機廠商預(yù)裝(即前裝),而電機驅(qū)動轉(zhuǎn)向方式則更適用于農(nóng)業(yè)裝備出廠后改造(即后裝)。其原因主要在于液壓方案改裝過程復(fù)雜,而電動方向盤改裝相對簡單?，F(xiàn)階段農(nóng)業(yè)裝備自動駕駛以后裝為主,電機驅(qū)動轉(zhuǎn)向方式,因安裝和售后便捷性,已經(jīng)成為技術(shù)主流。隨著農(nóng)業(yè)裝備主機廠商對農(nóng)業(yè)裝備自動駕駛的關(guān)注,農(nóng)業(yè)裝備自動駕駛前裝市場會逐步興起,電液自動轉(zhuǎn)向方式也會逐步回歸市場。

1.4.2農(nóng)業(yè)裝備數(shù)學(xué)模型

在農(nóng)業(yè)裝備橫向控制中,最經(jīng)典、應(yīng)用最廣泛的是ELLIS提出的二輪車運動學(xué)模型(圖3)[113]。該模型假設(shè)地面平坦、前進速度恒定、輪胎沒有側(cè)偏、車輛沒有側(cè)向滑移。在這種模型中,把農(nóng)業(yè)裝備抽象為一個二輪車,在大地直角坐標(biāo)系中,用農(nóng)業(yè)裝備當(dāng)前位姿、農(nóng)業(yè)裝備當(dāng)前的航向角、轉(zhuǎn)向輪當(dāng)前的轉(zhuǎn)角、農(nóng)業(yè)裝備當(dāng)前的速度矢量,以及農(nóng)業(yè)裝備后輪中心的坐標(biāo)、農(nóng)業(yè)裝備前后輪的軸距等參量表示。

圖3 農(nóng)業(yè)裝備二輪車運動學(xué)模型Fig.3 Two wheels kinematics model of agriculture vehicle

農(nóng)業(yè)裝備橫向控制技術(shù)的主要目的是保持機具作業(yè)點按照預(yù)定軌跡行進。但是,在農(nóng)業(yè)裝備作業(yè)過程中,存在作業(yè)機具與農(nóng)業(yè)裝備主機作業(yè)軌跡不一致現(xiàn)象,影響了農(nóng)業(yè)裝備作業(yè)質(zhì)量。這一現(xiàn)象在農(nóng)業(yè)裝備掛載牽引式機具和農(nóng)業(yè)裝備曲線導(dǎo)航時更為明顯。郝思佳等[114-115]在農(nóng)業(yè)裝備二輪車運動學(xué)模型基礎(chǔ)上建立拖拉機-播種機運動學(xué)模型。為了研究拖拉機半掛車機組自動直線倒車自動控制技術(shù),朱忠祥等[116-117]建立了拖拉機半掛車機組的運動學(xué)模型(圖4),并根據(jù)機具工況對模型進行了簡化。BACKMAN等[118]基于拖拉機-牽引式農(nóng)機具運動學(xué)模型,建立了非線性模型預(yù)測控制路徑跟蹤系統(tǒng),設(shè)計的控制器能夠保證拖拉機和農(nóng)業(yè)裝備在牽引速度12 km/h時的橫向誤差最大為10 cm。KAYACAN等[119]建立了改進型的拖拉機-牽引式農(nóng)機具運動學(xué)模型,并設(shè)計了分布式非線性模型預(yù)測控制器,控制器在直線跟蹤時拖拉機和機具的誤差均值分別為3.33 cm和3.22 cm。

圖4 拖拉機半掛車機組的運動學(xué)模型Fig.4 Kinematics model of tractor-trailer combination

由于農(nóng)業(yè)裝備本身的復(fù)雜性、土壤農(nóng)田環(huán)境以及作業(yè)負載的突變性,農(nóng)業(yè)裝備自動駕駛控制系統(tǒng)是一個復(fù)雜的不確定性系統(tǒng)。基于運動學(xué)模型的方法魯棒性不強,且未考慮機具負載變化等情況下導(dǎo)致的農(nóng)業(yè)裝備動力學(xué)特性的變化,路徑跟蹤控制方法難以取得預(yù)期的效果。為此,諸多學(xué)者尋求建立高保真的自動駕駛農(nóng)業(yè)裝備非線性動力學(xué)模型。KAYACAN等[120]建立了拖拉機掛車機組的縱向和橫向的非線性動力學(xué)模型,為后續(xù)的控制器提供了有效的控制模型。ZANCHETTA等[121]建立了牽引車-拖車高保真動力學(xué)模型,并通過直接橫擺力矩控制降低了車輛的偏航率,提高了系統(tǒng)的穩(wěn)定性。

由于復(fù)雜的地表情況和農(nóng)業(yè)裝備結(jié)構(gòu),農(nóng)業(yè)裝備機組運動學(xué)模型難以精準(zhǔn)建立。對此,諸多學(xué)者采用神經(jīng)網(wǎng)絡(luò)等智能方法直接輸出下一時刻車輛運動狀態(tài)或控制指令。陳軍等[122]構(gòu)建了行駛農(nóng)業(yè)裝備的4-4-4-3結(jié)構(gòu)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)運動模型;該神經(jīng)網(wǎng)絡(luò)模型的4個輸入單元分別為農(nóng)業(yè)裝備當(dāng)前位置與目標(biāo)路徑的距離、當(dāng)前位置農(nóng)業(yè)裝備的橫擺角、當(dāng)前位置車輛的轉(zhuǎn)向角、車輛轉(zhuǎn)向角的變化量;3個輸出單元分別為下一個采樣點農(nóng)業(yè)裝備與目標(biāo)路徑的距離、橫擺角以及轉(zhuǎn)向角。WANG等[123]提出了一種基于動態(tài)模態(tài)分解算法的拖拉機在線系統(tǒng)辨識方法,通過少量的學(xué)習(xí)數(shù)據(jù)即可實現(xiàn)對車輛運動狀態(tài)的估計,結(jié)合卡爾曼濾波方法實現(xiàn)在衛(wèi)星信號失鎖的情況下估算車輛位姿,維持高精度導(dǎo)航。

目前,在農(nóng)業(yè)裝備數(shù)學(xué)模型研究中,農(nóng)業(yè)裝備運動學(xué)模型和農(nóng)業(yè)裝備動力學(xué)模型應(yīng)用比較廣泛[124]。由于地表狀況和農(nóng)業(yè)裝備結(jié)構(gòu)上的原因,行駛農(nóng)業(yè)裝備模型難以精確建立,會對農(nóng)業(yè)裝備橫向控制效果產(chǎn)生負面影響。采用包括神經(jīng)網(wǎng)絡(luò)在內(nèi)的機器學(xué)習(xí)方法建立農(nóng)業(yè)裝備運動模型,可以避免建模不準(zhǔn)確或者模型參數(shù)劇烈變化對農(nóng)業(yè)裝備橫向控制效果的影響,會逐漸成為研究的重點。

1.4.3路徑跟蹤算法

路徑跟蹤算法主要包括基于幾何學(xué)的控制器和基于控制理論的控制器[125]?；趲缀螌W(xué)的控制器是根據(jù)車輛轉(zhuǎn)向的幾何關(guān)系,結(jié)合期望路徑推導(dǎo)出車輛轉(zhuǎn)角或者角速度,典型的算法如純追蹤算法[126]和前輪反饋算法(Stanley)[127]。基于控制理論的控制器中,常用的算法有PID控制[128]、LQR(Linear quadratic regulator)[129]和LQG(Linear quadratic gaussian)[130]、模型預(yù)測控制[131]、模糊控制[132]、滑膜控制[133-134]等算法,基于控制理論的算法需要準(zhǔn)確的車輛模型和車體反饋量,以實現(xiàn)對農(nóng)業(yè)裝備運動的控制[135]。

在基于幾何運動學(xué)的控制算法方面,純追蹤模型是其中最經(jīng)典的模型,可用一個公式表達前輪轉(zhuǎn)角與橫向誤差、航向誤差和預(yù)瞄距離之間的關(guān)系,理論簡單,參數(shù)少,在抗干擾和路徑跟蹤的整體表現(xiàn)優(yōu)于其他方法,逐漸成為農(nóng)業(yè)裝備自動駕駛控制最常用算法[126,136-138]。NOGUCHI團隊[136-137]采用固定的預(yù)瞄距離,在車速為0.8 m/s的情況下,自動駕駛拖拉機控制精度達到3 cm。但是,純追蹤模型的預(yù)瞄距離受跟蹤偏差、車速、路徑曲率等的影響,預(yù)瞄距離固定的傳統(tǒng)純路徑跟蹤控制算法不能滿足需求,國內(nèi)外研究人員圍繞預(yù)瞄距離自適應(yīng)的純路徑跟蹤算法展開了研究[20-21]。FUE等[139]根據(jù)路徑的曲率和車速改變預(yù)瞄距離,在速度1.2 m/s下,控制精度可達0.04 m。WOODS等[140]根據(jù)車輛的橫向偏差調(diào)整預(yù)瞄距離,在車速為1.0 m/s的情況下,控制一臺四輪獨立轉(zhuǎn)向的車輛,曲線跟蹤最大誤差達到1.46 m。賈全[141]在原有純追蹤算法的基礎(chǔ)上,增加了基于人群搜索算法的實時評估環(huán)節(jié),使改進后的純追蹤算法可以依據(jù)適應(yīng)度函數(shù)在線調(diào)整預(yù)瞄距離,田間試驗結(jié)果表明,在速度9 km/h下,拖拉機直線跟蹤最大誤差為3.2 cm。

在基于控制理論的控制算法方面,劉進一[142]采用基于橫向位置偏差和航向角偏差的雙目標(biāo)聯(lián)合滑?？刂品椒?實現(xiàn)速度自適應(yīng)控制,在速度小于1.25 m/s的條件下,田間直線跟蹤最大誤差為10.60 cm。王輝等[143]采用基于預(yù)瞄追蹤模型的純路徑跟蹤控制方法,進行了實車的上線和直線路徑跟蹤試驗,在初始航向偏差為0°,初始位置偏差分別為 0.5、1、1.5 m條件下,上線時間分別為 6.8、8.2、9.4 s,上線距離分別為 6.73、8.11、9.33 m,超調(diào)量分別為5.2、7.0、8.5 cm;顛簸不平旱地路面直線路徑跟蹤的最大誤差為4.23 cm,誤差絕對值的平均值為1 cm,標(biāo)準(zhǔn)差為1.25 cm。張華強等[144]通過粒子群優(yōu)化算法實時確定純追蹤模型預(yù)瞄距離,在車速為0.7 m/s的實驗條件下,改進后的控制器在直線跟蹤的效果以及上線距離等方面優(yōu)于預(yù)瞄距離固定的控制器。WANG等[145-146]提出了一種預(yù)瞄距離速度自適應(yīng)的農(nóng)業(yè)裝備作業(yè)純路徑跟蹤控制算法,通過優(yōu)化損失函數(shù)選擇最優(yōu)的速度權(quán)重,在變速度工況0～4 m/s下,水泥地面和農(nóng)田導(dǎo)航誤差分別為1.3 cm和3.3 cm,提高了自動駕駛系統(tǒng)速度適應(yīng)性。

美歐日等發(fā)達國家農(nóng)業(yè)裝備橫向控制技術(shù)研究較早,以農(nóng)業(yè)裝備衛(wèi)星自動駕駛為代表的橫向控制技術(shù)已經(jīng)產(chǎn)品化,并由直線導(dǎo)航逐步擴展了曲線導(dǎo)航、地頭自動轉(zhuǎn)向、對角耙地等功能[147-148]。其代表廠家為美國天寶(Trimble)公司、約翰迪爾(John Deere)公司,以及加拿大半球(Hemisphere)公司。隨著國內(nèi)對農(nóng)業(yè)裝備橫向控制技術(shù)研究的深入,國內(nèi)以上海聯(lián)適、農(nóng)芯科技、中創(chuàng)博遠、惠達科技、上海華測、無錫卡爾曼等公司為代表的農(nóng)業(yè)裝備北斗自動駕駛技術(shù)產(chǎn)品逐步占領(lǐng)了國內(nèi)大部分市場,并開始逐步開拓歐美市場。兩款國內(nèi)農(nóng)業(yè)裝備橫向控制技術(shù)典型產(chǎn)品和主要核心裝置如圖5所示。

圖5 國內(nèi)農(nóng)業(yè)裝備橫向控制技術(shù)產(chǎn)品Fig.5 Domestic agricultural machinery lateral control technology products

1.5 縱向控制

縱向控制是指受控農(nóng)業(yè)裝備在各種作業(yè)、運輸工況下行駛速度控制和掛載農(nóng)業(yè)機具的提升位置控制?？v向控制的研究主要包含定速巡航控制、機組系統(tǒng)建模和機具耕深控制3部分。

1.5.1農(nóng)業(yè)裝備定速巡航控制方法

農(nóng)業(yè)裝備定速巡航控制方式主要分為3種:①原動機轉(zhuǎn)速保持不變,通過調(diào)節(jié)傳動系傳動比調(diào)節(jié)行駛速度。②傳動系傳動比保持不變,通過調(diào)節(jié)原動機轉(zhuǎn)速調(diào)節(jié)行駛速度。③原動機轉(zhuǎn)速與傳動系傳動比同時調(diào)節(jié)實現(xiàn)行駛速度調(diào)節(jié)。

KAYACAN等[149]設(shè)計了一款PID控制器來實現(xiàn)速度控制,田間試驗時的速度控制誤差為0.04 m/s。ROSHANIANFARD等[150]指出開發(fā)自動駕駛農(nóng)業(yè)車輛時,須選用自動變速器的車輛,有利于通過TCU發(fā)送命令控制車輛的縱向速度。韓科立等[151]以雷沃TG1254型機械換擋拖拉機為平臺,設(shè)計了一種基于步進電機的油門自動調(diào)節(jié)裝置,研制了基于電-液綜合式結(jié)構(gòu)的自動機械式變速操縱裝置,采用基于增量式PID控制算法的定速巡航方法,水泥路面行駛速度控制誤差0.2 m/s,自動變速機構(gòu)反應(yīng)時間最大為19 s。郭娜等[152]提出了基于變論域自適應(yīng)模糊 PID插秧機行駛速度控制策略,以配備液壓機械無級變速箱的高速乘坐式插秧機為試驗平臺,通過電動推桿拉動與油門踏板相連的鋼絲繩實現(xiàn)油門的線控,道路試驗表明插秧機行駛速度平均誤差在0.02 m/s以內(nèi)。魏傳省[153]以約翰迪爾4720型靜液壓傳動拖拉機為平臺設(shè)計了基于CAN的拖拉機定速巡航控制系統(tǒng),使用電動油門調(diào)節(jié)器對油門踏板實現(xiàn)線控并從其獲取油門開度,在水泥路面空載、田間空載和平地作業(yè)3種工況下進行了試驗,速度控制誤差為0.012 m/s。

農(nóng)業(yè)裝備定速巡航控制多采用定轉(zhuǎn)速變傳動比、定傳動比變轉(zhuǎn)速、轉(zhuǎn)速傳動比耦合控制、轉(zhuǎn)速傳動比協(xié)同控制等4種控制策略(表4)。前3種控制策略因原動機功率利用率、燃動經(jīng)濟性差等原因,不符合農(nóng)業(yè)裝備高效作業(yè)的發(fā)展方向。以提高功率利用率、降低燃油消耗為目標(biāo),根據(jù)農(nóng)業(yè)裝備工況,對傳動系傳動比和原動機轉(zhuǎn)速進行協(xié)同控制,是農(nóng)業(yè)裝備定速巡航控制今后研究的重點。

表4 農(nóng)業(yè)裝備速度控制策略對比Tab.4 Comparison of agricultural machinery speed control strategies

1.5.2農(nóng)業(yè)裝備機組系統(tǒng)建模

農(nóng)業(yè)裝備機組的數(shù)學(xué)模型主要包括作業(yè)機組動力學(xué)模型、電液懸掛系統(tǒng)數(shù)學(xué)模型、輪胎-土壤作用力模型以及犁體受力模型。

針對作業(yè)機組動力學(xué)模型,OSINENKO等[154]分析了拖拉機牽引效率的主要因素,建立拖拉機動力學(xué)模型,基于驅(qū)動力反饋力矩提出了能夠適應(yīng)懸掛土壤條件的牽引控制算法,通過仿真分析驗證了提出的控制策略有更好的控制性能。朱思洪等[155]建立了拖拉機和懸掛農(nóng)具系統(tǒng)振動微分方程,通過仿真分析,研究了拖拉機懸掛不同質(zhì)量農(nóng)具時拖拉機與懸掛農(nóng)具系統(tǒng)振動特性。BAUER等[156]驗證了犁耕作業(yè)時,三點懸掛上拉桿長度會對拖拉機犁溝輪和著地輪載荷變化產(chǎn)生影響,研究了后輪載荷、輪胎充氣壓力及其對拖拉機輪下接觸壓力的影響。

針對電液懸掛系統(tǒng)數(shù)學(xué)模型,趙建軍[157]采用狀態(tài)空間建立了拖拉機懸掛系統(tǒng)的負載敏感變量泵、電液比例控制閥的數(shù)學(xué)模型,田間試驗結(jié)果表明,牽引力超調(diào)量小于14.3%,耕深控制在 20～25 cm 范圍內(nèi),效果良好。譚彧[158]建立了比例控制的液壓懸掛系統(tǒng)數(shù)學(xué)模型,土槽試驗結(jié)果表明,當(dāng)力位綜合調(diào)節(jié)的綜合度值為0.6時,控制效果最優(yōu)。杜巧連等[159]建立了耕深和阻力控制數(shù)學(xué)模型,試驗結(jié)果表明,位控制過渡時間0.65 s,誤差 ±1.5 cm; 力控制調(diào)節(jié)時間7.5 s;力位綜合控制耕深為20 cm 時,耕深波動范圍±1 cm。

針對輪胎-土壤互作模型,FARHADI等[160]結(jié)合經(jīng)驗計算公式與田間試驗,建立了輪胎氣壓影響拖拉機車輪打滑、牽引功率和牽引系數(shù)的數(shù)學(xué)模型,并提供了一種基于輪胎充氣壓力數(shù)值評估的車輪打滑預(yù)測方法;試驗結(jié)果表明,當(dāng)輪胎壓力限制在 80～200 kPa之間時,模型的最佳擬合優(yōu)度R2達到0.957 5。LEE等[161]利用統(tǒng)計框架和車輛-土壤相互作用試驗數(shù)據(jù),從一個簡單的基于物理的輪胎-土壤相互作用模型構(gòu)建隨機元模型,并對模型進行了參數(shù)校準(zhǔn)和響應(yīng)預(yù)測;模型驗證結(jié)果表明,根據(jù)作者提出的兩種衡量指標(biāo),拉桿拉力的預(yù)測絕對誤差分別小于2%和0.4%。姜春霞等[162]為研究不同載荷、胎壓、行駛速度下,土壤-輪胎接觸面垂直應(yīng)力的分布情況,為輪胎預(yù)埋了高精度陣列應(yīng)力傳感器,試驗證明載荷對于垂直應(yīng)力的影響最大,然后依次是胎壓、行駛速度、縱向距離和橫向距離。

現(xiàn)有農(nóng)業(yè)裝備機組系統(tǒng)建模研究主要以拖拉機為研究對象,為拖拉機電液懸掛系統(tǒng)設(shè)計、控制方法研究以及整機控制策略提供了基礎(chǔ)數(shù)據(jù)和檢驗依據(jù)。后續(xù)拖拉機機組系統(tǒng)建模研究將著重關(guān)注農(nóng)業(yè)裝備自動駕駛的準(zhǔn)確追蹤路徑與高質(zhì)量牽引作業(yè)的綜合需求。

1.5.3機具耕深控制方法

現(xiàn)有機具耕深控制方法主要分為阻力控制(力調(diào)節(jié))、位置控制(位置調(diào)節(jié))、力位綜合控制(即力位綜合調(diào)節(jié))以及滑轉(zhuǎn)率控制。目前,力位綜合控制和滑轉(zhuǎn)率控制是農(nóng)業(yè)裝備機具耕深控制的主流方法。

針對力位綜合控制方法,承鑒等[163]以重型拖拉機電液懸掛控制系統(tǒng)為研究對象,開展了以力位控制為代表的一系列電液懸掛系統(tǒng)自動控制研究。魯植雄團隊[164-166]提出了基于不同綜合度系數(shù)的耕深模糊控制器,可以實現(xiàn)耕深的力位雙參數(shù)控制,仿真結(jié)果表明,耕深從0到20 cm的響應(yīng)時間低于1.7 s,耕深為20 cm的最大誤差在±1 cm內(nèi)。劉長卿等[167]針對力位綜合控制器,考慮懸掛系統(tǒng)非線性和參數(shù)變化情況下控制性能適應(yīng)性,田間試驗表明,當(dāng)權(quán)重系數(shù)為0.7時,牽引力為16 350 N,牽引力標(biāo)準(zhǔn)差為2 640 N;耕深為1.84 cm,耕深標(biāo)準(zhǔn)差為0.339 cm。

農(nóng)業(yè)裝備機組滑轉(zhuǎn)率控制這一概念出現(xiàn)于20世紀(jì)80年代,主要針對拖拉機重載作業(yè)工況,國外學(xué)者CHANCELLOR等[168]、ISMAIL等[169]發(fā)現(xiàn)控制車輪滑轉(zhuǎn)率可實現(xiàn)拖拉機作業(yè)的節(jié)能、省油以及高效。隨后,諸多學(xué)者投入研究,延續(xù)至今?，F(xiàn)有面向滑轉(zhuǎn)率控制的研究主要分為低速作業(yè)車輪滑轉(zhuǎn)率測算[170-172]和拖拉機機組滑轉(zhuǎn)率控制[173-176]。

國外對于拖拉機懸掛系統(tǒng)機具耕深控制的研究起步較早,開始于20世紀(jì)30年代,主要集中于大型拖拉機生產(chǎn)廠家,現(xiàn)在拖拉機電液懸掛系統(tǒng)開始成為拖拉機市場主流必備。德國博世力士樂公司(Bosch Rexroth)研制的大功率拖拉機EHR電液懸掛系統(tǒng)最具代表性,該系統(tǒng)配有微型處理器,可檢測車速、發(fā)動機轉(zhuǎn)速、耕深、牽引阻力等電信號,實現(xiàn)力調(diào)節(jié)、位調(diào)節(jié)、滑轉(zhuǎn)率控制以及其他控制模式。此外,如約翰迪爾(John Deere)、芬特(Fendt)、克拉斯(CLASS)等大型農(nóng)業(yè)裝備廠家的拖拉機產(chǎn)品大多配有自產(chǎn)的電液懸掛系統(tǒng),如圖6所示。

圖6 典型拖拉機電液懸掛裝置Fig.6 Typical tractor electro hydraulic hitch

而國內(nèi)的電液懸掛系統(tǒng)相關(guān)研究開始于20世紀(jì)70年代,主要集中在中國農(nóng)業(yè)大學(xué)、南京農(nóng)業(yè)大學(xué)等科研院校,于2000年國內(nèi)開始系統(tǒng)研發(fā)電液懸掛系統(tǒng)及內(nèi)置控制方法,并開始產(chǎn)出初代電液懸掛系統(tǒng)產(chǎn)品,其中最具代表性的是博創(chuàng)聯(lián)動?，F(xiàn)階段,與國外先進農(nóng)業(yè)裝備廠家相比,國內(nèi)電液懸掛系統(tǒng)產(chǎn)品成熟度不足,可靠性仍待檢驗,推廣應(yīng)用仍顯薄弱,隨著農(nóng)業(yè)裝備智能化進一步發(fā)展,電液懸掛系統(tǒng)相關(guān)產(chǎn)品將很快進入快速發(fā)展階段。

2 典型農(nóng)業(yè)場景自動駕駛應(yīng)用

農(nóng)業(yè)裝備自動駕駛技術(shù)的應(yīng)用主要分為3方面:以農(nóng)業(yè)裝備橫向控制為主的自動導(dǎo)航技術(shù)與產(chǎn)品的應(yīng)用;增加環(huán)境感知、自動避障、路徑規(guī)劃等功能的農(nóng)業(yè)裝備自動駕駛技術(shù)應(yīng)用;具備自動駕駛功能的農(nóng)業(yè)裝備在農(nóng)業(yè)全程無人化生產(chǎn)方面的集成應(yīng)用[177-179]。

2.1 自動導(dǎo)航技術(shù)與產(chǎn)品應(yīng)用

歐美日等發(fā)達國家在農(nóng)業(yè)裝備自動駕駛領(lǐng)域研究較早。美國斯坦福大學(xué)在20世紀(jì)90年代將差分GPS應(yīng)用于John Deere 7800型拖拉機進行自動導(dǎo)航控制,在速度0.33 m/s下實現(xiàn)了直線行駛橫向偏差0.38 cm的控制精度[180]。日本于20世紀(jì)90年代成功研制了基于GPS的自動導(dǎo)航拖拉機[181],德國Fendt公司同時也發(fā)布了領(lǐng)航-跟隨型自動駕駛拖拉機,實現(xiàn)人工駕駛主機、從機自主跟隨的機群作業(yè)。美國天寶(Trimble)、加拿大半球(Hemisphere)、日本拓普康(Topcon)等知名公司先后推出農(nóng)業(yè)裝備自動導(dǎo)航技術(shù)產(chǎn)品,成為行業(yè)標(biāo)桿[182]。我國于2000年前后開始研究農(nóng)業(yè)裝備自動駕駛系統(tǒng),落后國外近10年[183]。羅錫文等[82]基于東方紅X-804型拖拉機平臺開發(fā)了RTK-DGPS自動導(dǎo)航控制系統(tǒng),拖拉機行駛速度為0.8 m/s時,平均橫向偏差小于0.03 m[82]。中國農(nóng)業(yè)大學(xué)于2009年開展了基于視覺的收獲機導(dǎo)航系統(tǒng)研究,割幅控制誤差在0.18 m以內(nèi)[184]。近年來,隨著北斗衛(wèi)星定位系統(tǒng)的成熟與商業(yè)化應(yīng)用,基于衛(wèi)星定位的農(nóng)業(yè)裝備自動導(dǎo)航技術(shù)實現(xiàn)了新的突破,如北京農(nóng)業(yè)智能裝備技術(shù)研究中心創(chuàng)新性提出了基于PID參數(shù)自適應(yīng)的手動優(yōu)先自動轉(zhuǎn)向控制方法,解決了自動轉(zhuǎn)向裝置適應(yīng)性差、應(yīng)急響應(yīng)慢等問題,成功研發(fā)了基于GNSS的AMG-1102系列產(chǎn)品,該產(chǎn)品具備手動優(yōu)先電液轉(zhuǎn)向控制、速度自適應(yīng)的作業(yè)純路徑跟蹤控制等多項國內(nèi)首創(chuàng)技術(shù),導(dǎo)航控制誤差在±2 cm內(nèi)[185]。在應(yīng)用方面,隨著人工成本的不斷增加,農(nóng)業(yè)裝備自動導(dǎo)航的市場需求愈加旺盛,催生出了上海華測、上海聯(lián)適、農(nóng)芯科技等多家優(yōu)秀的國產(chǎn)農(nóng)業(yè)裝備自動導(dǎo)航企業(yè),研發(fā)的自動導(dǎo)航產(chǎn)品在新疆、黑龍江等地實現(xiàn)了批量化應(yīng)用,如圖7所示,目前累計推廣量超過了21萬臺套,作業(yè)效果顯著,有效打破了國外農(nóng)業(yè)裝備導(dǎo)航產(chǎn)品的壟斷地位,提升了我國農(nóng)業(yè)裝備智能化水平[186]。

圖7 國產(chǎn)自動導(dǎo)航產(chǎn)品推廣量Fig.7 Promotion volume of domestic automatic navigation products

2.2 自動駕駛整機集成與應(yīng)用

在農(nóng)業(yè)裝備自動駕駛領(lǐng)域,美國Autonomous Tractor Corporation(ATC)公司早在2012年就推出了無人駕駛拖拉機,能夠自主完成直行、轉(zhuǎn)彎、避障和常規(guī)作業(yè)[187]。2016年,美國凱斯(Case IH)公司推出了目前最具代表性的無人駕駛拖拉機,該拖拉機安裝有激光雷達、車載相機和GPS天線并取消了駕駛室,能夠?qū)崿F(xiàn)多機協(xié)同進行路徑規(guī)劃,完成多種類型作業(yè)任務(wù),成為無人駕駛拖拉機技術(shù)產(chǎn)品代表[188]。2022年1月,美國John Deere在Consumer Electronics Show上公布了一款可量產(chǎn)的全自動拖拉機8R,該拖拉機將GPS自動導(dǎo)航技術(shù)與農(nóng)業(yè)裝備具TruSetTM自動調(diào)平技術(shù)相結(jié)合,實現(xiàn)了拖拉機機組無人化作業(yè),無需坐在駕駛室內(nèi)即可開展耕種作業(yè)。此外,該自動拖拉機配備了6臺360°視覺的立體攝像頭,可以對農(nóng)田常見障礙物進行檢測,并計算出障礙物距離,拖拉機自動駕駛系統(tǒng)根據(jù)障礙物情況進行自主避障。目前,該拖拉機已作為成熟產(chǎn)品進入了量產(chǎn)階段,如圖8所示[189]。

圖8 迪爾自動駕駛拖拉機Fig.8 John Deere self-driving tractor

日本久保田(Kubota)于2016年推出了具有自動轉(zhuǎn)向和直線行走的插秧機、拖拉機,2018年發(fā)布了具備更高級別自動駕駛功能的Agri Robo系列農(nóng)業(yè)裝備,包括無人拖拉機、無人插秧機和無人收獲機[190]。此外,久保田將于2024年發(fā)售世界首個產(chǎn)品化的無人駕駛聯(lián)合收獲機,如圖9所示。該收獲機安裝有4個AI攝像頭、2個毫米波雷達、激光傳感器、RTK-GNSS定位裝置等,具備收獲路徑規(guī)劃、巡線導(dǎo)航、遇障礙停車等自動駕駛功能,此外還可根據(jù)激光傳感器檢測出的作物高度自動調(diào)整割臺高度及收獲機作業(yè)速度等參數(shù),實現(xiàn)倒伏角度為60°的水稻和小麥的收獲作業(yè)。

圖9 久保田無人駕駛收獲機(DRH1200A-A型)Fig.9 Kubota Agri Robocombine DRH1200A-A

我國第一拖拉機股份有限公司于2016年在中國國際農(nóng)業(yè)機械展覽會發(fā)布了國產(chǎn)東方紅LF1104-C無人駕駛拖拉機,并進行田間作業(yè)演示[191]。該款無人駕駛拖拉機裝配了衛(wèi)星定位加慣導(dǎo)、視覺與雷達傳感器,具備遠程一鍵啟動、自動路徑規(guī)劃及導(dǎo)航、自動換向、自動剎車、遠程遙控隨時干預(yù)等多項功能,橫向控制精度達2.5 cm,在旱田播種、水田打漿、平地作業(yè)實地測試中效果良好,如圖10所示。

圖10 東方紅無人駕駛拖拉機(LF1104-C型)Fig.10 Dongfanghong unmanned tractor LF1104-C

國外發(fā)達國家和地區(qū)農(nóng)業(yè)裝備自動駕駛技術(shù)發(fā)展早,產(chǎn)品相對成熟,應(yīng)用較為廣泛。近幾年,隨著國內(nèi)市場需求的不斷擴大,國產(chǎn)農(nóng)業(yè)裝備在實現(xiàn)自動導(dǎo)航的基礎(chǔ)上,正在向整機無人化作業(yè)方向發(fā)展。與國外發(fā)達國家相比,我國在農(nóng)業(yè)裝備作業(yè)環(huán)境感知、自主規(guī)劃與決策等領(lǐng)域還需要進一步開展深入研究。

2.3 農(nóng)業(yè)裝備全程無人化作業(yè)與技術(shù)體系構(gòu)建

智能農(nóng)業(yè)裝備實現(xiàn)單機無人化作業(yè)后,開始向多機協(xié)同作業(yè)和技術(shù)體系集成方向發(fā)展[192]。日本北海道大學(xué)(Hokkaido University)和日立解決方案公司(Hitachi Solutions)聯(lián)合開發(fā)了一套針對智能農(nóng)業(yè)裝備作業(yè)控制的農(nóng)田管理信息系統(tǒng),可以管理并整合多種精準(zhǔn)農(nóng)業(yè)信息,實現(xiàn)地塊管理、路徑規(guī)劃以及無人農(nóng)業(yè)裝備多機作業(yè)遠程管控[20]。在2016年英國哈珀亞當(dāng)斯大學(xué)(Harper Adams University)與Precision Decision公司合作創(chuàng)立了世界首個小麥無人農(nóng)場,首次實現(xiàn)了冬小麥全程無人化生產(chǎn)作業(yè)試驗,并獲得成功。試驗證明了小麥無人化生產(chǎn)的可行性,成為智慧農(nóng)業(yè)發(fā)展的標(biāo)志性事件,也代表了世界當(dāng)前的最新發(fā)展水平[4]。我國在農(nóng)業(yè)裝備全程無人化作業(yè)與技術(shù)體系構(gòu)建方面也取得了很大進展,華南農(nóng)業(yè)大學(xué)、北京市農(nóng)林科學(xué)院智能裝備技術(shù)研究中心分別于2019年和2021年構(gòu)建了國內(nèi)首個水稻無人農(nóng)場與小麥無人農(nóng)場[3,78],在小麥、水稻耕、種、管、收等作業(yè)環(huán)節(jié)均實現(xiàn)了全程無人化作業(yè),提高了農(nóng)業(yè)裝備作業(yè)效率,降低了人工勞動強度。在全球農(nóng)業(yè)勞動力日益減少、農(nóng)業(yè)生產(chǎn)對農(nóng)業(yè)裝備作業(yè)質(zhì)量與作業(yè)效率要求不斷提高、農(nóng)業(yè)生產(chǎn)成本日趨增加的大背景下,未來誰來種田、怎樣種田甚至無人種田問題凸顯,農(nóng)業(yè)生產(chǎn)全程無人化作業(yè)技術(shù)已成為農(nóng)業(yè)科技領(lǐng)域的前沿技術(shù),在未來農(nóng)業(yè)生產(chǎn)中將發(fā)揮重要作用。

3 農(nóng)業(yè)裝備自動駕駛分級

農(nóng)業(yè)裝備自動駕駛是實現(xiàn)智能農(nóng)業(yè)裝備、農(nóng)業(yè)機器人、無人化農(nóng)場的關(guān)鍵。近年來,“智能農(nóng)機”、“農(nóng)業(yè)機器人”、“無人駕駛”、“無人農(nóng)機”、“無人農(nóng)場”、“無人化農(nóng)業(yè)”等農(nóng)機自動駕駛相關(guān)概念頻頻被提及,成為行業(yè)熱點[78]。在農(nóng)機自動駕駛技術(shù)研究與實際應(yīng)用中,自動駕駛技術(shù)水平和自動化程度不一,差別較大。例如,某些裝置/產(chǎn)品僅具備基本的輔助駕駛功能,有些裝置/產(chǎn)品具備了地塊邊界識別等自動化功能等,還有些裝置/產(chǎn)品能夠?qū)崿F(xiàn)障礙物識別、自動規(guī)劃路徑等自主作業(yè)功能,還有些裝置/產(chǎn)品具備了播種量施肥量等作業(yè)精準(zhǔn)自動控制功能。但這些裝置/產(chǎn)品都被稱為“自動駕駛”。因此,為了保障農(nóng)業(yè)裝備自動駕駛行業(yè)的健康發(fā)展,農(nóng)業(yè)裝備自動駕駛的等級劃分已成為行業(yè)的迫切需求。

2013年,美國高速公路安全管理局(National Highway Traffic Safety Administration, NHTSA)率先發(fā)布了自動駕駛汽車的分級標(biāo)準(zhǔn),將自動駕駛分為5個級別,如表5所示。2014年國際自動機工程師學(xué)會(SAE-International)發(fā)布的SAE J3016標(biāo)準(zhǔn)提出了0～5級分類法,將汽車駕駛自動化分為從無駕駛自動化(0級)直至完全駕駛自動化(5級)在內(nèi)的6個等級。2021年,我國參考SAE J3016標(biāo)準(zhǔn),頒布實施了適用于我國國情的汽車駕駛自動化分級國家標(biāo)準(zhǔn)GB/T 40429—2021《汽車駕駛自動化分級》;該標(biāo)準(zhǔn)分為應(yīng)急輔助(0級)至完全自動駕駛(5級)共6個等級。SAE J3016和GB/T 40429均對汽車自動駕駛技術(shù)標(biāo)準(zhǔn)程度分為6個等級,并對汽車自動駕駛系統(tǒng)的整體發(fā)展方向進行了專業(yè)計劃,從而在對應(yīng)的產(chǎn)業(yè)內(nèi)得到發(fā)展。

表5 自動駕駛分級Tab.5 Automatic driving classification

相對于汽車領(lǐng)域,農(nóng)業(yè)裝備自動駕駛除了關(guān)注自走式動力部分之外,更應(yīng)注重農(nóng)業(yè)裝備機組整體的作業(yè)自動化程度,是在橫向和縱向控制的基礎(chǔ)上,利用自動化技術(shù)提升農(nóng)業(yè)裝備作業(yè)性能和效率。2017年CEMA峰會(CEMA Summit)上,美國凱斯(Case IH)公司基于美國技術(shù)及產(chǎn)業(yè)實踐,在國際上率先提出了農(nóng)業(yè)裝備自動化分級(Levels of Autonomy)方法,將農(nóng)業(yè)裝備自動化分為從輔助駕駛(1級)直至完全自動化(5級)在內(nèi)的5個等級[193]。凱斯公司提出的農(nóng)業(yè)裝備自動化分級方法未給出詳細的分級說明和技術(shù)要求,亦未形成標(biāo)準(zhǔn)或技術(shù)規(guī)范。2021年,中國農(nóng)業(yè)機械學(xué)會發(fā)布團體標(biāo)準(zhǔn) T/NJ 1260—2021《農(nóng)林拖拉機和自走式機械駕駛自動化分級》,將農(nóng)林拖拉機和自走式機械的駕駛自動化劃分為6個等級,包括全人工駕駛系統(tǒng)(0級)至全工況駕駛自動化系統(tǒng)(5級)。該團標(biāo)主要關(guān)注自走動力部分,并未過多涉及更關(guān)鍵的自動作業(yè)部分。

隨著2022年中央一號文件強調(diào)農(nóng)業(yè)裝備“優(yōu)機優(yōu)補”和2023年中央一號文件強調(diào)“支持北斗智能監(jiān)測終端及輔助駕駛系統(tǒng)集成應(yīng)用”,2023年3月,農(nóng)業(yè)農(nóng)村部農(nóng)產(chǎn)品質(zhì)量安全監(jiān)管司批復(fù):由北京市農(nóng)林科學(xué)院智能裝備技術(shù)研究中心牽頭制定《農(nóng)機自動駕駛分級》行業(yè)標(biāo)準(zhǔn)。我國自主制定的農(nóng)業(yè)裝備自動駕駛分級國家標(biāo)準(zhǔn)、農(nóng)業(yè)裝備自動駕駛分級檢測大綱也逐步提上議事日程。至此,我國自動駕駛相關(guān)概念定義不清晰、自動駕駛分級模糊、自動駕駛優(yōu)機優(yōu)補依據(jù)缺乏的問題會逐步解決。

在政策和市場的雙擎牽引下,我國農(nóng)業(yè)裝備自動駕駛技術(shù)發(fā)展迅速,技術(shù)體系正在逐步建立,農(nóng)業(yè)裝備自動駕駛產(chǎn)業(yè)模式正在示范應(yīng)用中不斷走向成熟。

4 展望

農(nóng)業(yè)裝備自動駕駛技術(shù)作為智慧農(nóng)業(yè)生產(chǎn)的關(guān)鍵支撐技術(shù),正推動和引領(lǐng)現(xiàn)代農(nóng)業(yè)生產(chǎn)向高效、精準(zhǔn)、智能和可持續(xù)方向發(fā)展。非結(jié)構(gòu)環(huán)境、高精度農(nóng)藝和強農(nóng)時約束仍然是農(nóng)業(yè)裝備自動駕駛技術(shù)必須應(yīng)對的3個重要挑戰(zhàn),也是未來農(nóng)業(yè)裝備自動駕駛技術(shù)研發(fā)和實際應(yīng)用中需要解決的關(guān)鍵問題。結(jié)合我國農(nóng)業(yè)裝備自動駕駛技術(shù)研發(fā)和應(yīng)用現(xiàn)狀,未來工作中應(yīng)注重3方面的問題:

(1)農(nóng)業(yè)裝備自動駕駛技術(shù)研發(fā)過程中,既要積極吸收道路車輛自動駕駛技術(shù)成果和經(jīng)驗,也要充分考慮農(nóng)業(yè)機械這種典型非道路作業(yè)機組駕駛自動化和作業(yè)精準(zhǔn)化的實際需求,突出作業(yè)精準(zhǔn)化和駕駛自動化雙重需求驅(qū)動的特點,針對性開展農(nóng)業(yè)裝備自動駕駛核心技術(shù)攻關(guān)和產(chǎn)品研發(fā)。

(2)農(nóng)業(yè)裝備自動駕駛技術(shù)應(yīng)用示范方面,應(yīng)按照技術(shù)發(fā)展規(guī)律,避免急于求成和消極悲觀兩種極端思維和做法。充分考慮實際生產(chǎn)需求,結(jié)合不同作物、不同區(qū)域、不同作業(yè)環(huán)節(jié),積極開展多層次、多場景應(yīng)用示范,促進科學(xué)研究、技術(shù)迭代和示范應(yīng)用領(lǐng)域高效鏈接。

(3)結(jié)合農(nóng)業(yè)裝備自動駕駛技術(shù)和農(nóng)業(yè)生產(chǎn)應(yīng)用場景特點,加快農(nóng)業(yè)裝備自動駕駛技術(shù)分級規(guī)范和標(biāo)準(zhǔn)方面的研究,為技術(shù)研究、產(chǎn)品開發(fā)、應(yīng)用推廣和相關(guān)補貼支持政策制定提供參考依據(jù)。