張 漫 季宇寒 李世超 曹如月 徐弘禎 張振乾

(中國(guó)農(nóng)業(yè)大學(xué)現(xiàn)代精細(xì)農(nóng)業(yè)系統(tǒng)集成研究教育部重點(diǎn)實(shí)驗(yàn)室， 北京 100083)

0 引言

農(nóng)業(yè)機(jī)械自動(dòng)導(dǎo)航技術(shù)是實(shí)施精細(xì)農(nóng)業(yè)的基礎(chǔ)，可以有效減輕農(nóng)機(jī)操作人員的勞動(dòng)強(qiáng)度，提高作業(yè)精度與作業(yè)效率[1-2]。目前，農(nóng)機(jī)自動(dòng)導(dǎo)航已廣泛應(yīng)用于耕作、播種、施肥、噴藥、收獲等農(nóng)業(yè)生產(chǎn)過(guò)程[3]。

經(jīng)典的農(nóng)機(jī)自動(dòng)導(dǎo)航關(guān)鍵技術(shù)包括導(dǎo)航位姿信息獲取、導(dǎo)航路徑規(guī)劃和導(dǎo)航控制等。導(dǎo)航位姿信息的準(zhǔn)確、可靠獲取是路徑規(guī)劃與車體控制的前提條件[4-5]；優(yōu)化的導(dǎo)航路徑可有效減少資源浪費(fèi)，如減少重復(fù)、遺漏作業(yè)，減少地頭轉(zhuǎn)彎路徑等，提高作業(yè)效率[6-7]；快速、穩(wěn)定的導(dǎo)航控制能夠應(yīng)對(duì)農(nóng)田的復(fù)雜路面環(huán)境，實(shí)現(xiàn)對(duì)導(dǎo)航路徑的準(zhǔn)確跟蹤[8-9]。國(guó)內(nèi)外學(xué)者針對(duì)以上技術(shù)進(jìn)行了廣泛而深入的研究，取得了豐碩的成果。

隨著農(nóng)機(jī)作業(yè)速度的不斷提高、作業(yè)任務(wù)的逐漸復(fù)雜，經(jīng)典的農(nóng)機(jī)自動(dòng)導(dǎo)航技術(shù)已難以應(yīng)對(duì)新形勢(shì)下的安全性挑戰(zhàn)和突破效率瓶頸。因此，智能農(nóng)機(jī)導(dǎo)航技術(shù)逐漸成為研究熱點(diǎn)。智能農(nóng)機(jī)導(dǎo)航在經(jīng)典農(nóng)機(jī)自動(dòng)導(dǎo)航框架的基礎(chǔ)上，結(jié)合傳感器、物聯(lián)網(wǎng)、云計(jì)算、深度學(xué)習(xí)等技術(shù)，旨在提高農(nóng)機(jī)在自動(dòng)導(dǎo)航作業(yè)過(guò)程中的安全性與協(xié)同性，其核心技術(shù)包括自主避障與多機(jī)協(xié)同等。自主避障可實(shí)現(xiàn)對(duì)復(fù)雜農(nóng)田環(huán)境中的機(jī)器、行人等障礙物的識(shí)別與避讓，保證人機(jī)安全作業(yè)；多機(jī)協(xié)同可在復(fù)雜作業(yè)需求下，通過(guò)對(duì)農(nóng)機(jī)狀態(tài)信息監(jiān)測(cè)，進(jìn)行任務(wù)調(diào)配、多機(jī)路徑規(guī)劃，提高農(nóng)機(jī)機(jī)群整體作業(yè)效率。

本文分析國(guó)內(nèi)外農(nóng)機(jī)自動(dòng)導(dǎo)航技術(shù)研究進(jìn)展，在對(duì)農(nóng)機(jī)定位測(cè)姿、路徑規(guī)劃、運(yùn)動(dòng)控制等經(jīng)典導(dǎo)航關(guān)鍵技術(shù)進(jìn)行總結(jié)分析的基礎(chǔ)上，闡述自主避障和多機(jī)協(xié)同等智能導(dǎo)航關(guān)鍵技術(shù)的發(fā)展趨勢(shì)，并結(jié)合無(wú)人農(nóng)場(chǎng)與智慧農(nóng)業(yè)，對(duì)農(nóng)機(jī)智能導(dǎo)航技術(shù)未來(lái)應(yīng)用場(chǎng)景進(jìn)行展望。

1 自動(dòng)導(dǎo)航關(guān)鍵技術(shù)

1.1 定位測(cè)姿

國(guó)內(nèi)外學(xué)者針對(duì)全球?qū)Ш叫l(wèi)星系統(tǒng)(Global navigation satellite system, GNSS)、慣性導(dǎo)航系統(tǒng)(Inertial navigation system, INS)和機(jī)器視覺(jué)(Machine vision, MV)導(dǎo)航系統(tǒng)進(jìn)行了深入的研究，主要進(jìn)展如下。

1.1.1全球?qū)Ш叫l(wèi)星系統(tǒng)

目前，全球?qū)Ш叫l(wèi)星系統(tǒng)主要包括美國(guó)的GPS系統(tǒng)(Global positioning system)、俄羅斯的GLONASS系統(tǒng)(Global navigation satellite system)、歐盟的Galileo系統(tǒng)和中國(guó)的北斗導(dǎo)航衛(wèi)星系統(tǒng)(BeiDou navigation satellite system, BDS)。其中，北斗導(dǎo)航系統(tǒng)自2012年正式向亞太大部分地區(qū)提供區(qū)域服務(wù)，2019年北斗導(dǎo)航系統(tǒng)全球組網(wǎng)進(jìn)入沖刺期，2020年可按計(jì)劃提供全球范圍的定位、導(dǎo)航、授時(shí)等服務(wù)。閆飛等[10]采用多頻三星接收機(jī)和多星座接收模塊，通過(guò)BDS和GPS數(shù)據(jù)，得到更多的衛(wèi)星可見(jiàn)數(shù)和更穩(wěn)定的信噪比。

為實(shí)現(xiàn)農(nóng)機(jī)自動(dòng)駕駛過(guò)程中的精細(xì)作業(yè)，需要獲取分米級(jí)甚至厘米級(jí)的定位數(shù)據(jù)，常采用差分GNSS技術(shù)，即通過(guò)將位置已知基準(zhǔn)站測(cè)量的偽距修正值或相位信息發(fā)送到移動(dòng)站來(lái)提高精度。OKSANEN等[11]設(shè)計(jì)了一臺(tái)采用GNSS信號(hào)為引導(dǎo)的四輪驅(qū)動(dòng)農(nóng)業(yè)拖拉機(jī)，考慮了當(dāng)前位置、速度、航向和調(diào)控角度對(duì)導(dǎo)航的影響。羅錫文等[12]基于東方紅拖拉機(jī)，采用自主差分方式，開(kāi)發(fā)了基于RTK-DGPS的自動(dòng)導(dǎo)航控制系統(tǒng)，設(shè)計(jì)了導(dǎo)航控制器、轉(zhuǎn)向控制器和轉(zhuǎn)向裝置等。

通過(guò)GNSS接收機(jī)還可得到農(nóng)機(jī)的航向信息，根據(jù)測(cè)量原理，分為雙天線測(cè)向法和單天線測(cè)向法，表1對(duì)兩種GNSS測(cè)向方法進(jìn)行了對(duì)比。

表1 GNSS測(cè)向方法Tab.1 Heading measurement methods based on GNSS

O’CONNOR等[13]將RTK-GPS應(yīng)用于農(nóng)機(jī)導(dǎo)航中，并使用了四天線GPS系統(tǒng)為拖拉機(jī)提供位姿信息。劉兆朋等[14]在高地隙噴霧機(jī)頂端橫向安裝GNSS雙天線，可同時(shí)實(shí)現(xiàn)對(duì)位置信息、航向信息的直接測(cè)量。

GNSS可提供全天時(shí)、全天候的絕對(duì)位置與航向信息，但極端天氣或遮擋造成的GNSS信號(hào)丟失，限制了其在復(fù)雜農(nóng)田環(huán)境中的應(yīng)用。

1.1.2慣性導(dǎo)航系統(tǒng)

慣性導(dǎo)航系統(tǒng)是以陀螺儀和加速度計(jì)為敏感元件的相對(duì)參數(shù)解算系統(tǒng)，不依賴于外部信息、也不向外部輻射能量，通過(guò)航跡推測(cè)獲取位置與姿態(tài)。

(1)陀螺儀

陀螺儀基于慣性原理，輸出參考軸向的角速度，通過(guò)積分計(jì)算出角度。目前，陀螺儀主要包括機(jī)械陀螺儀、光纖陀螺儀和微機(jī)電陀螺儀。表2對(duì)比了3種陀螺儀的特性。

表2 3種陀螺儀特性對(duì)比Tab.2 Comparison of characteristics of three kinds of gyroscopes

由于陀螺儀測(cè)量角度的本質(zhì)在于對(duì)角速度積分，故具有漂移誤差，且陀螺儀受溫度影響較大，所以需要對(duì)溫度變化進(jìn)行補(bǔ)償。

(2)加速度計(jì)

加速度計(jì)基于慣性原理，可輸出參考軸向的加速度，通過(guò)積分計(jì)算出速度，通過(guò)二次積分計(jì)算出位移。加速度計(jì)具有較好的偏差穩(wěn)定性，以及對(duì)沖擊、振動(dòng)和溫度適應(yīng)性，且成本較低，因而廣泛應(yīng)用于慣性測(cè)量系統(tǒng)。

(3)磁偏計(jì)

磁偏計(jì)通過(guò)檢測(cè)地球磁場(chǎng)，輸出行進(jìn)方向與磁北的偏角，是航姿參考系統(tǒng)(Attitude and heading reference system, AHRS)等設(shè)備的重要航向參考。磁偏計(jì)的主要誤差包括：自身誤差、地磁場(chǎng)變化、周圍環(huán)境磁效應(yīng)等，需要進(jìn)行磁場(chǎng)映射校準(zhǔn)，以降低環(huán)境干擾。

(4)捷聯(lián)慣導(dǎo)

捷聯(lián)慣導(dǎo)(Strapdown inertial navigation system, SINS)是典型的INS設(shè)備，其將陀螺儀、加速度計(jì)、磁偏計(jì)按笛卡爾空間直角坐標(biāo)系三軸方向組合，構(gòu)成復(fù)合式傳感器。表3為3種捷聯(lián)慣導(dǎo)的特性對(duì)比。

表3 3種捷聯(lián)慣導(dǎo)特性對(duì)比Tab.3 Comparison of characteristics of three kinds of SINS

NOGUCHI等[15]提出了一種由RTK-GPS、光纖陀螺儀和慣性測(cè)量裝置組成的導(dǎo)航傳感器，同時(shí)獲取農(nóng)機(jī)的位置、航向、姿態(tài)信息，并校正偏差。朱忠祥等[16]設(shè)計(jì)了基于加速度計(jì)、陀螺儀、電子羅盤(pán)的航跡推算系統(tǒng)，并結(jié)合GPS定位，通過(guò)卡爾曼濾波器估計(jì)位姿，獲得了厘米級(jí)定位精度。

INS可提供高精度、高頻率姿態(tài)數(shù)據(jù)，通過(guò)航跡推測(cè)獲得位置，但溫度與積分產(chǎn)生的漂移導(dǎo)致其長(zhǎng)時(shí)間工作精度無(wú)法保證。

1.1.3機(jī)器視覺(jué)導(dǎo)航系統(tǒng)

機(jī)器視覺(jué)具有成本低、信息豐富等特點(diǎn)，適用于不規(guī)則地塊或信號(hào)遮擋環(huán)境。采用視覺(jué)導(dǎo)航時(shí)，通常將視覺(jué)傳感器安裝在農(nóng)機(jī)駕駛室上方，采集農(nóng)機(jī)前方圖像信息，通過(guò)預(yù)處理、作物行檢測(cè)，最終提取導(dǎo)航基準(zhǔn)線。

(1)圖像預(yù)處理

農(nóng)田環(huán)境下天氣、雜草、陰影、非目標(biāo)區(qū)域等因素會(huì)對(duì)作物行檢測(cè)產(chǎn)生干擾，直接檢測(cè)較難獲得理想效果。通過(guò)特殊波段視覺(jué)傳感器[17-18]或灰度化特征因子[19-20]可增大目標(biāo)區(qū)域和非目標(biāo)區(qū)域的顏色區(qū)分；通過(guò)將RGB色彩模型轉(zhuǎn)換為HSV、HSI、YCbCr等色彩模型[21-22]可消除部分陰影干擾；通過(guò)合理設(shè)置圖像中待處理的感興趣區(qū)域(Region of interest，ROI)可減少非目標(biāo)作物行的干擾，同時(shí)降低計(jì)算量[23]。

(2)作物行檢測(cè)

目前國(guó)內(nèi)外對(duì)于作物行提取方法已展開(kāi)了大量研究，主要包括垂直投影[24]、Hough變換[25]、線性回歸[26]、立體視覺(jué)[27]等，特點(diǎn)如表4所示。

目前，視覺(jué)導(dǎo)航技術(shù)已經(jīng)應(yīng)用到自動(dòng)施藥[28]、自動(dòng)除草[29]、自動(dòng)收割[30]等方面，但由于農(nóng)田環(huán)境對(duì)圖像采集穩(wěn)定性的影響，仍存在圖像模糊、信息缺失等問(wèn)題，視覺(jué)導(dǎo)航技術(shù)魯棒性需要進(jìn)一步提高。

1.1.4多傳感器信息融合

單一傳感器都有一定的局限性，為提高導(dǎo)航定位精度和可靠性，常采用多傳感器融合。多傳感器信息融合，指利用各傳感器的優(yōu)勢(shì)特征，構(gòu)成數(shù)據(jù)冗余或數(shù)據(jù)互補(bǔ)特性，提高測(cè)量結(jié)果的魯棒性和準(zhǔn)確性。

多傳感器信息融合是一個(gè)多層次、多級(jí)別的處理過(guò)程。根據(jù)數(shù)據(jù)和處理的復(fù)雜程度來(lái)對(duì)融合級(jí)別分類，可分為數(shù)據(jù)級(jí)融合、特征級(jí)融合和決策級(jí)融合，性能分析如表5所示。3個(gè)融合級(jí)別各有利弊，需要根據(jù)系統(tǒng)所需的融合精度與實(shí)時(shí)性需求合理選擇融合級(jí)別。

表5 多傳感器融合級(jí)別Tab.5 Multi-sensor fusion level

在農(nóng)田復(fù)雜的非結(jié)構(gòu)化環(huán)境中，地形、光照、氣候條件多變，使用GNSS、INS、MV單獨(dú)提供的農(nóng)機(jī)位姿信息均有一定局限性，如：GNSS受遮擋產(chǎn)生信號(hào)丟失、INS隨時(shí)間不可避免的漂移、MV受外界光照和陰影的影響等。因此，單傳感器難以應(yīng)對(duì)復(fù)雜的農(nóng)田環(huán)境，多傳感器間的數(shù)據(jù)融合是必要手段。表6對(duì)3種定位測(cè)向傳感器的特點(diǎn)進(jìn)行了分析比較。

由表6可知，GNSS/INS具有良好的數(shù)據(jù)互補(bǔ)特性，適用于農(nóng)機(jī)在農(nóng)田環(huán)境中的定位測(cè)姿。劉進(jìn)一等[31]采用全球?qū)Ш叫l(wèi)星系統(tǒng)、微機(jī)械慣性測(cè)量單元及航位推算相融合的組合導(dǎo)航定位系統(tǒng)，通過(guò)改進(jìn)的自適應(yīng)系統(tǒng)協(xié)方差矩陣的擴(kuò)展卡爾曼濾波算法融合導(dǎo)航。張京等[32]提出了一種以GNSS信號(hào)與航向角變化幅度信息為指導(dǎo)的INS與GNSS航向信息融合策略。

表6 3種傳感器特點(diǎn)Tab.6 Characteristics of three kinds of sensors

多傳感器信息融合的幾種主要方法如表7所示。

表7 多傳感器信息融合算法及其特點(diǎn)Tab.7 Characteristics of multisensor fusion algorithm

目前，在農(nóng)機(jī)導(dǎo)航系統(tǒng)中應(yīng)用的信息融合方法，應(yīng)用廣泛的是卡爾曼濾波與粒子濾波。

表8歸納了卡爾曼濾波器及粒子濾波器的特性。

表8 融合算法特性對(duì)比Tab.8 Comparison of fusion algorithms

注：擴(kuò)展卡爾曼濾波時(shí)間成本取決于雅可比矩陣求解難易程度。

1.2 路徑規(guī)劃

對(duì)于復(fù)雜農(nóng)田作業(yè)環(huán)境下的農(nóng)業(yè)機(jī)械，路徑規(guī)劃是農(nóng)機(jī)根據(jù)已知作業(yè)信息和環(huán)境信息，并結(jié)合自身傳感器對(duì)動(dòng)態(tài)環(huán)境信息的感知，按照某一性能指標(biāo)(如距離、時(shí)間等)，自行規(guī)劃出一條安全無(wú)碰撞的運(yùn)動(dòng)路線，同時(shí)高效地完成作業(yè)任務(wù)。根據(jù)環(huán)境信息的掌握情況，路徑規(guī)劃可分為全局路徑規(guī)劃和局部路徑規(guī)劃[33]。

1.2.1全局路徑規(guī)劃

全局路徑規(guī)劃是在環(huán)境信息已知的情況下，基于先驗(yàn)完全信息的路徑規(guī)劃方法。全局路徑規(guī)劃算法注重尋求最優(yōu)解，設(shè)計(jì)目標(biāo)是使規(guī)劃路徑盡可能達(dá)到最優(yōu)，主要包括可視圖法[34-35]、切線圖法[36]、Voronoi圖法[37]、自由空間法[38]、柵格法[39]等，幾種算法的特點(diǎn)如表9所示。

1.2.2局部路徑規(guī)劃

局部路徑規(guī)劃是在環(huán)境信息完全或部分未知的情況下，根據(jù)傳感器信息獲取農(nóng)機(jī)自身與環(huán)境障礙物信息進(jìn)行的實(shí)時(shí)路徑規(guī)劃。局部路徑規(guī)劃算法注重路徑安全性與實(shí)時(shí)性，以提高農(nóng)機(jī)避障能力。目前已有方法主要包括動(dòng)態(tài)窗口法[40]、人工勢(shì)場(chǎng)法[41-42]、模糊控制算法[43-44]、人工神經(jīng)網(wǎng)絡(luò)[45-46]、A*算法[47-48]、遺傳算法[49]、模擬退火算法[50]、蟻群優(yōu)化算法[51-52]和粒子群算法[53]等，幾種算法的特點(diǎn)如表10所示。

表9 全局路徑規(guī)劃算法對(duì)比Tab.9 Comparison of global path planning algorithms

表10 局部路徑規(guī)劃算法對(duì)比Tab.10 Comparison of local path planning algorithms

通過(guò)對(duì)比分析可知，全局路徑規(guī)劃算法和局部路徑規(guī)劃算法在實(shí)時(shí)性、魯棒性和安全性等方面各有特點(diǎn)，實(shí)際使用時(shí)，要根據(jù)具體的作業(yè)環(huán)境和作業(yè)要求采用不同的路徑規(guī)劃方法，從而規(guī)劃出一條安全高效、全局近似最優(yōu)的作業(yè)路徑。

1.3 運(yùn)動(dòng)控制

經(jīng)過(guò)規(guī)劃的導(dǎo)航路徑是農(nóng)機(jī)作業(yè)的期望軌跡，為實(shí)現(xiàn)導(dǎo)航路徑的跟蹤控制，需要在農(nóng)機(jī)運(yùn)動(dòng)模型、導(dǎo)航?jīng)Q策控制以及轉(zhuǎn)向與制動(dòng)控制等方面開(kāi)展研究。

1.3.1運(yùn)動(dòng)模型

在復(fù)雜農(nóng)田環(huán)境下，運(yùn)動(dòng)模型的準(zhǔn)確性將直接影響農(nóng)機(jī)導(dǎo)航作業(yè)的精度。農(nóng)機(jī)導(dǎo)航廣泛應(yīng)用的運(yùn)動(dòng)學(xué)模型有阿克曼四輪車模型和簡(jiǎn)化二輪車模型，其特征如表11所示。

由表11可知，阿克曼四輪車模型適用于更復(fù)雜的水田作業(yè)場(chǎng)景，在旱地作業(yè)中，簡(jiǎn)化二輪車模型具有簡(jiǎn)單實(shí)用的優(yōu)勢(shì)。陳哲明等[54]針對(duì)傳統(tǒng)四輪轉(zhuǎn)向系統(tǒng)，根據(jù)阿克曼轉(zhuǎn)向定理，設(shè)計(jì)了能夠改善轉(zhuǎn)向運(yùn)動(dòng)協(xié)調(diào)性和操縱穩(wěn)定性的控制策略。白曉平等[55]提出了一種農(nóng)機(jī)導(dǎo)航自校正模型控制方法，采用簡(jiǎn)化二輪車模型設(shè)計(jì)了控制律，提高了穩(wěn)定性和快速響應(yīng)性。

表11 農(nóng)機(jī)運(yùn)動(dòng)學(xué)模型特征對(duì)比Tab.11 Comparison of kinematic model of agricultural machinery

1.3.2導(dǎo)航?jīng)Q策控制

導(dǎo)航?jīng)Q策控制是導(dǎo)航系統(tǒng)的核心，期望轉(zhuǎn)向角的決策是否合理，直接影響后續(xù)的轉(zhuǎn)向執(zhí)行動(dòng)作，進(jìn)而影響整個(gè)導(dǎo)航系統(tǒng)的性能，其基本原理如圖1所示。

由于農(nóng)田作業(yè)環(huán)境復(fù)雜多變，農(nóng)機(jī)自身大延遲、大慣性和高度非線性的特征，使導(dǎo)航?jīng)Q策控制算法需具備一定的自適應(yīng)性和魯棒性。常用的農(nóng)機(jī)導(dǎo)航控制方法包括PID控制、模糊控制、純追蹤控制、滑模變結(jié)構(gòu)控制、最優(yōu)控制和模型預(yù)測(cè)等，對(duì)比分析如表12所示。丁幼春等[56]基于免疫PID方法設(shè)計(jì)了小型履帶式油菜播種機(jī)導(dǎo)航控制器，提升了響應(yīng)速度，并減小了跟隨偏差。張雁等[8]針對(duì)自主導(dǎo)航水稻直播機(jī)，構(gòu)建了一種模糊自適應(yīng)控制方法，提高了導(dǎo)航精度和動(dòng)態(tài)性能。王輝等[57]采用預(yù)瞄追蹤模型進(jìn)行農(nóng)機(jī)導(dǎo)航控制，提高了路面適應(yīng)性和上線動(dòng)態(tài)性能。焦俊等[58]構(gòu)建了等效控制和切換控制組成的自適應(yīng)滑模控制，提升了導(dǎo)航精度。李逃昌等[59]基于Frenet坐標(biāo)系構(gòu)建了運(yùn)動(dòng)學(xué)模型，并根據(jù)反饋線性化和線性二次型調(diào)節(jié)器設(shè)計(jì)了最優(yōu)控制律。劉正鐸等[60]基于線性模型預(yù)測(cè)控制方法，將松弛因子引入目標(biāo)函數(shù)，實(shí)現(xiàn)了偏差快速回調(diào)的優(yōu)化控制。

圖1 導(dǎo)航?jīng)Q策控制原理圖Fig.1 Schematic of navigation decision control

表12 控制方法特征比較Tab.12 Comparison of control method characteristics

綜上，傳統(tǒng)的算法大多存在一些問(wèn)題，如：PID控制由于其控制參數(shù)固定，當(dāng)遇到非線性、時(shí)變和結(jié)構(gòu)不確定系統(tǒng)，控制效果并不理想；模糊控制規(guī)則需要根據(jù)專家經(jīng)驗(yàn)進(jìn)行判定；滑模變結(jié)構(gòu)控制方法需采用一定手段消弱抖振。針對(duì)這些問(wèn)題，也有研究人員提供了新的思路，嘗試將不同的控制方法結(jié)合，優(yōu)勢(shì)互補(bǔ)以得到更好的控制效果。唐小濤等[61]采用模糊算法動(dòng)態(tài)確定純追蹤模型的前視距離，實(shí)現(xiàn)了精準(zhǔn)平穩(wěn)的跟蹤效果。籍穎等[62]為了消弱滑?？刂频念澏冬F(xiàn)象，采用模糊控制方法改進(jìn)了滑模變結(jié)構(gòu)控制系統(tǒng)，提高了系統(tǒng)控制準(zhǔn)確性和魯棒性。

1.3.3轉(zhuǎn)向與制動(dòng)控制

(1)轉(zhuǎn)向控制

轉(zhuǎn)向控制系統(tǒng)是導(dǎo)航系統(tǒng)的執(zhí)行部分，其原理如圖1中虛線框所示。目前廣泛應(yīng)用的轉(zhuǎn)向方式包括電動(dòng)方向盤(pán)轉(zhuǎn)向和電控液壓閥轉(zhuǎn)向，性能對(duì)比如表13所示。

表13 轉(zhuǎn)向控制系統(tǒng)性能對(duì)比Tab.13 Comparison of steering control system

在農(nóng)機(jī)平臺(tái)，電動(dòng)方向盤(pán)相對(duì)電控液壓轉(zhuǎn)向，容易改裝且便于移植，而電控液壓轉(zhuǎn)向的控制精度較高。張漫等[63]通過(guò)PLC和步進(jìn)電機(jī)控制方向盤(pán)轉(zhuǎn)動(dòng)，進(jìn)而實(shí)現(xiàn)農(nóng)機(jī)自動(dòng)導(dǎo)航。李偉等[64]為提高噴霧劑的機(jī)動(dòng)性能和作業(yè)效率，設(shè)計(jì)了全液壓多輪轉(zhuǎn)向系統(tǒng)，并提出了基于PID控制方法的四輪轉(zhuǎn)向系統(tǒng)控制方法。

(2)制動(dòng)控制

在導(dǎo)航過(guò)程中，制動(dòng)控制模塊一方面用于緊急情況下的及時(shí)停車，另一方面用于農(nóng)機(jī)作業(yè)行駛速度的協(xié)助控制。王致情[65]使用數(shù)字信號(hào)處理器的I/O端口輸出高低電平，并配合繼電器電路控制電動(dòng)推桿的正反轉(zhuǎn)，實(shí)現(xiàn)了推桿對(duì)制動(dòng)踏板的往返控制。

2 智能導(dǎo)航技術(shù)

近年來(lái)，隨著傳感器技術(shù)、深度學(xué)習(xí)算法、物聯(lián)網(wǎng)和云計(jì)算等的突破性進(jìn)展，智能農(nóng)機(jī)導(dǎo)航及其相關(guān)技術(shù)成為新的研究熱點(diǎn)。

自主避障與多機(jī)協(xié)同技術(shù)是智能導(dǎo)航技術(shù)重要的研究方向[66]。前者保證了智能農(nóng)機(jī)在復(fù)雜農(nóng)田環(huán)境中的作業(yè)安全，后者提高了智能導(dǎo)航農(nóng)機(jī)的作業(yè)效率。本文主要分析自主避障與多機(jī)協(xié)同兩項(xiàng)技術(shù)的研究現(xiàn)狀與發(fā)展趨勢(shì)。

2.1 自主避障

自主避障技術(shù)可使農(nóng)機(jī)在復(fù)雜農(nóng)田環(huán)境中，僅通過(guò)自身車載傳感器感知、檢測(cè)、識(shí)別障礙物，為局部避障路徑的合理規(guī)劃提供可靠依據(jù)。

農(nóng)田是典型的非結(jié)構(gòu)化環(huán)境，具有地面不平整、障礙物種類多等特點(diǎn)，增加了傳感器環(huán)境感知、障礙物檢測(cè)與識(shí)別、避障行為決策等環(huán)節(jié)的難度。農(nóng)田環(huán)境感知傳感器及性能分析如表14所示。

表14 農(nóng)田環(huán)境感知傳感器及性能分析Tab.14 Performance analysis of farmland environmental sensors

通過(guò)對(duì)比上述傳感器的性能、成本和適用情景等，歸納激光雷達(dá)與RGB相機(jī)在農(nóng)田數(shù)據(jù)采集，以及障礙物檢測(cè)、識(shí)別、跟蹤的相關(guān)研究成果與發(fā)展趨勢(shì)。

2.1.1激光雷達(dá)

激光雷達(dá)(Light detection and ranging，LiDAR)探測(cè)周圍環(huán)境中目標(biāo)點(diǎn)與自身的距離，結(jié)合測(cè)量角度，獲得目標(biāo)點(diǎn)的極坐標(biāo)位置。表15為激光雷達(dá)分類對(duì)比。

表15 激光雷達(dá)分類及對(duì)比Tab.15 Classification and comparison of LiDAR

由表15可知，基于飛行時(shí)間原理的三維機(jī)械式激光雷達(dá)，能夠適應(yīng)農(nóng)田復(fù)雜多變的光照情況，并提供高精度、高速率、廣視角的三維點(diǎn)云。但其成本較高，國(guó)內(nèi)外的智能農(nóng)機(jī)平臺(tái)多采用二維激光雷達(dá)[67-68]。目前，研發(fā)高線數(shù)、低成本的固態(tài)三維激光雷達(dá)已成為行業(yè)發(fā)展趨勢(shì)。

激光雷達(dá)采集的點(diǎn)云，需先進(jìn)行點(diǎn)云配準(zhǔn)、點(diǎn)云去噪等預(yù)處理，再通過(guò)分割、聚類等算法檢測(cè)障礙物，最終應(yīng)用分類、跟蹤算法實(shí)現(xiàn)障礙物識(shí)別。

(1)點(diǎn)云配準(zhǔn)

激光雷達(dá)采集的原始點(diǎn)云數(shù)據(jù)，是以視點(diǎn)為原點(diǎn)的極坐標(biāo)點(diǎn)，需進(jìn)行時(shí)間配準(zhǔn)和空間配準(zhǔn)，得到全局一致點(diǎn)云。時(shí)間配準(zhǔn)可保證激光雷達(dá)與GNSS/INS采集時(shí)間的同步性，空間配準(zhǔn)利用農(nóng)機(jī)的位姿信息對(duì)點(diǎn)云進(jìn)行坐標(biāo)變換，獲得全局一致的點(diǎn)云。點(diǎn)云配準(zhǔn)為農(nóng)田動(dòng)靜態(tài)障礙物的識(shí)別及動(dòng)態(tài)障礙物的跟蹤提供了可靠數(shù)據(jù)基礎(chǔ)。季宇寒等[69]搭建了基于三維激光雷達(dá)的農(nóng)田環(huán)境信息采集系統(tǒng)，通過(guò)在農(nóng)機(jī)上安裝GNSS/AHRS獲取位姿信息，對(duì)GNSS定位和點(diǎn)云數(shù)據(jù)偏差進(jìn)行姿態(tài)補(bǔ)償。

(2)點(diǎn)云去噪

激光雷達(dá)受自身與外界因素的影響，點(diǎn)云存在噪聲，需進(jìn)行濾波去噪。點(diǎn)云噪聲主要表現(xiàn)為：漂移點(diǎn)、孤立點(diǎn)、冗余點(diǎn)、混雜點(diǎn)等。其中，前3種噪聲具有較明顯的密度或距離特征，比較容易去除。混雜點(diǎn)與正確點(diǎn)云易混淆，通常采用平滑算法進(jìn)行修正。表16對(duì)點(diǎn)云平滑濾波算法進(jìn)行了總結(jié)。

表16 點(diǎn)云平滑濾波算法Tab.16 Filtering algorithms for smoothing point cloud

由表16可知，有序點(diǎn)云的點(diǎn)與點(diǎn)之間存在拓?fù)潢P(guān)系，濾波算法簡(jiǎn)單高效，實(shí)時(shí)性好。無(wú)序點(diǎn)云的點(diǎn)分布散亂，濾波算法復(fù)雜，實(shí)時(shí)性差。智能農(nóng)機(jī)自主避障對(duì)實(shí)時(shí)性要求較高，有序點(diǎn)云濾波算法有更實(shí)際的研究與應(yīng)用價(jià)值。

(3)點(diǎn)云分割

經(jīng)過(guò)預(yù)處理的點(diǎn)云仍可能包含非障礙點(diǎn)云，如：超出距離范圍的點(diǎn)云、農(nóng)機(jī)自身的點(diǎn)云、地面點(diǎn)云等，需進(jìn)行分割篩除。表17歸納了非障礙點(diǎn)云分割篩除的算法。

由表17可知，對(duì)前兩類非障礙點(diǎn)云，使用合理的經(jīng)驗(yàn)閾值分割即可獲得較好效果。地面點(diǎn)云與障礙物點(diǎn)云緊密連接，干擾后續(xù)點(diǎn)云聚類效果。國(guó)內(nèi)外學(xué)者針對(duì)不同的場(chǎng)景提出多種方法，如：斯坦福大學(xué)的stanley無(wú)人車，先通過(guò)投影法獲得前方道路點(diǎn)云高度柵格圖，后利用相鄰柵格的高度差和一階馬爾科夫模型實(shí)現(xiàn)地面點(diǎn)云的快速分割[70]。董敏等[71]提出了基于三維網(wǎng)格圖的點(diǎn)云分離方法，通過(guò)找到地面基準(zhǔn)點(diǎn)并將地面屬性蔓延至其他各點(diǎn)，實(shí)現(xiàn)地面點(diǎn)的分離。

表17 點(diǎn)云分割算法Tab.17 Segmentation algorithms for removing outlier of point cloud

(4)點(diǎn)云聚類

經(jīng)過(guò)地面點(diǎn)云分割的點(diǎn)云，按照特定的聚類規(guī)則分成相互獨(dú)立的簇，即完成農(nóng)田障礙物的檢測(cè)。聚類算法根據(jù)聚類規(guī)則的不同，分為基于劃分、層次、密度、模型等，表18總結(jié)了點(diǎn)云聚類算法及其特點(diǎn)。

表18 點(diǎn)云聚類算法Tab.18 Clustering algorithms of point cloud

國(guó)內(nèi)外學(xué)者主要采用基于劃分和基于密度的聚類方法，前者具有很高的時(shí)間空間效率，后者在參數(shù)合適的情況下，具有良好的密度適應(yīng)性并具有一定抗噪能力?；趯哟蔚木垲愔饕獞?yīng)用于離線系統(tǒng)下的點(diǎn)云聚類?；谀Ｐ偷狞c(diǎn)云聚類主要應(yīng)用于已知點(diǎn)云分布模型的前提下。BEHLEY等[72]針對(duì)三維點(diǎn)云數(shù)據(jù)，提出了基于改進(jìn)的索引八叉樹(shù)的半徑鄰域檢索法，通過(guò)在聚類過(guò)程中對(duì)不相關(guān)子樹(shù)進(jìn)行剪枝，提高半徑鄰域檢索的速度。劉家銀等[73]針對(duì)非結(jié)構(gòu)化環(huán)境的負(fù)障礙物檢測(cè)問(wèn)題，根據(jù)貝葉斯法則進(jìn)行多幀特征點(diǎn)對(duì)融合，采用DBSCAN對(duì)融合后點(diǎn)對(duì)進(jìn)行聚類和過(guò)濾。

(5)障礙物分類

通過(guò)聚類獲得障礙物團(tuán)簇，為進(jìn)一步確定障礙物的類別，需要對(duì)聚類團(tuán)簇進(jìn)行特征提取與分類。根據(jù)選取特征是否是人為定義，可將特征分為人工特征與學(xué)習(xí)特征。表19歸納了點(diǎn)云團(tuán)簇的人工特征及其特點(diǎn)。

表19 點(diǎn)云團(tuán)簇的人工特征Tab.19 Artificial characteristics of point cloud clusters

學(xué)習(xí)特征是通過(guò)有監(jiān)督的機(jī)器學(xué)習(xí)算法自動(dòng)歸納的特征。目前，點(diǎn)云分類應(yīng)用的傳統(tǒng)機(jī)器學(xué)習(xí)分類器包括Adaboost[74]、SVM[75]等。隨著深度學(xué)習(xí)發(fā)展，直接使用三維點(diǎn)云數(shù)據(jù)進(jìn)行訓(xùn)練與驗(yàn)證的深度學(xué)習(xí)算法已成為新的發(fā)展趨勢(shì)[76]。

(6)障礙物跟蹤

通過(guò)對(duì)障礙物的形狀、位置、運(yùn)動(dòng)等狀態(tài)進(jìn)行識(shí)別后，利用相同障礙物特征自相關(guān)度高于不同障礙物的特點(diǎn)，對(duì)相鄰幀間的相同障礙物進(jìn)行關(guān)聯(lián)，最終實(shí)現(xiàn)對(duì)運(yùn)動(dòng)障礙物的跟蹤。

障礙物跟蹤的關(guān)鍵算法為數(shù)據(jù)關(guān)聯(lián)與跟蹤算法。其中，經(jīng)典的數(shù)據(jù)關(guān)聯(lián)算法包括概率統(tǒng)計(jì)與確定性方法，根據(jù)障礙物屬性合理構(gòu)造特征向量十分關(guān)鍵。跟蹤算法最常見(jiàn)的依然是卡爾曼濾波[77]、粒子濾波等傳統(tǒng)狀態(tài)估計(jì)方法。通過(guò)對(duì)比多幀數(shù)據(jù)中障礙物的位置與速度變化，確定障礙物的靜動(dòng)態(tài)屬性，進(jìn)而確定動(dòng)態(tài)障礙物的航跡起點(diǎn)、運(yùn)動(dòng)矢量、航跡終點(diǎn)等。

2.1.2RGB相機(jī)

以RGB相機(jī)為代表的機(jī)器視覺(jué)，以其設(shè)備價(jià)格低、便于安裝、數(shù)據(jù)信息量豐富、且處理算法較為成熟的特點(diǎn)，在農(nóng)機(jī)自動(dòng)導(dǎo)航避障方面有著廣泛的研究與應(yīng)用。首先，使用相機(jī)獲取彩色圖像，后對(duì)圖像進(jìn)行預(yù)處理、運(yùn)動(dòng)目標(biāo)檢測(cè)、運(yùn)動(dòng)目標(biāo)追蹤等步驟，最終從圖像中獲得障礙物信息。

(1)圖像獲取

在農(nóng)機(jī)自動(dòng)導(dǎo)航避障方面，圖像的獲取常使用單目相機(jī)[78]、雙目相機(jī)[79]或全景相機(jī)[80-83]，其獲取圖像的優(yōu)缺點(diǎn)如表20所示。

表20 3種相機(jī)設(shè)備的優(yōu)缺點(diǎn)對(duì)比Tab.20 Advantages and disadvantages of three camera devices

目前，在農(nóng)機(jī)自動(dòng)導(dǎo)航避障方面，憑借價(jià)格低廉、測(cè)距較為準(zhǔn)確等優(yōu)點(diǎn)，雙目相機(jī)得到了較多的應(yīng)用，技術(shù)較為成熟。而全景相機(jī)因其超廣角的視野范圍，有著良好的發(fā)展前景。

(2)圖像預(yù)處理

在實(shí)際農(nóng)田作業(yè)環(huán)境下，光照、灰塵、相機(jī)抖動(dòng)等都對(duì)圖像有著較大的影響，進(jìn)而影響障礙物的檢測(cè)效果?？梢酝ㄟ^(guò)使用特殊的顏色空間模型[84]、光線自適應(yīng)法[85]以及圖像復(fù)原[86]等進(jìn)行圖像預(yù)處理，提高成像質(zhì)量。

(3)障礙目標(biāo)檢測(cè)

農(nóng)機(jī)在農(nóng)田作業(yè)時(shí)，可能遇到多種障礙目標(biāo)，如運(yùn)動(dòng)的人、其他農(nóng)機(jī)等。目前，常用于圖像中障礙目標(biāo)檢測(cè)的方法有閾值分割法、背景差分法、幀差法、光流法以及機(jī)器學(xué)習(xí)等方法。上述方法在障礙物檢測(cè)方面的主要優(yōu)缺點(diǎn)如表21所示。

閾值分割法：通過(guò)圖像中障礙目標(biāo)的顏色與背景圖像的差異，選定合適的閾值，分割出前景障礙目標(biāo)。該方法計(jì)算簡(jiǎn)單，但對(duì)于紋理、顏色復(fù)雜的圖像則效果較差。侯之旭等[87]提出一種基于彩色圖像分割的障礙物檢測(cè)方法。

表21 主要障礙物檢測(cè)方法的優(yōu)缺點(diǎn)對(duì)比Tab.21 Advantages and disadvantages of main obstacle detection methods

背景差分法：通過(guò)建立背景模型，從圖像中將背景減去，提取出前景目標(biāo)。該方法計(jì)算簡(jiǎn)單，但對(duì)背景建模的要求較高，且動(dòng)態(tài)背景下難以檢測(cè)到運(yùn)動(dòng)目標(biāo)。LIU等[88]提出一種基于背景差分，與Otsu、形態(tài)學(xué)運(yùn)算相結(jié)合的運(yùn)動(dòng)目標(biāo)檢測(cè)算法。

幀差法：通過(guò)連續(xù)兩幀圖像差分，從而獲得運(yùn)動(dòng)的前景目標(biāo)。該方法操作簡(jiǎn)單，但對(duì)于動(dòng)態(tài)背景，難以檢測(cè)到運(yùn)動(dòng)目標(biāo)，需要通過(guò)多種補(bǔ)償才能取得較好的效果[89-90]。

光流法：通過(guò)算法追蹤圖像中的像素點(diǎn)或檢測(cè)出的特征點(diǎn)，實(shí)現(xiàn)運(yùn)動(dòng)目標(biāo)的檢測(cè)[91]。該方法適用性廣、靈活，能夠檢測(cè)多種情況下的障礙物，但計(jì)算復(fù)雜度較高，且不能完整提取出障礙目標(biāo)。YANG等[92]使用Lucas-Kanade光流法在景深全景圖像中進(jìn)行行人檢測(cè)。

機(jī)器學(xué)習(xí)[93-94]：通過(guò)機(jī)器學(xué)習(xí)的方法，對(duì)農(nóng)田中可能會(huì)出現(xiàn)的障礙物進(jìn)行檢測(cè)。機(jī)器學(xué)習(xí)方法具有無(wú)需考慮模型、識(shí)別分類準(zhǔn)確率高等優(yōu)點(diǎn)，但同時(shí)也有分類器學(xué)習(xí)網(wǎng)絡(luò)設(shè)計(jì)復(fù)雜、訓(xùn)練時(shí)間長(zhǎng)等缺點(diǎn)。

(4)障礙目標(biāo)跟蹤

在檢測(cè)并確定障礙目標(biāo)后，可以通過(guò)核函數(shù)[95]、Camshift[96]等算法實(shí)現(xiàn)對(duì)障礙目標(biāo)的跟蹤。

綜上，激光雷達(dá)與機(jī)器視覺(jué)在農(nóng)機(jī)自動(dòng)導(dǎo)航避障方面的研究與應(yīng)用，受到國(guó)內(nèi)外學(xué)者的廣泛關(guān)注，取得了很好的效果。但仍存在數(shù)據(jù)易受環(huán)境干擾、數(shù)據(jù)量大、實(shí)時(shí)性差等問(wèn)題，針對(duì)檢測(cè)算法的魯棒性還需要進(jìn)一步提高。

2.2 多機(jī)協(xié)同作業(yè)

隨著中國(guó)農(nóng)業(yè)集約化、規(guī)?；?、產(chǎn)業(yè)化的發(fā)展，以及導(dǎo)航作業(yè)需求的提高，多機(jī)協(xié)同導(dǎo)航成為農(nóng)機(jī)導(dǎo)航研究的熱點(diǎn)。多機(jī)協(xié)同導(dǎo)航系統(tǒng)由一個(gè)主機(jī)、多個(gè)從機(jī)和一個(gè)遠(yuǎn)程服務(wù)器端構(gòu)成，系統(tǒng)示意圖如圖2所示。主機(jī)在前方引導(dǎo)作業(yè)，各從機(jī)通過(guò)車間通信和遠(yuǎn)程通信，實(shí)時(shí)接收來(lái)自主機(jī)或遠(yuǎn)程服務(wù)器任務(wù)指令，配合主機(jī)協(xié)同導(dǎo)航完成總體作業(yè)任務(wù)。

圖2 多機(jī)協(xié)同導(dǎo)航系統(tǒng)示意圖Fig.2 Schematic of multi machine cooperative navigation system

目前，國(guó)內(nèi)的研究工作主要集中于單一農(nóng)機(jī)自動(dòng)導(dǎo)航作業(yè)，關(guān)于多機(jī)協(xié)同導(dǎo)航技術(shù)的研究相對(duì)較少。國(guó)外在多機(jī)協(xié)同導(dǎo)航領(lǐng)域研究起步較早，取得了一定研究成果[97-98]。多機(jī)協(xié)同導(dǎo)航的關(guān)鍵技術(shù)涉及協(xié)同導(dǎo)航模式、通信技術(shù)、協(xié)同控制技術(shù)以及遠(yuǎn)程監(jiān)控平臺(tái)等。

2.2.1協(xié)同導(dǎo)航模式

多機(jī)協(xié)同作業(yè)模式主要分為跟隨型協(xié)同作業(yè)模式和命令型協(xié)同作業(yè)模式[99-100]。

跟隨型協(xié)同作業(yè)，即以多機(jī)中的一臺(tái)為主機(jī)，其他農(nóng)機(jī)為從機(jī)。從機(jī)以預(yù)定的相對(duì)距離和角度跟隨主機(jī)作業(yè)。例如，多臺(tái)同種旋耕機(jī)可以進(jìn)行跟隨型協(xié)同作業(yè)，以其中一臺(tái)作為主機(jī)，其余旋耕機(jī)作為從機(jī)，以不同相對(duì)位置跟隨主機(jī)協(xié)同完成旋耕任務(wù)。

命令型協(xié)同作業(yè)，即遠(yuǎn)程監(jiān)控平臺(tái)發(fā)布總體任務(wù)，命令各農(nóng)機(jī)去特定區(qū)域執(zhí)行作業(yè)任務(wù)。主機(jī)根據(jù)作業(yè)任務(wù)，基于此目標(biāo)作業(yè)區(qū)域信息和當(dāng)前位置、航向進(jìn)行全局路徑規(guī)劃，并考慮自身需求向從機(jī)發(fā)布子任務(wù)。各從機(jī)接收到子任務(wù)，通過(guò)任務(wù)完成代價(jià)對(duì)比，由代價(jià)相對(duì)較低的從機(jī)完成相應(yīng)子任務(wù)。例如，打捆機(jī)利用自身導(dǎo)航系統(tǒng)確定草捆的位置，并通過(guò)無(wú)線通信網(wǎng)絡(luò)發(fā)送給各草捆運(yùn)送機(jī)，各草捆運(yùn)送機(jī)根據(jù)自身及草捆的位置信息進(jìn)行路徑規(guī)劃，路徑最優(yōu)者獲得該任務(wù)，并通過(guò)自身導(dǎo)航系統(tǒng)完成草捆運(yùn)送，實(shí)現(xiàn)命令型協(xié)同作業(yè)。

2.2.2通信技術(shù)

協(xié)同導(dǎo)航的通信任務(wù)，涉及底層通信、車間通信和遠(yuǎn)程通信3部分。

(1)底層通信

底層通信是導(dǎo)航系統(tǒng)內(nèi)部各傳感器與控制終端的通信。在底層通信技術(shù)方面，由于各控制系統(tǒng)均有獨(dú)立的ECU作為控制單元，隨著電控技術(shù)應(yīng)用領(lǐng)域的不斷拓寬，傳統(tǒng)點(diǎn)對(duì)點(diǎn)的通信方式已很難適應(yīng)現(xiàn)代農(nóng)機(jī)智能導(dǎo)航對(duì)于多節(jié)點(diǎn)控制系統(tǒng)的需求。

目前底層通信的主流實(shí)現(xiàn)方案為控制器局域網(wǎng)總線(Controller area network, CAN)。CAN總線可以實(shí)現(xiàn)眾多電子單元之間的數(shù)據(jù)交換和共享，且線路簡(jiǎn)單、實(shí)時(shí)性好、抗干擾能力強(qiáng)、可靠性高，適用于復(fù)雜農(nóng)田環(huán)境下的農(nóng)機(jī)智能導(dǎo)航數(shù)據(jù)通信。劉陽(yáng)[101]為拖拉機(jī)自動(dòng)導(dǎo)航系統(tǒng)開(kāi)發(fā)了CAN總線網(wǎng)絡(luò)，主要包括轉(zhuǎn)向控制、播種和智能控制終端3個(gè)節(jié)點(diǎn)。

(2)車間通信

要實(shí)現(xiàn)多機(jī)協(xié)同導(dǎo)航，多機(jī)之間的通信技術(shù)方案選取十分關(guān)鍵。短距離無(wú)線通信技術(shù)包括Bluetooth、IrDA、ZigBee、超寬帶、數(shù)傳電臺(tái)等技術(shù)，在傳輸速度、距離、耗電量、功能擴(kuò)充以及單機(jī)應(yīng)用方面各有優(yōu)劣[102-103]。多機(jī)協(xié)同作業(yè)，各農(nóng)機(jī)之間需要進(jìn)行狀態(tài)信息交互，LI等[104]設(shè)計(jì)了車間通信協(xié)議幀格式，進(jìn)行狀態(tài)信息傳輸。

(3)遠(yuǎn)程通信

遠(yuǎn)程通信指作業(yè)農(nóng)機(jī)與遠(yuǎn)程監(jiān)控平臺(tái)間的通信，主要用于控制命令的下發(fā)和農(nóng)機(jī)狀態(tài)信息的上傳。目前，廣泛應(yīng)用的遠(yuǎn)距離無(wú)線通信技術(shù)為GPRS、4G和5G，目前4G應(yīng)用較為廣泛，未來(lái)5G將成為主流技術(shù)。李世超等[105]設(shè)計(jì)了遠(yuǎn)程通信協(xié)議，通過(guò)4G網(wǎng)絡(luò)和無(wú)線通信模塊實(shí)現(xiàn)了各農(nóng)機(jī)信息與服務(wù)器之間雙向通信。

2.2.3協(xié)同控制

多機(jī)協(xié)同導(dǎo)航控制方法旨在協(xié)調(diào)控制多機(jī)協(xié)作過(guò)程中相互之間的位置關(guān)系，或根據(jù)任務(wù)需求協(xié)調(diào)從機(jī)配合主機(jī)共同完成作業(yè)。白曉平等[106]針對(duì)領(lǐng)航-跟隨結(jié)構(gòu)，結(jié)合反饋線性化及滑模控制理論設(shè)計(jì)了收獲機(jī)群路徑跟蹤控制律和隊(duì)形保持控制律。李翰博[107]針對(duì)動(dòng)態(tài)競(jìng)爭(zhēng)環(huán)境中的多自主車輛系統(tǒng)的協(xié)作控制與分布式優(yōu)化問(wèn)題，研究了車輛編隊(duì)中的跟隨和隊(duì)形控制、道路交叉口區(qū)域多車協(xié)作以及自主車輛任務(wù)規(guī)劃等協(xié)同控制方法。

綜上，要實(shí)現(xiàn)高精度的田間協(xié)同導(dǎo)航作業(yè)，需要高性能的通信網(wǎng)絡(luò)和協(xié)同控制方法。未來(lái)可以考慮5G在多機(jī)協(xié)同導(dǎo)航技術(shù)中的應(yīng)用，此外還需加強(qiáng)多機(jī)地頭轉(zhuǎn)向時(shí)為避免沖突的協(xié)同控制方法研究。

2.2.4遠(yuǎn)程監(jiān)控平臺(tái)

多機(jī)協(xié)同作業(yè)遠(yuǎn)程監(jiān)控平臺(tái)是多機(jī)協(xié)同導(dǎo)航系統(tǒng)的重要組成部分，可以實(shí)現(xiàn)對(duì)區(qū)域內(nèi)多機(jī)協(xié)同作業(yè)的實(shí)時(shí)遠(yuǎn)程監(jiān)控，并對(duì)作業(yè)農(nóng)機(jī)實(shí)現(xiàn)作業(yè)管理和調(diào)度管理[1,66,100]。

多機(jī)協(xié)同作業(yè)遠(yuǎn)程監(jiān)控平臺(tái)主要涉及農(nóng)機(jī)與平臺(tái)之間的遠(yuǎn)程通信、多機(jī)協(xié)同作業(yè)信息管理和多機(jī)協(xié)同調(diào)度管理[108]。遠(yuǎn)程監(jiān)控平臺(tái)利用無(wú)線網(wǎng)絡(luò)與車載終端進(jìn)行遠(yuǎn)程通信[105]，實(shí)現(xiàn)對(duì)多機(jī)協(xié)同作業(yè)的作業(yè)管理和調(diào)度管理。其中，作業(yè)管理主要涉及多機(jī)協(xié)同導(dǎo)航作業(yè)信息遠(yuǎn)程監(jiān)測(cè)、作業(yè)進(jìn)度實(shí)時(shí)分析以及作業(yè)質(zhì)量在線評(píng)估等；調(diào)度管理主要是為了實(shí)現(xiàn)區(qū)域農(nóng)田內(nèi)的多機(jī)協(xié)同作業(yè)任務(wù)分配和路徑規(guī)劃。

目前，國(guó)內(nèi)外很多大型農(nóng)業(yè)機(jī)械均已安裝遠(yuǎn)程監(jiān)控終端[109-110]，但大多針對(duì)農(nóng)機(jī)作業(yè)的遠(yuǎn)程監(jiān)測(cè)和作業(yè)信息管理，對(duì)于區(qū)域內(nèi)多個(gè)農(nóng)機(jī)協(xié)同作業(yè)的調(diào)度管理，國(guó)內(nèi)外的研究和應(yīng)用相對(duì)較少。

多機(jī)協(xié)同作業(yè)遠(yuǎn)程管理調(diào)度[111]需要在多臺(tái)農(nóng)機(jī)和多個(gè)作業(yè)地塊間建立一種映射關(guān)系，綜合考慮地塊位置、任務(wù)數(shù)量、作業(yè)能力、路徑代價(jià)和時(shí)間期限等因素，在滿足實(shí)際作業(yè)約束條件的前提下，以最小化調(diào)度成本和損失為目標(biāo)，生成最優(yōu)的調(diào)度方案，使農(nóng)機(jī)有序地為農(nóng)田作業(yè)地塊服務(wù)，從而實(shí)現(xiàn)區(qū)域內(nèi)多機(jī)協(xié)同作業(yè)的調(diào)度管理。

(1)多機(jī)協(xié)同作業(yè)任務(wù)分配

多機(jī)協(xié)同作業(yè)任務(wù)分配的關(guān)鍵是在具有多個(gè)農(nóng)機(jī)、多個(gè)任務(wù)的農(nóng)田作業(yè)環(huán)境中，將多個(gè)任務(wù)合理地分配給各個(gè)農(nóng)機(jī)，并且各個(gè)農(nóng)機(jī)根據(jù)分配的任務(wù)尋找一條最優(yōu)的作業(yè)序列，從而建立一個(gè)路徑短、效率高、資源配置合理的調(diào)度模型。

目前，解決任務(wù)分配問(wèn)題的方法[112-113]主要包括線性規(guī)劃法[114]、市場(chǎng)機(jī)制法[115-116]、行為激勵(lì)法[117]、情感招募法[118-119]、空閑鏈法[120]以及基于群體智能的方法[121-122]等，幾種算法的優(yōu)缺點(diǎn)如表22所示。

表22 任務(wù)分配方法性能對(duì)比Tab.22 Comparison of task allocation methods

(2)多機(jī)協(xié)同作業(yè)路徑規(guī)劃

在多機(jī)協(xié)同作業(yè)過(guò)程中，農(nóng)田作業(yè)環(huán)境中障礙物較多，農(nóng)機(jī)之間也存在相互影響，成為彼此的障礙物，因此，多機(jī)協(xié)同作業(yè)路徑規(guī)劃難度較大，單一的路徑規(guī)劃算法無(wú)法得到很好的規(guī)劃效果。

有研究將多種路徑規(guī)劃方法進(jìn)行改進(jìn)和整合[123-124]，取長(zhǎng)補(bǔ)短，從而實(shí)現(xiàn)最優(yōu)路徑規(guī)劃。要想解決復(fù)雜農(nóng)田作業(yè)環(huán)境下的多機(jī)協(xié)同作業(yè)路徑規(guī)劃，需要在全局路徑規(guī)劃的前提下，進(jìn)行局部路徑的調(diào)整，不發(fā)生沖突時(shí)要保證全局規(guī)劃最優(yōu)，沖突發(fā)生時(shí)進(jìn)行局部規(guī)劃，沖突解決以后繼續(xù)以全局最優(yōu)進(jìn)行再規(guī)劃[125-126]。

多機(jī)協(xié)同作業(yè)任務(wù)分配和路徑規(guī)劃是多機(jī)協(xié)同導(dǎo)航系統(tǒng)研究的關(guān)鍵問(wèn)題，高效合理的任務(wù)分配和路徑規(guī)劃可以提高整個(gè)系統(tǒng)的執(zhí)行效率，同時(shí)降低執(zhí)行代價(jià)。當(dāng)前國(guó)內(nèi)外的研究工作已經(jīng)取得了一些成果[127]，研究方法也在不斷的創(chuàng)新，但是還有一些問(wèn)題亟待解決。由于農(nóng)田作業(yè)環(huán)境具有復(fù)雜性和動(dòng)態(tài)性，多機(jī)協(xié)同作業(yè)對(duì)任務(wù)分配和路徑規(guī)劃方法提出了更高的要求，主要集中在以下幾方面：任務(wù)分配和路徑規(guī)劃的動(dòng)態(tài)性和實(shí)時(shí)性問(wèn)題；復(fù)雜任務(wù)的分解問(wèn)題；農(nóng)機(jī)-任務(wù)的供需匹配問(wèn)題；實(shí)驗(yàn)室研究成果的推廣應(yīng)用問(wèn)題等。

3 無(wú)人農(nóng)場(chǎng)與智慧農(nóng)業(yè)

隨著人工智能、大數(shù)據(jù)、物聯(lián)網(wǎng)等前沿技術(shù)的發(fā)展，農(nóng)業(yè)生產(chǎn)方式從機(jī)械化向自動(dòng)化、智能化迅速邁進(jìn)。信息與通信技術(shù)也促進(jìn)了精細(xì)農(nóng)業(yè)技術(shù)體系的更新?lián)Q代，新時(shí)代的精細(xì)農(nóng)業(yè)技術(shù)體系被稱為精細(xì)農(nóng)業(yè)2.0，也被稱為“智慧農(nóng)業(yè)”(Smart agriculture)。農(nóng)業(yè)機(jī)器人不僅越發(fā)多元化、智能化，還推動(dòng)了“無(wú)人農(nóng)場(chǎng)”等新興概念的出現(xiàn)。

智慧農(nóng)業(yè)示意圖如圖3所示，遠(yuǎn)程管理系統(tǒng)實(shí)現(xiàn)任務(wù)規(guī)劃和作業(yè)路徑規(guī)劃并發(fā)布，智能農(nóng)機(jī)裝備完成耕地、播種、施肥、噴藥和收獲等作業(yè)，全程實(shí)現(xiàn)無(wú)人管理。

圖3 智慧農(nóng)業(yè)示意圖Fig.3 Smart agriculture

全球首個(gè)“無(wú)人農(nóng)場(chǎng)”誕生在英國(guó)，哈珀亞當(dāng)斯大學(xué)(Harper Adams University)與精準(zhǔn)決策公司(Precision Decisions)合作，推出了“Hands Free Hectare”項(xiàng)目，實(shí)現(xiàn)了全球第一批全程沒(méi)有人工介入的大麥種植管理。在1 hm2的實(shí)驗(yàn)田內(nèi)，實(shí)現(xiàn)了全過(guò)程自動(dòng)化，整個(gè)種植過(guò)程不允許任何人進(jìn)入農(nóng)田，采用無(wú)人機(jī)進(jìn)行作物長(zhǎng)勢(shì)檢測(cè)，自動(dòng)導(dǎo)航農(nóng)機(jī)進(jìn)行土壤采樣、噴藥等管理，自動(dòng)導(dǎo)航聯(lián)合收獲機(jī)進(jìn)行收獲，整個(gè)過(guò)程只需要參與者在操作間完成。實(shí)驗(yàn)田的產(chǎn)量雖僅為4.5 t/hm2，低于人力密集型種植方式(平均產(chǎn)量為6.8 t/hm2)，但為未來(lái)農(nóng)業(yè)的發(fā)展指明了方向。

日本在政府的支持下，開(kāi)展了智慧農(nóng)業(yè)的研究與示范，在智慧農(nóng)場(chǎng)示范區(qū)推廣應(yīng)用日本研發(fā)的智慧農(nóng)業(yè)先進(jìn)技術(shù)。主要技術(shù)包括：遠(yuǎn)程操控?zé)o人駕駛農(nóng)業(yè)機(jī)械，無(wú)人機(jī)感知和人工智能相結(jié)合的精準(zhǔn)施肥施藥技術(shù)，適應(yīng)無(wú)人智能農(nóng)機(jī)的土地整治，智能手機(jī)在種植和養(yǎng)殖中的應(yīng)用，農(nóng)業(yè)大數(shù)據(jù)的共享與應(yīng)用等。

我國(guó)從農(nóng)業(yè)發(fā)展實(shí)際出發(fā)，大力研究、推廣、應(yīng)用智慧農(nóng)業(yè)技術(shù)，我國(guó)北斗導(dǎo)航衛(wèi)星系統(tǒng)的建設(shè)，助推了智慧農(nóng)業(yè)，農(nóng)機(jī)智能導(dǎo)航技術(shù)的研發(fā)與應(yīng)用成為我國(guó)發(fā)展智慧農(nóng)業(yè)的亮點(diǎn)。在黑龍江農(nóng)墾區(qū)和新疆生產(chǎn)建設(shè)兵團(tuán)，由于作業(yè)面積、作物、作業(yè)要求的特點(diǎn)，農(nóng)機(jī)自動(dòng)導(dǎo)航裝備得到了廣泛應(yīng)用，特別是在新疆棉花產(chǎn)區(qū)，棉花穴播播種的同時(shí)需要測(cè)深施肥，播種施肥的同時(shí)又需要鋪膜，鋪膜的同時(shí)還需要鋪設(shè)滴灌管，這些農(nóng)藝特點(diǎn)使得農(nóng)機(jī)自動(dòng)導(dǎo)航裝備成為不可缺少的配置。

4 結(jié)論與展望

(1)為實(shí)現(xiàn)復(fù)雜農(nóng)田環(huán)境下農(nóng)業(yè)機(jī)械的自動(dòng)導(dǎo)航，國(guó)內(nèi)外學(xué)者進(jìn)行了廣泛而深入的研究，取得了豐碩的成果。GNSS、INS、MV融合的定位測(cè)姿、全局與局部結(jié)合的路徑規(guī)劃和精確的運(yùn)動(dòng)控制是實(shí)現(xiàn)農(nóng)機(jī)自動(dòng)導(dǎo)航的關(guān)鍵技術(shù)。

(2)隨著農(nóng)機(jī)自動(dòng)導(dǎo)航技術(shù)的推廣，智能農(nóng)機(jī)及其導(dǎo)航技術(shù)成為智慧農(nóng)業(yè)的發(fā)展趨勢(shì)。自主避障技術(shù)可保證人機(jī)作業(yè)安全，多機(jī)協(xié)同作業(yè)技術(shù)可發(fā)揮機(jī)群作業(yè)優(yōu)勢(shì)，提高農(nóng)機(jī)作業(yè)效率，以上研究已逐漸成為新的研究熱點(diǎn)。

(3)信息與通信技術(shù)促進(jìn)了智慧農(nóng)業(yè)的發(fā)展。我國(guó)北斗導(dǎo)航衛(wèi)星系統(tǒng)的建設(shè)，進(jìn)一步助推了智慧農(nóng)業(yè)，農(nóng)機(jī)智能導(dǎo)航技術(shù)的研發(fā)與應(yīng)用已成為我國(guó)發(fā)展智慧農(nóng)業(yè)的亮點(diǎn)。