農業裝備自動駕駛技術研究現狀與展望

孟志軍 王 昊 付衛強 劉孟楠 尹彥鑫 趙春江,3

(1.北京市農林科學院智能裝備技術研究中心, 北京 100097; 2.智能農業動力裝備全國重點實驗室, 北京 100097;3.國家農業智能裝備工程技術研究中心, 北京 100097)

0 引言

隨著人工智能、大數據、物聯網等前沿技術的快速發展,農業生產方式從機械化向自動化、智能化迅速邁進。智慧農業已成為各國現代農業科技競爭的制高點、未來農業發展的新業態[1]。發展智慧農業是貫徹落實我國“四化同步”國家戰略、加快轉變農業發展方式和推進農業現代化建設的迫切需要,對建設數字中國、實施鄉村振興戰略、推進農業高質量發展具有重要意義。隨著工業化與城鎮化的不斷推進,我國農業生產面臨勞動力短缺和老齡化的嚴峻挑戰,農業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]。

農業裝備自動駕駛是機器換人完成大田農業生產任務的重要途徑[3-4]。早在20世紀60年代,國外學者就已經開始了農業裝備自動駕駛技術的研究。隨著高精度衛星導航定位系統的普及和智能網聯汽車技術的進步,國內外農業裝備自動駕駛技術和相關的產品研發也實現快速迭代。目前具有自動駕駛功能的智能農業裝備研發采用的通用系統架構如圖1所示。傳統農業裝備通過搭載傳感器、控制器和執行機構等裝置,融合高精度地圖及定位、自動控制和信息通信等技術,能夠自動進行路徑規劃、導航避障、作業控制等一系列操作,已經有效地減輕農民在大田生產耕、種、管、收、運等環節的作業強度。

圖1 農業裝備自動駕駛系統架構Fig.1 System architecture of unmanned agricultural machinery

本文從環境感知、工況感知、決策規劃、橫向控制和縱向控制等方面對農業裝備自動駕駛技術進行探討,分析作為典型的非道路車輛的農業機械在半結構化的農田場景實現自動駕駛所面臨的難點和挑戰。結合大田農業生產的典型應用分析農業裝備自動駕駛技術的發展趨勢,為相關研究提供參考和借鑒,促進農業裝備自動駕駛技術的發展和推廣應用。

1 農業裝備自動駕駛關鍵技術

農業裝備自動駕駛的核心技術包括智能感知、決策規劃和執行控制。智能感知是指農業裝備利用車載傳感器探測和監控機組工況及周圍環境信息。根據感知對象的不同,農業裝備自動駕駛智能感知研究主要包括環境感知與工況感知兩方面。通過對外界環境的感知可以實現車輛作業目標和障礙物的檢測,通過車輛工況的感知可以實現車輛位置姿態、執行機構和控制器的運行狀態監測,對保障作業安全和作業質量具有重要意義。決策規劃是指根據感知信息進行車輛行走和作業的狀態切換和路徑規劃。執行控制指通過對電機、液壓系統等執行機構的控制,實現農業裝備作業過程中橫向(方向)控制和縱向(速度)控制及其組合對農業裝備運動狀態和作業質量的調整和控制。

1.1 環境感知

自動駕駛農業裝備在復雜農田環境下自主行走與作業控制,首先要對周邊的作業環境進行在線感知與分析,通常環境感知技術主要用于地塊邊界識別、動靜態障礙物識別以及目標跟蹤與識別等任務。目前,農業裝備自動駕駛系統環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用場景,通過對不同傳感器進行標定、對齊實現融合感知,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

農田地塊邊界信息是保障無人農業裝備精準作業的重要數據,可以用于導航地圖的路徑規劃和電子圍欄的設定。目前農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前離線數據采集和基于車載傳感器數據融合的作業中實時感知兩種方式。

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

基于遙感圖像的農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田地塊信息[15]。在高分辨率衛星圖像中,分辨率通?？梢赃_到亞米級,然而對于自動駕駛農業裝備來說,這一精度難以滿足自動駕駛農業裝備精準作業的要求。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邊緣檢測算法易于實現,能夠準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田邊界檢測[17-19]。WANG等[20]提出基于GrabCut的農田圖像分割方法,通過簡單的人機交互實現多個農田邊界信息的提取。隨著人工智能的發展,越來越多研究者[21-23]采用卷積神經網絡算法提取農田邊界。雖然卷積神經網絡表現出良好的檢測效果,但神經網絡模型的訓練通常需要大量的標注樣本,同時模型的遷移能力還需進一步提升。

為了實現農田邊界的在線感知,有研究者在農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]?；趩文恳曈X采集的農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實現農田區域的識別,并不能明確農田邊界的距離信息。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,最終得到了農機前方田埂距離與高度信息?；谝曈X的農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確性;另一方面,部分農田周邊雜草叢生,地塊內外邊界不明顯,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業裝備安全駕駛的基本功能[28]。農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、草垛等靜態物體與人、牲畜、其他農機車輛等動態物體。而負障礙物主要是指溝渠、深坑等低于路面影響作業和通行的地物。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業裝備通常采用被動測量與結構光兩種方式檢測田間障礙物[30-31]。結構光相機普遍安裝在農機前方,基于障礙物外觀、幀間差分方式與立體匹配法檢測障礙物?；谕庥^的障礙物檢測從連續圖像中獲取所有目標邊緣、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,則連續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的運動物體。而立體匹配法能夠得到目標的深度與輪廓[33-34]。陳斌等[35]在農業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目標檢測模型,實現了田間行人和其他農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部的溫度差,標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,將采集的點云數據進行濾波與聚類便可得到障礙物的位置。尚業華等[11]設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據進行降采樣,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、探測距離遠等優點,同時具有不受雨雪等極端天氣影響的特點,主要應用于檢測田間動態障礙物。

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。激光雷達能夠準確感知物體的三維結構,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,實現移動物體的準確測量,可用于檢測田間動態障礙物。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]設計了以視覺感知為主,毫米波雷達探測為輔的農田障礙物感知策略,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據進行聚類分析確定靜態障礙物的數量、邊界與位置,該檢測方法能夠有效排除非障礙物的干擾,實現障礙物的完整檢出。

多傳感器的數據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。農機上需要配備更強性能的圖形處理設備,這增加了自動駕駛系統的成本。另一方面,多種傳感器同時配置在作業場景復雜的農業裝備上,其長時間工作的穩定性難以保證。對比來看,具有先驗知識的高精度地圖在農業裝備自主作業過程中能夠減少實時環境感知帶來的計算量,提高了工作的穩定性?；谝陨峡紤],基于農業裝備自動駕駛的農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業裝備在不損害作物情況下自主作業的前提[38-40]。作物行檢測應用于農業中的多種場景,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與神經網絡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業勞作而變化,作物與作物行寬度卻會隨著作物生長與輪換而變化,因此對不同生產環節都需要對作物行進行精確檢測[41]。

在衛星定位信號失鎖或無法獲取導航路徑的經緯度信息時,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、分割閾值優化與形態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。由于收獲時農業裝備容易造成一定范圍的揚塵影響視覺的檢測,少數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業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,根據高度差區分已割與未割區域。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據進行有效識別與剔除。采用移動平均數字濾波算法,消除系統測量噪聲。通過信號階躍變化模式識別算法,實現了收獲邊界的在線檢測。尚業華等[11]將預處理后的點云數據分為兩類,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。

作物行檢測在精準農業中應用前景廣闊。眾多研究者基于傳統圖像算法與機器學習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。針對動態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航參數的優化也是農業裝備自動駕駛需要進一步研究的方向。

1.2 農業裝備工況感知

農業裝備工況感知主要分為運行工況和作業工況兩方面,這類信息直接關系到自動駕駛農業裝備的導航精度與作業質量,大多通過CAN總線或者加裝傳感器實現農業裝備工況信息的采集與感知。

1.2.1運行工況感知

自動駕駛農業裝備本體的運行工況感知主要面向發動機、轉向系、傳動系、車身、車輪等對象,包括轉矩、轉速、排放、姿態、車速、輪速、振動以及應變等關鍵參數。

農業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總線直接獲取發動機、傳動系統、排放的實際數據以及各類ECU(Electronic control unit)故障信息,對農業裝備的改造較小。孟志軍等[48]讀取了紐荷蘭1404型動力換擋拖拉機CAN總線的發動機轉速,并量化了油門開度與發動機轉速的線性關系,最終實現了輪速控制。周俊博等[49]采集20組濰柴拖拉機柴油機CAN總線上的故障數據,并作為故障診斷的驗證樣本數據。楊麗麗等[50]基于沃得4LB-150AA型谷物聯合收獲機的CAN總線數據,建立了發動機平均扭矩、發動機平均轉速、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測拖拉機車速、輪速、車身姿態、傳動系轉矩、殼體應變以及振動等信息。這類監測方式對農業裝備的改造較大,測試成本較高,但是數據獲取更直接、數據量更大。車速和輪速的監測是拖拉機自動駕駛與作業控制的關鍵基礎,吸引諸多學者投入其中,有學者采用旋轉編碼器、旋轉電位計和接近開關等測量元件直接或間接獲取驅動輪轉速,最終換算拖拉機前進的理論速度[51];還有學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,但難以適應地形變化[52-54];此外,部分研究人員將雷達傳感器應用到實際車速的獲取中,提高了測量精度,但是成本較高,對農用機械來講推廣意義小和實用性較差[55-60]。另外,也有學者在車身姿態、轉矩、應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]采用動態傾角傳感器設計了丘陵山地拖拉機的車身姿態監測系統;WEN等[62]基于應變電測法獲取了拖拉機前橋關鍵測點田間作業工況下的應力載荷數據,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工況下的實測應力數據。

農業裝備運行工況感知可實時監測農業裝備自動駕駛過程中的主機運行狀況,為主機發動機、傳動系統等各機構的精準控制提供基礎數據支撐,目前在農業裝備自動駕駛技術領域是非常重要的數據源。

1.2.2作業工況感知

農業裝備自動駕駛機組的作業工況信息主要包括懸掛系統牽引力、懸掛提升位置、PTO扭矩、PTO轉速以及液壓流量和壓力等信息。

針對懸掛系統牽引力監測,諸多學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,經驗證可實時獲取牽引力數據[64-65]。針對液壓流量和壓力監測,大部分學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測,YIN等[66]設計了一種基于MPU6050運動處理模塊車身姿態傳感器,實時監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中的提升臂上拉桿或者下拉桿,結合懸掛機構的幾何關系推算耕深,測量綜合精度可達±1.4 mm,且測量線性度高、穩定性好。針對動力輸出軸轉矩檢測,現有研究大多采用無線轉矩傳感器直接測取關鍵部件作業數據,閆祥海等[68]開展了沙土旋耕、沙土驅動耙、黏土旋耕和黏土驅動耙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矩載荷。

農業裝備作業工況感知可實時監測拖拉機牽引機具作業時懸掛機構與機具實際的受載、受力情況,這一類作業工況信息的實時反饋有利于直接分析拖拉機作業時的牽引性能、牽引效率,可進一步發揮自動駕駛農業裝備的實際作業性能,提升作業質量和作業效率。

1.3 農業裝備路徑規劃

農業裝備路徑規劃以農田位置、大小、邊界、障礙物以及農業裝備幅寬、轉彎半徑、作業類型等基本信息為依據,以最短作業時間、最小行駛距離、最低作業能耗為約束,對單臺農業裝備在農田地塊中的作業路徑、多臺農業裝備協同作業路徑及農業裝備在多個農田地塊之間轉移路徑進行合理規劃,為農業裝備自動駕駛提供基礎支撐[69-70]。

1.3.1單機農田全覆蓋路徑規劃

農業裝備在農田內部典型駕駛行為包括地頭轉彎掉頭、作業、避障,農田全覆蓋路徑規劃主要是針對農業裝備上述駕駛行為進行的路徑規劃。

(1)農業裝備地頭轉彎掉頭規劃

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

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

(2)農業裝備田間作業路徑規劃

在農業裝備田間作業路徑規劃方面,根據農田地塊形狀、農業裝備作業類型和農藝約束的不同,農業裝備作業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,在應用中需要根據實際情況進行選擇,如表3所示[78-80]。目前,農業裝備田間作業路徑規劃方法已相對成熟,在耕作、施藥、施肥及收獲等領域已經得到了初步應用[81]。羅錫文等[82]通過采集地塊四頂點坐標,依據作業行距離信息以及地塊形狀規劃平行線路徑,并采用地頭跨行轉向的方式,實現了作業區域的全覆蓋。KHAJEPOUR等[83]結合帶有容量約束的弧路徑方法(CARP)對農業裝備田間路徑規劃算法進行了優化,有效提高了農業裝備全覆蓋路徑規劃效率。WANG等[84]針對不規則農田自主作業過程路徑規劃效率低、通過性不強等問題,提出一種改進的魚尾形地頭轉彎路徑規劃方法,配合梭行作業模式,有效提升了不規則地塊有限地頭空間轉彎的對行精度和作業效率。

表3 常見作業路徑規劃方法對比Tab.3 Comparison of path planning algorithms

(3)農業裝備田間避障路徑規劃

農業裝備遇到障礙物實現停車讓行或繞開障礙是農業裝備自動駕駛的基本要求。繞開障礙物則需要先根據農業裝備自身參數、障礙物信息及作業需求,規劃出一條繞障路徑[85]。目前,較為成熟的避障路徑規劃算法有人工勢場法(Artificial potential field, APF)、動態窗口法(Dynamic window approach, DWA)、模糊邏輯法(Fuzzy logic, FL)以及人工神經網絡算法(Artificial neural network, ANN)等[86]。因農業裝備作業環境復雜,常規的避障路徑規劃算法應用于農業裝備避障路徑規劃算法具有一定的局限性,國內外研究者在傳統避障路徑規劃的基礎上進行了改進設計,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加以改進,避免了陷入局部最優解的問題。勞彩蓮等[88]提出了一種基于改進A*算法與動態窗口法結合的路徑規劃算法,利用超聲波傳感器進行環境感知并通過優化動態窗口算法進行運動軌跡預測,對路徑規劃的平滑性有了一定程度的改善。

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

1.3.2多機協同路徑規劃

多臺農業裝備協同作業能夠極大提高作業效率,是當前重要的研究熱點。高效合理、安全可靠的多機協同路徑規劃是多機協同作業的重要保障。目前國內外學者針對農業裝備多機協同作業模式與路徑規劃方法研究已經取得了一定進展。曹如月等[89]為實現農田作業環境下的多機協同作業,提出了基于改進A*和Bezier曲線的多機協同路徑規劃算法,降低了轉彎次數。翟志強等[90]針對多機協同過程存在轉彎路徑重疊,存在碰撞風險等問題,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同作業導航路徑規劃方法,有效提高了多機協同作業效率,降低了地頭轉向碰撞風險。多機協同路徑規劃的主要難點在于多機作業過程農業裝備轉彎以及作業沖突問題[91],目前在以收獲卸糧為主要應用場景的主-從協同路徑規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同作業的路徑規劃與調度算法還處于仿真階段,未來還需對多機協同算法進行優化和實驗驗證,以提高多機協同作業效率及靈活性,滿足不同農業裝備作業場景需求[92]。

1.3.3農業裝備田塊間轉移路徑規劃

農業裝備田塊間轉移是指在一定區域范圍內的多塊農田中,農業裝備從一個地塊到另一個地塊的轉移過程。在季節性農業裝備機群作業場景下,根據作業任務需求、農業裝備作業性能以及時間能耗等約束條件,通過合理分配農業裝備作業任務,規劃最優轉移路徑,可實現多臺農業裝備有序、安全、高效轉移及作業[93]。針對農業裝備多任務分配以及轉移路徑規劃問題,國內外相關學者多以車輛調度模型為基礎,結合農業裝備作業的實際情況進行調度模型的研究并加以優化改進。JENSEN等[94]針對跨區段農業裝備調度時空問題,利用D*結合圖論法多臺機器在同一條路徑的調度模型進行了優化,有效提升了作業車輛在場內與場間運輸的規劃與執行效率。D’URSO等[95]基于農業經營背景,針對小問題實例與大型問題實例分別提出了基于動態規劃的精確算法和基于分支定界的隨時近似算法。王猛等[96]為解決農業裝備作業過程因突發狀況引起的作業時間增加、作業任務無法完成等問題,提出了一種同種農業裝備機群動態作業任務分配方法,有效提升了多機作業效率。目前,農業裝備田塊間轉移路徑規劃主要難點在于多機任務分配的動態性以及實時性問題[1],未來可針對不同應用環境及任務需求,研究動態條件下農業裝備任務分配與路徑優化方法,提高多機路徑轉移效率[97]。

1.4 橫向控制

橫向控制是指受控農業裝備在所設計的路徑跟蹤算法作用下,能快速且穩定地跟蹤上參考路徑,并沿著指定路徑行駛[98]。橫向控制相關研究主要包含自動轉向控制、農業裝備數學模型和路徑跟蹤算法3部分。

1.4.1自動轉向控制

自動轉向控制系統是自動導航與路徑跟蹤控制的關鍵,控制方法的選擇及控制系統性能對整個控制系統起著至關重要的作用。目前,國內外常見的農業裝備自動轉向驅動方式主要有電液和電機驅動2種。由于農田環境復雜,設計控制系統時應考慮自動轉向系統的應用環境、導向輪在工作過程的滑移等因素。因此,轉向控制的方法能否較好地適應控制環境,關鍵在于如何調整控制參數以提高控制系統的快速性和準確性[99]。

在自動轉向控制研究初期,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,采用死區補償PD控制算法,設計了基于電液比例閥的自動轉向控制系統,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,設計基于比例方向閥自動轉向驅動裝置,采用死區補償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向的自動控制,采用橫擺角速度魯棒自適應控制理論提高了自動轉向動態跟蹤性能。趙春江團隊[103-105]提出了一種支持農業裝備駕駛人員手動操作優先的電液轉向控制方法,導向輪轉角控制誤差0.23°,自動/手動轉向切換時間0.8 s,提升了自動轉向控制參數的適應性和應急響應速度。黎永鍵等[106]采用雙閉環PID控制算法在東方紅X804型拖拉機上進行電液比例轉向控制試驗,穩態跟蹤誤差不超過 0.6°。

隨著農業裝備自動駕駛系統后裝市場的發展,對自動轉向裝置提出了強適應性、加裝快速性、高可靠性要求,因而,農業裝備自動轉向裝置的主流方式轉變為電機驅動。陳文良等[107]設計了步進電機驅動轉向器總成實現自動轉向裝置,采用增量式PID控制算法,控制誤差0.2°。GONZLEZ等[108]設計了基于模糊控制算法的拖拉機電機轉向控制盒,系統響應時間0.5 s,左右極值切換時間2 s。劉陽[109]在TN654型拖拉機上設計了一套基于CAN總線的自動導航系統,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動,所設計驅動系統誤差為 0.197°,平均上升時間2.0 s;平均調節時間(3%誤差帶)為2.4 s。YIN等[66]采用模糊/PID復合控制算法控制安裝在水稻插秧機轉向柱上的電機進行自動轉向,轉向角8°、25°階躍響應仿真結果表明,超調量分別為0.2°和1.6°,響應時間分別為0.34 s和0.45 s,調節時間分別為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向,采用嵌套PID控制方法以實現電動方向盤的內環速度控制和外環角度控制,泥底層平坦與不平坦的水田中直線行駛時轉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向任務,但在較大阻力時會存在電機力矩不足而導致控制響應滯后的情況。

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

1.4.2農業裝備數學模型

在農業裝備橫向控制中,最經典、應用最廣泛的是ELLIS提出的二輪車運動學模型(圖3)[113]。該模型假設地面平坦、前進速度恒定、輪胎沒有側偏、車輛沒有側向滑移。在這種模型中,把農業裝備抽象為一個二輪車,在大地直角坐標系中,用農業裝備當前位姿、農業裝備當前的航向角、轉向輪當前的轉角、農業裝備當前的速度矢量,以及農業裝備后輪中心的坐標、農業裝備前后輪的軸距等參量表示。

圖3 農業裝備二輪車運動學模型Fig.3 Two wheels kinematics model of agriculture vehicle

農業裝備橫向控制技術的主要目的是保持機具作業點按照預定軌跡行進。但是,在農業裝備作業過程中,存在作業機具與農業裝備主機作業軌跡不一致現象,影響了農業裝備作業質量。這一現象在農業裝備掛載牽引式機具和農業裝備曲線導航時更為明顯。郝思佳等[114-115]在農業裝備二輪車運動學模型基礎上建立拖拉機-播種機運動學模型。為了研究拖拉機半掛車機組自動直線倒車自動控制技術,朱忠祥等[116-117]建立了拖拉機半掛車機組的運動學模型(圖4),并根據機具工況對模型進行了簡化。BACKMAN等[118]基于拖拉機-牽引式農機具運動學模型,建立了非線性模型預測控制路徑跟蹤系統,設計的控制器能夠保證拖拉機和農業裝備在牽引速度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-牽引式農機具運動學模型,并設計了分布式非線性模型預測控制器,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模型Fig.4 Kinematics model of tractor-trailer combination

由于農業裝備本身的復雜性、土壤農田環境以及作業負載的突變性,農業裝備自動駕駛控制系統是一個復雜的不確定性系統?；谶\動學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致的農業裝備動力學特性的變化,路徑跟蹤控制方法難以取得預期的效果。為此,諸多學者尋求建立高保真的自動駕駛農業裝備非線性動力學模型。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模型,為后續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,提高了系統的穩定性。

由于復雜的地表情況和農業裝備結構,農業裝備機組運動學模型難以精準建立。對此,諸多學者采用神經網絡等智能方法直接輸出下一時刻車輛運動狀態或控制指令。陳軍等[122]構建了行駛農業裝備的4-4-4-3結構神經網絡結構運動模型;該神經網絡模型的4個輸入單元分別為農業裝備當前位置與目標路徑的距離、當前位置農業裝備的橫擺角、當前位置車輛的轉向角、車輛轉向角的變化量;3個輸出單元分別為下一個采樣點農業裝備與目標路徑的距離、橫擺角以及轉向角。WANG等[123]提出了一種基于動態模態分解算法的拖拉機在線系統辨識方法,通過少量的學習數據即可實現對車輛運動狀態的估計,結合卡爾曼濾波方法實現在衛星信號失鎖的情況下估算車輛位姿,維持高精度導航。

目前,在農業裝備數學模型研究中,農業裝備運動學模型和農業裝備動力學模型應用比較廣泛[124]。由于地表狀況和農業裝備結構上的原因,行駛農業裝備模型難以精確建立,會對農業裝備橫向控制效果產生負面影響。采用包括神經網絡在內的機器學習方法建立農業裝備運動模型,可以避免建模不準確或者模型參數劇烈變化對農業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的控制器和基于控制理論的控制器[125]?；趲缀螌W的控制器是根據車輛轉向的幾何關系,結合期望路徑推導出車輛轉角或者角速度,典型的算法如純追蹤算法[126]和前輪反饋算法(Stanley)[127]?；诳刂评碚摰目刂破髦?常用的算法有PID控制[128]、LQR(Linear quadratic regulator)[129]和LQG(Linear quadratic gaussian)[130]、模型預測控制[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確的車輛模型和車體反饋量,以實現對農業裝備運動的控制[135]。

在基于幾何運動學的控制算法方面,純追蹤模型是其中最經典的模型,可用一個公式表達前輪轉角與橫向誤差、航向誤差和預瞄距離之間的關系,理論簡單,參數少,在抗干擾和路徑跟蹤的整體表現優于其他方法,逐漸成為農業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,純追蹤模型的預瞄距離受跟蹤偏差、車速、路徑曲率等的影響,預瞄距離固定的傳統純路徑跟蹤控制算法不能滿足需求,國內外研究人員圍繞預瞄距離自適應的純路徑跟蹤算法展開了研究[20-21]。FUE等[139]根據路徑的曲率和車速改變預瞄距離,在速度1.2 m/s下,控制精度可達0.04 m。WOODS等[140]根據車輛的橫向偏差調整預瞄距離,在車速為1.0 m/s的情況下,控制一臺四輪獨立轉向的車輛,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上,增加了基于人群搜索算法的實時評估環節,使改進后的純追蹤算法可以依據適應度函數在線調整預瞄距離,田間試驗結果表明,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聯合滑?？刂品椒?實現速度自適應控制,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,標準差為1.25 cm。張華強等[144]通過粒子群優化算法實時確定純追蹤模型預瞄距離,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于預瞄距離固定的控制器。WANG等[145-146]提出了一種預瞄距離速度自適應的農業裝備作業純路徑跟蹤控制算法,通過優化損失函數選擇最優的速度權重,在變速度工況0～4 m/s下,水泥地面和農田導航誤差分別為1.3 cm和3.3 cm,提高了自動駕駛系統速度適應性。

美歐日等發達國家農業裝備橫向控制技術研究較早,以農業裝備衛星自動駕駛為代表的橫向控制技術已經產品化,并由直線導航逐步擴展了曲線導航、地頭自動轉向、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。隨著國內對農業裝備橫向控制技術研究的深入,國內以上海聯適、農芯科技、中創博遠、惠達科技、上海華測、無錫卡爾曼等公司為代表的農業裝備北斗自動駕駛技術產品逐步占領了國內大部分市場,并開始逐步開拓歐美市場。兩款國內農業裝備橫向控制技術典型產品和主要核心裝置如圖5所示。

圖5 國內農業裝備橫向控制技術產品Fig.5 Domestic agricultural machinery lateral control technology products

1.5 縱向控制

縱向控制是指受控農業裝備在各種作業、運輸工況下行駛速度控制和掛載農業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、機組系統建模和機具耕深控制3部分。

1.5.1農業裝備定速巡航控制方法

農業裝備定速巡航控制方式主要分為3種:①原動機轉速保持不變,通過調節傳動系傳動比調節行駛速度。②傳動系傳動比保持不變,通過調節原動機轉速調節行駛速度。③原動機轉速與傳動系傳動比同時調節實現行駛速度調節。

KAYACAN等[149]設計了一款PID控制器來實現速度控制,田間試驗時的速度控制誤差為0.04 m/s。ROSHANIANFARD等[150]指出開發自動駕駛農業車輛時,須選用自動變速器的車輛,有利于通過TCU發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,設計了一種基于步進電機的油門自動調節裝置,研制了基于電-液綜合式結構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,自動變速機構反應時間最大為19 s。郭娜等[152]提出了基于變論域自適應模糊 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。魏傳省[153]以約翰迪爾4720型靜液壓傳動拖拉機為平臺設計了基于CAN的拖拉機定速巡航控制系統,使用電動油門調節器對油門踏板實現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3種工況下進行了試驗,速度控制誤差為0.012 m/s。

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

表4 農業裝備速度控制策略對比Tab.4 Comparison of agricultural machinery speed control strategies

1.5.2農業裝備機組系統建模

農業裝備機組的數學模型主要包括作業機組動力學模型、電液懸掛系統數學模型、輪胎-土壤作用力模型以及犁體受力模型。

針對作業機組動力學模型,OSINENKO等[154]分析了拖拉機牽引效率的主要因素,建立拖拉機動力學模型,基于驅動力反饋力矩提出了能夠適應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具系統振動微分方程,通過仿真分析,研究了拖拉機懸掛不同質量農具時拖拉機與懸掛農具系統振動特性。BAUER等[156]驗證了犁耕作業時,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。

針對電液懸掛系統數學模型,趙建軍[157]采用狀態空間建立了拖拉機懸掛系統的負載敏感變量泵、電液比例控制閥的數學模型,田間試驗結果表明,牽引力超調量小于14.3%,耕深控制在 20～25 cm 范圍內,效果良好。譚彧[158]建立了比例控制的液壓懸掛系統數學模型,土槽試驗結果表明,當力位綜合調節的綜合度值為0.6時,控制效果最優。杜巧連等[159]建立了耕深和阻力控制數學模型,試驗結果表明,位控制過渡時間0.65 s,誤差 ±1.5 cm; 力控制調節時間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]結合經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的數學模型,并提供了一種基于輪胎充氣壓力數值評估的車輪打滑預測方法;試驗結果表明,當輪胎壓力限制在 80～200 kPa之間時,模型的最佳擬合優度R2達到0.957 5。LEE等[161]利用統計框架和車輛-土壤相互作用試驗數據,從一個簡單的基于物理的輪胎-土壤相互作用模型構建隨機元模型,并對模型進行了參數校準和響應預測;模型驗證結果表明,根據作者提出的兩種衡量指標,拉桿拉力的預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-輪胎接觸面垂直應力的分布情況,為輪胎預埋了高精度陣列應力傳感器,試驗證明載荷對于垂直應力的影響最大,然后依次是胎壓、行駛速度、縱向距離和橫向距離。

現有農業裝備機組系統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設計、控制方法研究以及整機控制策略提供了基礎數據和檢驗依據。后續拖拉機機組系統建模研究將著重關注農業裝備自動駕駛的準確追蹤路徑與高質量牽引作業的綜合需求。

1.5.3機具耕深控制方法

現有機具耕深控制方法主要分為阻力控制(力調節)、位置控制(位置調節)、力位綜合控制(即力位綜合調節)以及滑轉率控制。目前,力位綜合控制和滑轉率控制是農業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的耕深模糊控制器,可以實現耕深的力位雙參數控制,仿真結果表明,耕深從0到20 cm的響應時間低于1.7 s,耕深為20 cm的最大誤差在±1 cm內。劉長卿等[167]針對力位綜合控制器,考慮懸掛系統非線性和參數變化情況下控制性能適應性,田間試驗表明,當權重系數為0.7時,牽引力為16 350 N,牽引力標準差為2 640 N;耕深為1.84 cm,耕深標準差為0.339 cm。

農業裝備機組滑轉率控制這一概念出現于20世紀80年代,主要針對拖拉機重載作業工況,國外學者CHANCELLOR等[168]、ISMAIL等[169]發現控制車輪滑轉率可實現拖拉機作業的節能、省油以及高效。隨后,諸多學者投入研究,延續至今?，F有面向滑轉率控制的研究主要分為低速作業車輪滑轉率測算[170-172]和拖拉機機組滑轉率控制[173-176]。

國外對于拖拉機懸掛系統機具耕深控制的研究起步較早,開始于20世紀30年代,主要集中于大型拖拉機生產廠家,現在拖拉機電液懸掛系統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電液懸掛系統最具代表性,該系統配有微型處理器,可檢測車速、發動機轉速、耕深、牽引阻力等電信號,實現力調節、位調節、滑轉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)等大型農業裝備廠家的拖拉機產品大多配有自產的電液懸掛系統,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

而國內的電液懸掛系統相關研究開始于20世紀70年代,主要集中在中國農業大學、南京農業大學等科研院校,于2000年國內開始系統研發電液懸掛系統及內置控制方法,并開始產出初代電液懸掛系統產品,其中最具代表性的是博創聯動?，F階段,與國外先進農業裝備廠家相比,國內電液懸掛系統產品成熟度不足,可靠性仍待檢驗,推廣應用仍顯薄弱,隨著農業裝備智能化進一步發展,電液懸掛系統相關產品將很快進入快速發展階段。

2 典型農業場景自動駕駛應用

農業裝備自動駕駛技術的應用主要分為3方面:以農業裝備橫向控制為主的自動導航技術與產品的應用;增加環境感知、自動避障、路徑規劃等功能的農業裝備自動駕駛技術應用;具備自動駕駛功能的農業裝備在農業全程無人化生產方面的集成應用[177-179]。

2.1 自動導航技術與產品應用

歐美日等發達國家在農業裝備自動駕駛領域研究較早。美國斯坦福大學在20世紀90年代將差分GPS應用于John Deere 7800型拖拉機進行自動導航控制,在速度0.33 m/s下實現了直線行駛橫向偏差0.38 cm的控制精度[180]。日本于20世紀90年代成功研制了基于GPS的自動導航拖拉機[181],德國Fendt公司同時也發布了領航-跟隨型自動駕駛拖拉機,實現人工駕駛主機、從機自主跟隨的機群作業。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業裝備自動導航技術產品,成為行業標桿[182]。我國于2000年前后開始研究農業裝備自動駕駛系統,落后國外近10年[183]。羅錫文等[82]基于東方紅X-804型拖拉機平臺開發了RTK-DGPS自動導航控制系統,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]。中國農業大學于2009年開展了基于視覺的收獲機導航系統研究,割幅控制誤差在0.18 m以內[184]。近年來,隨著北斗衛星定位系統的成熟與商業化應用,基于衛星定位的農業裝備自動導航技術實現了新的突破,如北京農業智能裝備技術研究中心創新性提出了基于PID參數自適應的手動優先自動轉向控制方法,解決了自動轉向裝置適應性差、應急響應慢等問題,成功研發了基于GNSS的AMG-1102系列產品,該產品具備手動優先電液轉向控制、速度自適應的作業純路徑跟蹤控制等多項國內首創技術,導航控制誤差在±2 cm內[185]。在應用方面,隨著人工成本的不斷增加,農業裝備自動導航的市場需求愈加旺盛,催生出了上海華測、上海聯適、農芯科技等多家優秀的國產農業裝備自動導航企業,研發的自動導航產品在新疆、黑龍江等地實現了批量化應用,如圖7所示,目前累計推廣量超過了21萬臺套,作業效果顯著,有效打破了國外農業裝備導航產品的壟斷地位,提升了我國農業裝備智能化水平[186]。

圖7 國產自動導航產品推廣量Fig.7 Promotion volume of domestic automatic navigation products

2.2 自動駕駛整機集成與應用

在農業裝備自動駕駛領域,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、轉彎、避障和常規作業[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,能夠實現多機協同進行路徑規劃,完成多種類型作業任務,成為無人駕駛拖拉機技術產品代表[188]。2022年1月,美國John Deere在Consumer Electronics Show上公布了一款可量產的全自動拖拉機8R,該拖拉機將GPS自動導航技術與農業裝備具TruSetTM自動調平技術相結合,實現了拖拉機機組無人化作業,無需坐在駕駛室內即可開展耕種作業。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根據障礙物情況進行自主避障。目前,該拖拉機已作為成熟產品進入了量產階段,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向和直線行走的插秧機、拖拉機,2018年發布了具備更高級別自動駕駛功能的Agri Robo系列農業裝備,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年發售世界首個產品化的無人駕駛聯合收獲機,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,具備收獲路徑規劃、巡線導航、遇障礙停車等自動駕駛功能,此外還可根據激光傳感器檢測出的作物高度自動調整割臺高度及收獲機作業速度等參數,實現倒伏角度為60°的水稻和小麥的收獲作業。

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年在中國國際農業機械展覽會發布了國產東方紅LF1104-C無人駕駛拖拉機,并進行田間作業演示[191]。該款無人駕駛拖拉機裝配了衛星定位加慣導、視覺與雷達傳感器,具備遠程一鍵啟動、自動路徑規劃及導航、自動換向、自動剎車、遠程遙控隨時干預等多項功能,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

國外發達國家和地區農業裝備自動駕駛技術發展早,產品相對成熟,應用較為廣泛。近幾年,隨著國內市場需求的不斷擴大,國產農業裝備在實現自動導航的基礎上,正在向整機無人化作業方向發展。與國外發達國家相比,我國在農業裝備作業環境感知、自主規劃與決策等領域還需要進一步開展深入研究。

2.3 農業裝備全程無人化作業與技術體系構建

智能農業裝備實現單機無人化作業后,開始向多機協同作業和技術體系集成方向發展[192]。日本北海道大學(Hokkaido University)和日立解決方案公司(Hitachi Solutions)聯合開發了一套針對智能農業裝備作業控制的農田管理信息系統,可以管理并整合多種精準農業信息,實現地塊管理、路徑規劃以及無人農業裝備多機作業遠程管控[20]。在2016年英國哈珀亞當斯大學(Harper Adams University)與Precision Decision公司合作創立了世界首個小麥無人農場,首次實現了冬小麥全程無人化生產作業試驗,并獲得成功。試驗證明了小麥無人化生產的可行性,成為智慧農業發展的標志性事件,也代表了世界當前的最新發展水平[4]。我國在農業裝備全程無人化作業與技術體系構建方面也取得了很大進展,華南農業大學、北京市農林科學院智能裝備技術研究中心分別于2019年和2021年構建了國內首個水稻無人農場與小麥無人農場[3,78],在小麥、水稻耕、種、管、收等作業環節均實現了全程無人化作業,提高了農業裝備作業效率,降低了人工勞動強度。在全球農業勞動力日益減少、農業生產對農業裝備作業質量與作業效率要求不斷提高、農業生產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,農業生產全程無人化作業技術已成為農業科技領域的前沿技術,在未來農業生產中將發揮重要作用。

3 農業裝備自動駕駛分級

農業裝備自動駕駛是實現智能農業裝備、農業機器人、無人化農場的關鍵。近年來,“智能農機”、“農業機器人”、“無人駕駛”、“無人農機”、“無人農場”、“無人化農業”等農機自動駕駛相關概念頻頻被提及,成為行業熱點[78]。在農機自動駕駛技術研究與實際應用中,自動駕駛技術水平和自動化程度不一,差別較大。例如,某些裝置/產品僅具備基本的輔助駕駛功能,有些裝置/產品具備了地塊邊界識別等自動化功能等,還有些裝置/產品能夠實現障礙物識別、自動規劃路徑等自主作業功能,還有些裝置/產品具備了播種量施肥量等作業精準自動控制功能。但這些裝置/產品都被稱為“自動駕駛”。因此,為了保障農業裝備自動駕駛行業的健康發展,農業裝備自動駕駛的等級劃分已成為行業的迫切需求。

2013年,美國高速公路安全管理局(National Highway Traffic Safety Administration, NHTSA)率先發布了自動駕駛汽車的分級標準,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會(SAE-International)發布的SAE J3016標準提出了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)在內的6個等級。2021年,我國參考SAE J3016標準,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準GB/T 40429—2021《汽車駕駛自動化分級》;該標準分為應急輔助(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標準程度分為6個等級,并對汽車自動駕駛系統的整體發展方向進行了專業計劃,從而在對應的產業內得到發展。

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

相對于汽車領域,農業裝備自動駕駛除了關注自走式動力部分之外,更應注重農業裝備機組整體的作業自動化程度,是在橫向和縱向控制的基礎上,利用自動化技術提升農業裝備作業性能和效率。2017年CEMA峰會(CEMA Summit)上,美國凱斯(Case IH)公司基于美國技術及產業實踐,在國際上率先提出了農業裝備自動化分級(Levels of Autonomy)方法,將農業裝備自動化分為從輔助駕駛(1級)直至完全自動化(5級)在內的5個等級[193]。凱斯公司提出的農業裝備自動化分級方法未給出詳細的分級說明和技術要求,亦未形成標準或技術規范。2021年,中國農業機械學會發布團體標準 T/NJ 1260—2021《農林拖拉機和自走式機械駕駛自動化分級》,將農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(0級)至全工況駕駛自動化系統(5級)。該團標主要關注自走動力部分,并未過多涉及更關鍵的自動作業部分。

隨著2022年中央一號文件強調農業裝備“優機優補”和2023年中央一號文件強調“支持北斗智能監測終端及輔助駕駛系統集成應用”,2023年3月,農業農村部農產品質量安全監管司批復:由北京市農林科學院智能裝備技術研究中心牽頭制定《農機自動駕駛分級》行業標準。我國自主制定的農業裝備自動駕駛分級國家標準、農業裝備自動駕駛分級檢測大綱也逐步提上議事日程。至此,我國自動駕駛相關概念定義不清晰、自動駕駛分級模糊、自動駕駛優機優補依據缺乏的問題會逐步解決。

在政策和市場的雙擎牽引下,我國農業裝備自動駕駛技術發展迅速,技術體系正在逐步建立,農業裝備自動駕駛產業模式正在示范應用中不斷走向成熟。

4 展望

農業裝備自動駕駛技術作為智慧農業生產的關鍵支撐技術,正推動和引領現代農業生產向高效、精準、智能和可持續方向發展。非結構環境、高精度農藝和強農時約束仍然是農業裝備自動駕駛技術必須應對的3個重要挑戰,也是未來農業裝備自動駕駛技術研發和實際應用中需要解決的關鍵問題。結合我國農業裝備自動駕駛技術研發和應用現狀,未來工作中應注重3方面的問題:

(1)農業裝備自動駕駛技術研發過程中,既要積極吸收道路車輛自動駕駛技術成果和經驗,也要充分考慮農業機械這種典型非道路作業機組駕駛自動化和作業精準化的實際需求,突出作業精準化和駕駛自動化雙重需求驅動的特點,針對性開展農業裝備自動駕駛核心技術攻關和產品研發。

(2)農業裝備自動駕駛技術應用示范方面,應按照技術發展規律,避免急于求成和消極悲觀兩種極端思維和做法。充分考慮實際生產需求,結合不同作物、不同區域、不同作業環節,積極開展多層次、多場景應用示范,促進科學研究、技術迭代和示范應用領域高效鏈接。

(3)結合農業裝備自動駕駛技術和農業生產應用場景特點,加快農業裝備自動駕駛技術分級規范和標準方面的研究,為技術研究、產品開發、應用推廣和相關補貼支持政策制定提供參考依據。