农业装备自动控制技术研究综述_沈跃.pdf

书书书2 0 2 3 年 8 月农 业 机 械 学 报第 54 卷 第 8 期doi:106041/j issn 1000-1298 2023 08 001农业装备自动控制技术研究综述沈跃张亚飞刘慧何思伟冯瑞万亚连(江苏大学电气信息工程学院，镇江 212013)摘要:随着信息与控制理论的发展，自动化控制技术在农业装备领域广泛应用，促进农业生产的智能化、现代化与规模化。运动控制和作业控制是智能农机自动控制技术的两大核心内容，为无人农机在复杂环境下的高精度自主导航安全行驶和精准作业提供保障。速度控制与转向控制是智能农机运动控制的基础，导航跟踪控制是智能农机运动控制的主要内容。本文阐述了智能农机速度控制与转向控制的研究进展，总结归纳了基于几何模型、基于运动学模型和不依赖于模型的自动导航跟踪运动控制方法。然后，着重分析了智能农机在耕、种、管、收等各环节的作业机构控制以及多机协同作业控制方法。最后，指出构建更加精准的农机数学模型，研究面向复杂场景的先进底盘运动控制技术，发展人工智能与控制理论深度融合的农机控制技术以及提升农机农艺相结合的多机协同控制技术是未来智能农机自动控制技术的发展方向。关键词:农业机械;自动控制;运动控制;作业控制中图分类号:S24;TP23文献标识码:A文章编号:1000-1298(2023)08-0001-18OSID:收稿日期:2023 06 10修回日期:2023 06 30基金项目:国家自然科学基金项目(51975260)作者简介:沈跃(1978)，男，教授，博士生导师，主要从事无人农机智能控制与农业机器人研究，E-mail:shen ujs edu cn通信作者:刘慧(1980)，女，教授，博士生导师，主要从事智能感知与控制和多传感器信息融合研究，E-mail:amity ujs edu cnesearch eview of Agricultural Equipment AutomaticControl TechnologySHEN YueZHANG YafeiLIU HuiHE SiweiFENG uiWAN Yalian(School of Electrical and Information Engineering，Jiangsu University，Zhenjiang 212013，China)Abstract:With the advancement of information and control theory，automatic control technology has beenextensively applied in the realm of agricultural machineryThis has significantly enhanced theintelligence，modernization，and scalability of agricultural production The two central components ofintelligent agricultural machinery s automatic control technology are motion control and operation controlThese elements ensure safe navigation and precise operation of unmanned agricultural machinery incomplex environmentsThe research progress in speed control and steering control of intelligentagricultural machinery was discussed，which formed the foundation of its motion control Additionally，navigation tracking control was highlighted as a crucial aspect of intelligent agricultural machinery smotion control A comprehensive summary of automatic navigation tracking motion control methods wasalso provided based on geometric models，kinematics models，and model-independent methods Thecontrol mechanisms of intelligent agricultural machinery during various stages such as cultivation，planting，management，and harvesting were further analyzedIt particularly focused on the multi-machine cooperative operation control method In conclusion，it was suggested that future developmentsin the automatic control technology of intelligent agricultural machinery should focus on constructing moreprecise mathematical models of agricultural machinery，researching advanced chassis motion controltechnology for complex scenarios，developing agricultural machinery control technology that deeplyintegrates AI and control theory，and enhancing multi-machine collaborative control technology thatcombines agricultural machinery and agronomyKey words:agricultural machinery;automatic control;motion control;operating mechanism control0引言近年来，随着我国农业生产领域的机械化水平不断提高，农业机械对自动控制技术的要求越来越高。自动控制技术在农业机械中的应用对现代农业生产有着突破性的影响。此外，自动控制技术在农业机械领域的应用推广有利于实现农业装备生产作业智能化和可持续发展。田间自动导航和作业机构自动控制是智能农机的两个基本功能。自动导航能够实现自主感知定位和自主运动控制1 3，运动控制根据运动规划输出和实时反馈的农机行驶状态来控制底盘速度与转向执行器的动作，使农机稳定、平滑、精确地跟踪目标作业路径;作业机构自动控制能够根据不同作业需求及农艺标准实时调整作业机构。两者相结合最终高质、高效地完成自动导航作业任务。因此，自动控制技术可以实现农业机械的无人化自动作业，减少人力投入，降低劳动成本，进一步提高农业生产效益。同时，自动控制技术作为农机自动导航作业的核心，其性能直接影响自动作业的效率与质量。近年来，智能农机自动控制技术已经成为农机行业的研发热点4。相比于无人驾驶汽车，自动导航作业农机不仅需要在更加复杂和不可预测的农业环境中行进，还需要完成繁重的作业任务。同时，农机自身的大延迟和大惯性等特点也给其运动控制及作业控制带来了一定的挑战。因而具有很强的理论研究意义和工程应用价值。国内外学者在这个领域开展了大量的研究工作5 7。本文首先阐述包括速度控制、转向控制的自动导航农机底盘运动控制技术的研究进展;然后概述目前应用在自主导航农机领域的路径跟踪运动控制方法;其次总结不同生产作业环节的智能农机作业机构的控制方法及多机协同作业控制方法;在此基础上提出对自动导航农机控制技术的发展展望，为相关领域的研究者提供参考。1智能农机速度与转向控制1.1农机速度控制速度控制是农机自动导航运动控制中至关重要的一环。速度控制系统能够根据农机及其作业机具的工作状态来控制底盘行驶速度，是实现农机自主作业的重要基础。此外，速度控制效果对农机导航控制和变量作业控制也有着至关重要的影响8。美国凯斯纽荷兰工业集团在 2016 年展示了两款无人驾驶概念拖拉机，如图 1 所示。这两款无人驾驶拖拉机可以自动计算作业幅宽、完成路径规划、实现作业过程精准控制，通过操作员实现远程控制，同时两款拖拉机均采用 CVT 无级变速箱，可以实现准确的速度控制9。图 1凯斯纽荷兰工业集团自动驾驶拖拉机Fig1Case New Holland Industrial Group self-driving tractorFOSTE 等10 基于静液压传动自走式割晒机(图 2)对电磁阀电流、液压油缸位置和割晒机速度等系统进行了分析，该系统采用数字反馈系统实现了割晒机速度闭环控制，提出未来的工作需要考虑滑转率对速度控制的影响。KAYACAN 等11 设计了一款自动驾驶拖拉机(图 3)，其速度控制器通过控制比例阀来实现纵向控制，并设计了基于模型预测控制的轨迹跟踪控制器，输出为前轮所需的转向角和目标速度值，设计了 PI 控制器来控制转向机构，设计了 PID 控制器来实现速度控制，场地试验表明，速度控制误差为 0.04 m/s，可满足无人作业需求。图 2静液压自走式割晒机Fig 2Hydrostatic self-propelled sun-cutting machine图 3自动驾驶拖拉机Fig 3Self-driving tractor朱忠祥团队12 基于雷沃拖拉机设计了油门自动控制装置，基于增量式 PID 控制算法设计了速度控制器，并在水泥路上进行了目标速度分别为 2、3、4 m/s 的试验，试验结果显示速度跟踪精度为2农业机械学报2 0 2 3 年0.2 m/s，基本满足导航作业要求。王卓等13 设计了雷沃拖拉机油门踏板调节机构，然后建立了拖拉机纵向动力学模型，并设计了滑模变结构控制器，提升了速度控制系统的鲁棒性。沈跃团队14 基于自研的新型四轮独立电驱动自转向喷雾机，首先建立了喷雾机底盘运动学模型，并分别设计上层轮速分配控制器和下层轮速跟踪控制器，场地试验表明，速度波动最大为 0.2 m/s，能够满足喷雾机作业需求。胡静涛团队15 16 分析了洋马插秧机(图 4)变速机构的工作原理，根据插秧机的工作特点和速度要求，设计了与 GPS 导航系统相配合的插秧机速度控制系统，然后将变论域方法应用到模糊 PID 控制器设计中，在水泥路面的试验结果表明，所提出的控制算法对插秧机行驶速度控制是可行的，提高了插秧机行驶速度的自适应能力。图 4洋马插秧机Fig 4Yanmar rice transplanter罗锡文团队17 设计了基于 CAN 总线的插秧机手自一体变速和作业执行机构，将油门和变速踏板固定，将两变量耦合为单变量，方便实现速度控制，设计了专家 PID 控制算法，以 GNSS 速度信号作为反馈，实现了井关插秧机(图 5)的速度控制。在水泥路面和水田中的试验结果表明，速度平均误差分别为 0.019 5 m/s 和 0.032 4 m/s，可满足插秧机实际作业需求。图 5井关插秧机Fig 5Jingguan rice transplanter陈进等18 基于碧浪 4LZ 2.0 型全喂入联合收获机设计了手自一体的调速机构，并采用灰色预测模糊控制的方法根据负荷情况调节车速。汤碧翔19 通过现场实验采集的数据和现场控制经验，设计了滚筒转速和车速的计算模型，实现了速度控制。崔建弘等20 针对联合收获机速度控制的滞后问题，进行了行走机构的优化设计，设计了车速模糊控制器，并进行了仿真和试验，结果表明此控制器响应精度较高、调节速度较快。王新等21 建立了以收获机作业质量、作业效率和能效利用率为控制目标的收获机作业速度控制模型。苗中华团队22 针对 4MZ5 型采棉机作业速度对采棉效率的影响问题，提出了一种基于模糊 PID控制技术的实时调整算法，该算法能够建立行走速度调节模型，实现采棉机作业速度的最优控制。在该算法中，通过实时获取棉花在线流量，并约束负荷梯度堵塞条件，将模糊算法和常规 PID 控制相结合。同时应用模糊规则和推理方法对 PID 参数进行在线整定，实时调节行走速度，从而实现作业速度的最优控制。1.2农机转向控制线控液压转向系统具有转向力矩大、控制精度高、响应速度快等优点，是农业机械的主要转向执行机构23。由于农机转向系统在实际行驶过程中会受到车体状态、路面状况等因素的干扰，造成车辆产生转向误差24。线控液压转向控制策略的主要研究目的就是设计合适的转向控制器提高车辆的转向性能。QIU 等25 针对采用电控液压转向系统的农业拖拉机设计了一种基于模糊策略的转向控制器，并在农用拖拉机上进行了场地试验，试验结果表明该模糊转向控制器能够控制拖拉机实现快速、准确的转向控制。ACAMAN 等26 利用滑模控制理论的鲁棒性与电控液压转向系统的结构特性，采用频率成形线性二次型调节器作为内环控制器，在消除高频、高增益方向盘转矩的同时，跟踪滑模控制器产生的期望方向盘转角，试验证明观测器的有效性以及控制器的良好跟踪性能。LEE 等27 以加装了电控液压转向系统的东洋物产 TX803 型拖拉机为试验平台，使用比例前馈控制算法对转向油缸进行控制，试验结果表明该控制器能够提高拖拉机在直线和转弯过程中的控制性能。鲁植雄等28 针对电液转向系统中单杆腔转向油缸的非对称性，设计了一种基于双通道 PID 的转向控制器，实验证明该控制器能够减小转向油缸非对称性带来的影响。江浩斌等29 针对电控液压转向系统中电液比例换向阀参数不确定性问题，设计了一种基于自适应动态面的控制器，通过仿真试验证明该控制器能够满足车辆转向要求。3第 8 期沈跃 等:农业装备自动控制技术研究综述蔺素宏等30 针对农机中电控液压转向系统易受到转向力干扰的问题进行了研究，设计了一种基于负载力观测器前馈补偿的最优状态反馈控制器，实验证明该控制器能够有效抑制转向力扰动带来的影响，提高转向控制精度。贾全等31 针对拖拉机实际作业时转向系统易受非线性干扰的问题，设计了一种基于自适应补偿机制的滑模控制器，试验结果表明该控制器可以快速地跟踪期望角度且超调量较小。XU 等32 针对拖拉机作业过程中路面不平整干扰的影响，提出了一种分层多回路鲁棒控制架构，包括路径跟踪层、角度跟踪层和电流跟踪层。路径跟踪层由考虑不确定性和干扰的模型预测控制器构成，角度跟踪层采用考虑电液耦合系统参数不确定性和干扰的滑模控制器。其设计为跟随路径跟踪层产生的目标角度，输出跟踪力矩。电流跟踪层采用PID 控制器设计，实现对角度跟踪层输出转矩的跟踪。最后进行了仿真测试和硬件在环测试，结果表明所提出的分层多回路鲁棒控制架构具有更好的抗干扰性能及动态稳定性。2农机自动导航跟踪控制路径跟踪控制是农业机械实现自动导航控制的核心技术，特别是如何实现复杂农业环境下高精度路径跟踪是保证农机高质、高效完成相关作业任务的基础。但农机路径跟踪控制在复杂环境下的应用面临诸多挑战:首先，农机底盘是一个复杂的非线性耦合系统，容易受到系统不确定性和外界干扰等不利因素的影响。此外，农机在作业过程中还会受到田间道路的环境约束以及执行机构的饱和约束。因此，无人农机高精度的运动控制需要充分考虑建模误差、参数扰动等系统不确定性以及外部干扰的影响。目前常用的自动导航农机路径跟踪控制方法主要包括:基于几何模型的控制方法、基于运动学模型的控制方法及无模型智能控制方法。2.1基于几何模型的控制2.1.1纯跟踪控制纯跟踪控制具有稳定性高、实现简单、容易调参、算力要求低等优点，广泛应用于作业速度相对较低的农业机械自动导航控制33。如图 6 所示，纯跟踪算法基于几何原理的计算方法，通过将自身位置与预瞄距离处期望位置的横向误差转化为横向控制量，然后设计比例控制器控制车轮转向角实现对期望路径的跟踪，车辆转弯半径与方向盘转角存在一一对应的关系。图 6纯跟踪算法几何原理Fig 6Geometric principle of pure tracking algorithm为了使车辆后轮跟踪圆弧虚线到达前视距离为ld的参考路径目标点 G，需要满足几何关系ldsin(2)=(sin2)(1)化简得到=ld2sin(2)为满足转向半径为，由阿克曼转向模型得到前轮转向角的控制律为f=arctan2lsinld(3)式中 车身与预瞄点夹角f 前轮目标转向角l 车身轴距通过上述推导可以看出，前视距离 ld决定了目标点的选择，前视距离过小会使农机行驶路径产生振荡，而过大则会导致农机上线对行速度降低，进而影响田间作业效果，因此很多学者针对前视距离的选择问题做了很深入的研究。胡静涛团队34 利用模糊规则在线自适应地确定纯追踪模型中的前视距离，提高了插秧机路径跟踪的精度。张闻宇等35 提出了 一 种 基 于 支 持 向 量 回 归(Support vectorregression，SV)逆向模型的拖拉机导航纯追踪控制方法，较常规纯追踪模型导航方法具有更好的直线追踪性能。李革等36 和 FU 等37 将农机作业实时作业速度与目标路径曲率加入到前视距离的关系式中，自适应改变前视距离，显著提高了纯跟踪算法的精度，尤其在跟踪曲线时。YANG 等38 根据农机运动学模型建立寻找最优目标点的评价函数，自适应地调整前视距离，与传统纯跟踪算法相比，提升了超过 20%的路径跟踪精度。前视距离的影响因素有很多，如车辆速度、跟踪精度、控制频率、车辆稳定性和路径曲率等。以上研究虽取得了一些进展，但仍有一些问题需要解决。前视距离与上述众多因素的关系难以描述导致前视距离最优值很难获取。此外，纯追踪算法是基于简4农业机械学报2 0 2 3 年单的几何学模型，并未考虑车辆动力学特性和转向执行器动态特性。高速下转向曲率的快速变化易使车辆产生侧滑，系统模型与实际车辆特性相差较大会导致跟踪性能恶化，因此纯追踪算法多适用于较低车速和小侧向加速度下的农机作业场景。2.1.2Stanley 控制Stanley 控制方法39 同样基于几何原理，根据前轴中心控制点到参考路径上最近的目标点的侧向位移偏差、航向角偏差和前轮转角偏差设计前轮转向角反馈控制律，该控制器可以保证侧向位移误差 ye指数收敛到 0。图 7 为 Stanley 算法几何原理图。图 7Stanley 算法几何原理Fig 7Geometric principle of Stanley algorithm由图 7 中几何关系可得f=e+e(4)式中e 前轮速度方向与目标点切线方向所呈夹角e 车身与目标点航向偏差显然，e满足e=arctanyed=arcsinkyev(5)其中 d 与车速 v 正相关，k 为正系数，有d=vk(6)式中d 前视距离结合式(4)，最终得到前轮转向角的控制律为f=e+arcsinkyev(7)通过式(7)可以看出，Stanley 控制不需要确定前视距离，但其控制性能受可调参数 k 值影响较大。SNIDE40 通过仿真对比分析表明，Stanley 算法相比于纯追踪控制算法更适用于相对更高车速的行驶工况，但是对期望路径的平滑程度要求较高，在道路曲率光滑性不理想的情况下容易出现车辆响应超调过大的问题。魏新华团队41 为实现农业机械全田块高效自主作业，以横向偏差和航向偏差为输入变量构建隶属度函数，设计模糊推理和解模糊化过程实时确定控制模型增益系数，提高了该算法对不同曲率路径的自适应能力。WANG 等42 将拖拉机偏航率添加到 Stanley 算法中，然后利用多种群遗传算法对扩展后的 Stanley 算法参数进行优化，明显提高了自动导航拖拉机对目标路径的跟踪能力。基于几何模型的不同控制方法的比较如表 1 所示。表 1基于几何模型的控制方法Tab 1Control method based on geometric model控制算法优点缺点适用系统纯跟踪易于实现;低算力要求;低速时具有较好的性能未考虑农机在目标点的航向控制;系统性能取决于前视距离，不同工况下最优前视距离很难获得;初始横向与航向误差较大时，收敛速度无法保证非线性Stanley易于实现;低算力要求;无 前 视 距 离要求系统性能取决于参数的选择;在路径曲率不连续的工况下，系统性能下降;相比于纯跟踪控制稳定性较低非线性2.2基于运动学模型的控制农机运动学模型能够描述农机的位置与姿态信息。因此，基于农机运动学模型设计的路径跟踪控制方法不仅精度更高而且可以进行性能优化，但基于农机运动学模型的控制精度十分依赖于所建立数学模型的精度与复杂度。自行车模型具有精度高而且模型参数简单的优点，是目前应用最为广泛的运动学模型，基于该模型得到如图 8 所示农机路径跟踪偏差模型，进而在此基础上设计路径跟踪控制方法。图 8农机路径跟踪偏差模型Fig 8Path tracking deviation model ofagricultural machinery基于简化的阿克曼自行车模型，得到路径跟踪偏差数学模型43 s=vcose1 c(s)yeye=vsinee=vtanfl s(8)5第 8 期沈跃 等:农业装备自动控制技术研究综述式中s 目标路径的曲线坐标c(s)目标路径曲率路径跟踪控制器的设计目标为limt(|ye|+|e|)=0(9)2.2.1PID 控制PID 控制方法44 主要是对农机反馈的车辆位姿等信息做偏差处理，并通过比例、积分、微分进行线性组合构成控制量，从而对被控对象进行控制，其控制框图如图 9 所示。图 9PID 控制框图Fig 9PID control block diagramPID 控制通过对差值进行比例、积分和微分运算后输出控制参数。其计算公式为u(t)=K(Pe(t)+1Tit0e(t)dt+Tdde(t)d)t(10)式中KP 比例系数Ti 积分系数Td 微分系数e 跟踪偏差基于运动学模型得到路径跟踪偏差公式为e=ye+e(11)式中 横向偏差系数 航向偏差系数PID 算法由于无需建立精确模型，算法简单易实现，但其参数调整比较困难，因此有许多学者将现代智 能 化 算 法 如 模 糊 算 法45 46、神 经 网 络 算法47 49 等与 PID 算法进行结合，自适应地调节 PID参数，进而提升控制系统的性能。2.2.2LQ 控制LQ 控制是一种全状态反馈控制结构，通过构造系统未来时间段的状态量变化和执行器输入量的二次代价函数，得到总成本最低的增益矩阵，从而得到期望的控制序列，其控制框图如图 10 所示。图 10LQ 控制框图Fig 10LQ control block diagramLQ 控制算法易于设计，但当目标作业路径曲率变化较大时，会导致跟踪性能下降，因此往往需要结合其他控制算法如前馈控制50 52 来进行无误差跟踪。吕安涛等53 建立了拖拉机跟踪直线行驶时的运动学与动力学模型，分别对基于这两种模型的拖拉机自动驾驶 LQ 控制方法进行了研究，并验证了该算法用于农机自主导航的可行性。韩科立等54 为提高自动导航拖拉机工作效率和作业质量，设计了基于速度和转向角的双参数最优控制算法，并进行了田间试验，验证了所设计控制器的可靠性。胡静涛团队55 提出了一种与行驶速度无关的农机路径跟踪方法，建立了空间参数驱动的非线性相对运动学模型，然后对此模型进行反馈线性化和最优控制设计，得到了一种与速度无关的农机路径跟踪控制律。最后进行了实车的路径跟踪实验，验证了该方法的有效性和对速度变化的鲁棒性。2.2.3模型预测控制模型预测控制(MPC)是一种实时的闭环优化控制方法。如图 11 所示，该算法的优点主要是反复在线进行，不断获取当前最优控制量，同时还具有系统地考虑预测信息和处理多约束的能力，能够满足农机执行机构和车轮侧滑等约束条件56。随着相关理论的完善和计算技术的发展，模型预测控制的实时性得到了提升，使得其在农机运动控制领域得到了学者的广泛关注57 62。图 11模型预测控制框图Fig 11Model predictive control block diagram为提升 MPC 的控制稳定性与鲁棒性，GAF等57 提出了一种考虑农机转向及执行机构输出约束的线性时变 MPC 方法，并通过实车试验验证了该方法可以提高路径跟踪精度。沈跃团队61 提出了一种模糊自适应模型预测控制方法，通过实时误差模糊自适应地调整预测时长，并应用于无人喷雾机试验，验证了该方法在田间不确定性干扰工况下具有一定的鲁棒性。张万枝等62 提出一种基于线性时变模型预测控制的路径跟踪方法，设计系统控制量、控制增量和状态量约束条件，并将目标函数求解转为带约束的二次规划问题;采用内点法进行求解，实现优化控制，并分别进行了导航坐标系下的直线和圆形路径跟踪试验，验证了所提出方法可以提高农业车辆导航路径自动跟踪精度。6农业机械学报2 0 2 3 年值得注意的是，MPC 跟踪性能对线性化过程产生的误差较为敏感，同时线性化预测模型会削弱控制器对参考路径曲率突变和航向突变的响应能力63。因此，为进一步提升 MPC 控制算法的性能，有学者直接基于农机非线性模型设计了非线性MPC 控制器并应用于自动导航农机的实际作业中64 65。KAYACAN 等64 针对自主导航拖拉机 挂车系统中拖车易滑移影响路径跟踪精度的问题，提出了一种独立分布式非线性 MPC 方法，通过非线性滚动时域估计(NMHE)方法实时观测系统状态参数，进而获得更高的系统预测精度，实车试验结果表明，该方法可以保证低于 3.5 cm 的跟踪误差。刘正铎等65 为提高农用车辆路径跟踪性能，提出一种基于非线性模型预测的路径跟踪控制方法，该方法将路径跟踪问题转换为求解满足速度、转角约束的最优值问题，采用梯度计算解决非线性的约束优化，通过实时反馈与滚动优化实现控制器的闭环校正，最后与线性 MPC 的对比试验表明:非线性 MPC 的跟踪横 向 偏 差 降 低 了 36.8%，纵 向 偏 差 降 低 了32.98%。2.2.4自适应控制自适应控制方法是一种针对未知或变化的系统参数和外部干扰的控制方法66。在农机自动导航控制中具有广泛的应用前景，可以根据农机在农田中的实时反馈信息，自动调整控制器的参数或结构，进而增强农机对作业环境的适应性，提高作业精度。自适应控制器的总体结构如图 12 所示。图 12自适应控制框图Fig 12Adaptive control block diagram自适应控制器采用 Backstepping 方法进行设计，基于 Lyapunov 稳定原理，实现对未知参数的实时估计67。ZHANG 等68 针对传统控制方法在多样复杂农业环境下路径跟踪控制容易超调的问题，提出了一种模糊自适应控制方法，并基于所开发的农机导航算法仿真平台验证了该方法的有效性。NAVEED 等69 针对车辆动力学模型参数不确定性影响路径跟踪精度的问题，提出了一种模型参考自适应方法，并通过试验验证了该方法能够克服动态模型存在的不确定性问题。沈跃团队70 为提高农机在水田泥泞湿滑等工况下的作业精度，采用农机扩展模型，设计自适应控制算法，实时估计并补偿滑移参数，提高了农机滑移情况下的路径跟踪精度。2.2.5滑模控制滑模控制本质上是一类特殊的非线性控制，具有快速响应、对参数变化及扰动不灵敏、无需系统在线辨识、物理实现简单等优点71。基于式(8)所示的路径跟踪误差模型改写为x1=x2+d1x2=a(x1，x2)+b(x1，x2)u+d2(12)其中x1=yex2=vsineu=tana(x1，x2)=v2(1 x22/v2)/(1 c(s)x1)b(x1，x2)=v2(1 x22/v2)12/l式中x1、x2 系统状态量a、b 系统参数u 控制输入d1、d2 外部不确定性扰动定义滑模面为s=x2+cx1(13)对滑模面求导并令其为s=x2+c x1=ksgn(s)+cd(t)(14)式中k 控制增益d(t)外部干扰c 扰动增益最后得到控制输入为u=b1(x1，x2)(a(x1，x2)+cx2+ksgn(s)(15)滑模控制由于其不连续的开关特性将引起抖动，降低控制系统抖动是目前该方法的研究热点与难点。YIN 等72 引入了一个可调参数，根据系统误差自适应地调节滑模面，进而减少抖振现象。牛雪梅等73 为有效解决滑模控制固有的抖振问题，提出一种加权增益趋近律算法，在该趋近律的积分项中引入负的加权值，可有效避免当系统状态不在滑模切换时的切换增益的增大，使得控制器输出量平滑，并实现了喷药移动机器人平稳的路径跟踪控制。此外，针对农田中存在不确定性干扰导致农机运动学模型理论精度失效，从而使路径跟踪收敛时间长、跟踪效果较差等问题，很多学者74 76 将非线性干扰观测器与不同的 SMC 相结合，在提升了控制系统鲁棒性的同时降低了滑模控制的抖振。丁晨等77 基于未知扰动项的路径跟踪偏差模型，利用自适应控制和改进的加密积分技术，构造自适应二阶滑模路径跟踪控制方法，仿真结果表明该方法可以保证农用拖拉机能快速且稳定地跟踪上任意弯曲的参考路径。基于运动学模型不同控制方法的比较如表2 所示。2.3无模型智能控制2.3.1基于模糊规则的控制模糊控制属于智能控制范畴，在处理具有环境7第 8 期沈跃 等:农业装备自动控制技术研究综述表 2基于运动学模型的控制方法Tab2Control method based on kinematic model控制算法优点缺点适用系统PID易于实现;低算力要求;无前视距离要求系统性能取决于参数的选择，且参数调整困难线性LQ可实现系统的最优控制目标设计过程系统线性化带来误差;系统鲁棒性较低线性MPC可处理多个变量;可对系统状态与输入进行约束;可基于成本函数优化系统性能高算力要求;对农机模型精度要求高线性/非线性自 适 应控制能够处理参数不确定性无法处理系统中非参数的不确定性扰动;存在参数漂移问题非线性SMC对外部不确定性干扰具有强鲁棒性;结构简单，系统响应快速;可确保控制系统的有限时间稳定性存在抖振现象;对不匹配干扰较为敏感非线性位置、负载变化等不确定因素的场景中具有较强的优势，如图 13 所示，其思想是利用人类专家控制经验来克服农机自动导航中的非线性和不确定因素带来的不利影响。另外，模糊控制不依赖于对象的数学模型具有较强的鲁棒性78，其控制框图如图 13所示。图 13模糊控制框图Fig 13Fuzzy control block diagram张漫团队79 构建了自动导航模糊控制器，并详细阐述了基于模糊控制的自动转向方法。刘刚团队80 为提高拖拉机自动导航的精度和稳定性，提出了一种基于遗传算法的自适应模糊控制方法，采用遗传算法在线优化模糊控制规则以及输出比例因子，既保留了传统模糊控制的优点，又有效改善了系统的控制品质，并通过田间试验证明了该方法可以迅速消除跟踪误差。DE SOUSA 等81 提出了一种基于模糊规则的行为组合和协调方法，实现了复杂环境下农机对行作物跟踪，提高了农机对不同农业环境的适应性。2.3.2基于神经网络的控制由于完整的农机数学模型存在很多无法测得的动力学参数，因此基于农机数学模型的控制方法存在固有的理论精度偏差。如图 14 所示，神经网络具备精确逼近非线性函数的能力，该方法利用神经网络学习系统的数学模型，从而实现对农机的控制。需要注意的是，基于神经网络控制方法的关键在于神经网络的训练，训练数据的质量和数量对神经网络的性能有重要影响82。此外，目前无法从理论上证明神经网络控制方法的收敛性，在实际应用过程中需要考虑实时性和稳定性等问题83。图 14神经网络原理图Fig 14Neural network schematic陈军等84 将神经网络控制技术应用于农业车辆的自动行驶控制中，使得控制器具有良好的自学习功能，提高了控制器的环境适应能力和现场处理能力。在牧草地上的实车实验结果表明:车辆沿直线路径自动行驶时，95%的偏差绝对值小于 5 cm。白晓鸽85 针对拖拉机运行环境的复杂性和不确定性，利用模糊控制不需要建立被控对象精确数学模型的特点以及神经网络可以在线学习的特点，设计了车辆自动行走控制模糊神经网络控制器。在模糊神经网络控制的基础上，用遗传算法对控制器进行了优化。试验结果验证了所设计的控制器的控制效果较好，且稳定性高，可以满足拖拉机自动直线行走的要求。2.3.3基于强化学习的控制强化学习(einforcement learning)是一种机器学习方法，通过与环境交互并利用收集的数据和奖励机制来学习最优控制策略，控制框图如图 15 所示。强化学习同样独立于特定模型，可以解决复杂的非线性控制系统。随着信息技术的发展，深度强化学习已成为解决自动驾驶车辆导航控制现代控制算法局限性的一种潜在方案86。邵俊恺等87 针对无人驾驶铰接式运输车辆无人驾驶智能控制问题，提出了一种强化学习自适应PID 路径跟踪控制算法。通过强化学习算法对 PID参数进行在线自适应整定。最后实车道路试验表明，相比于传统 PID 控制器，强化学习自适应 PID 控制器显著减小了超调和振荡，能够有效地优化系统8农业机械学报2 0 2 3 年图 15强化学习控制框图Fig 15einforcement learning control block diagram动态性能和稳态误差性能。LI 等88 基于深度强化学习理论，设计了农业机械的自主路径跟踪控制策略，并通过室内室外两个场景进行了在线实验模拟。实验结果表明，强化学习算法能够实现未知环境中农业机械的自动导航，可以使农机学会避免障碍及更快到达目的地，进而提高作业稳定性和路径跟踪性能，为后续的实际应用奠定了理论基础研究。MATINI 等89 针对葡萄园中由于遮挡等原因无法获得精确定位信息的问题，基于强化学习提出了一种能够解决葡萄果园环境下农机位置未知的自主导航策略，通过大量的实验证明了强化学习方案可以安全地引导农机通过看不见的直行和弯曲的葡萄园作物行产生相当稳定的中心轨迹。不同无模型智能控制方法的比较如表 3 所示。表 3无模型智能控制方法Tab3Model-free intelligent control method控制算法优点缺点适用系统模糊控制无需精确的农机数学模型;抗干扰能力强依赖模糊规则，需要专家经验;无法证明稳定性非线性基于神经网 络 的控制可建立农机精确非线性模型;强自适应性与鲁棒性需要大量时间数据训练与大量计算资源;无法解释其内部决策过 程，难 以 证 明 稳定性线性/非线性基于强化学 习 的控制可根据反馈信息自主学习最佳控制策略;强自适应性与鲁棒性需要大量时间数据训练与大量计算资源;可能会陷入局部最优解;难以证明稳定性线性/非线性3农机作业机构控制3.1犁旋作业机构控制犁旋作业是播种前重要的农业生产环节，稳定的犁旋深度可以改善土壤的结构和质量，促进作物的生长和发育，提高作物的产量和质量。ZHOU 等90 针对由于地表不平整和田间存在残茬，难以维持稳定的耕深，导致耕作质量不稳定，后期作物生长不均匀等问题，采用 TK GNSS 测量拖拉机实时高度和横滚角，并设计变增益单神经元 PID 控制算法，根据控制效果实时调整增益 K，使旋耕机(图 16)的高度可以实时跟随田间起伏而调整。田间试验表明，当拖拉机 旋耕机系统作业速度约为 0.61 m/s 时，变增益单神经元 PID 算法能有效提高作业深度和埋茬稳定性。丁为民团队91 为了解决犁旋一体机作业过程中调节机具问题，设计了一种犁旋一体机自动调平系统，该系统包括执行机构、控制系统、液压系统。根据犁旋一体机自身的特点，提出了一种根据实际田间作业情况确定调平角度范围的方法。田间对照试验表明，自动调平犁旋一体机(