基于UWB和視覺組合導(dǎo)航的設(shè)施植保機器人葉菜壟作跟蹤控制_鄭航.pdf

基于UWB和視覺組合導(dǎo)航的設(shè)施植保機器人葉菜壟作跟蹤控制 鄭 航1 2 葉云翔1 2 薛向磊1 2 于健麟1 馮昊棟3 俞國紅1 2 1 浙江省農(nóng)業(yè)科學(xué)院農(nóng)業(yè)裝備研究所 杭州 310021 2 農(nóng)業(yè)農(nóng)村部東南丘陵山地農(nóng)業(yè)裝備重點實驗室 部省共建 杭州 310021 3 浙江理工大學(xué)機械工程學(xué)院 杭州 310018 摘 要 為提高設(shè)施溫室壟作模式下移動底盤的自主導(dǎo)航精度 針對直線度較差的葉菜壟面 該研究提出一種組合導(dǎo)航 控制系統(tǒng) 該系統(tǒng)主要由視覺模塊 UWB ultra wide band 模塊和控制器模塊等組成 首先利用深度相機采集機器人 前向葉菜壟面圖像 采用YOLOv8s seg算法實現(xiàn)葉菜壟面的分割 并通過Canny算法識別壟面邊緣 最后利用最小二 乘法進(jìn)行視覺導(dǎo)航線提取 針對移動機器人壟作環(huán)境下自主導(dǎo)航跟蹤 提出基于UWB和視覺組合的導(dǎo)航控制策略 基 于純跟蹤算法建立導(dǎo)航跟蹤控制模型 最后在實際田壟場景下進(jìn)行自主導(dǎo)航試驗 試驗結(jié)果表明 當(dāng)植保機以0 4 0 5 m s 速度行駛時 視覺導(dǎo)航和UWB導(dǎo)航的最大跟蹤偏差分別為6 3 5 8 cm 平均誤差分別為4 7 4 3 cm 驗證了本文導(dǎo) 航線提取算法的可行性和UWB導(dǎo)航的可靠性 為兩者結(jié)合提供了基礎(chǔ) 組合導(dǎo)航調(diào)控分界線為15 cm 兩組組合導(dǎo)航 試驗最大橫向偏差分別為15 2 15 5 cm 平均誤差分別為5 9 6 1 cm 最大航向偏差分別為5 9 7 8 通過試驗結(jié)果 表明 組合導(dǎo)航中UWB導(dǎo)航控制在極端情況下發(fā)揮了積極調(diào)控作用 與單一導(dǎo)航控制策略相比提升了導(dǎo)航精度和魯棒 性 可為設(shè)施智能裝備發(fā)展提供技術(shù)支撐 關(guān)鍵詞 機器人 深度學(xué)習(xí) 設(shè)施溫室 葉菜 壟作模式 組合導(dǎo)航 doi 10 11975 j issn 1002 6819 202407137 中圖分類號 S225 92 文獻(xiàn)標(biāo)志碼 A 文章編號 1002 6819 2025 04 0144 09 鄭航 葉云翔 薛向磊 等 基于UWB和視覺組合導(dǎo)航的設(shè)施植保機器人葉菜壟作跟蹤控制 J 農(nóng)業(yè)工程學(xué)報 2025 41 4 144 152 doi 10 11975 j issn 1002 6819 202407137 http www tcsae org ZHENG Hang YE Yunxiang XUE Xianglei et al Facility plant protection robot based on UWB and visual integrated navigation for leafy vegetable ridge tracking control J Transactions of the Chinese Society of Agricultural Engineering Transactions of the CSAE 2025 41 4 144 152 in Chinese with English abstract doi 10 11975 j issn 1002 6819 202407137 http www tcsae org 0 引 言 農(nóng)業(yè)是國民經(jīng)濟(jì)的基礎(chǔ) 隨著科技的不斷進(jìn)步與發(fā) 展 傳統(tǒng)農(nóng)業(yè)生產(chǎn)模式已經(jīng)無法滿足當(dāng)今的社會需求 因此智慧農(nóng)業(yè)開始逐步發(fā)展 1 其中 發(fā)展最快的就是 基于現(xiàn)代管理方式和高新科技的設(shè)施農(nóng)業(yè) 在設(shè)施農(nóng)業(yè) 中 農(nóng)作物的生長所必需的環(huán)境因素如光照 溫度 濕 度 二氧化碳濃度等都受到嚴(yán)格控制和調(diào)節(jié) 因此可以 最大程度地優(yōu)化生長條件 提高農(nóng)作物產(chǎn)量和質(zhì)量 2 截至2023年 國內(nèi)設(shè)施農(nóng)業(yè)占地面積達(dá)400萬hm2 居 世界第一 其中設(shè)施蔬菜面積占設(shè)施農(nóng)業(yè)面積的95 以 上 3 5 設(shè)施農(nóng)業(yè)通常在設(shè)施溫室中進(jìn)行 相對大田種植 溫室內(nèi)農(nóng)作物種植密集并且通行道路狹窄 這就需要植 保機械具有較好的移動靈活性 因此 研發(fā)靈活性好 智能化程度高的溫室植保作業(yè)機械具有重要意義 自主導(dǎo)航是實現(xiàn)植保機器人智能化作業(yè)的關(guān)鍵技術(shù) 之一 6 目前智能農(nóng)機田間導(dǎo)航路徑以衛(wèi)星系統(tǒng) global positioning system GPS 導(dǎo)航 超寬帶 ultra wide band UWB 導(dǎo)航及機器視覺導(dǎo)航為主 其中衛(wèi)星導(dǎo)航技術(shù)多 應(yīng)用于大田環(huán)境和室外等大型空曠地面上的移動平臺上 設(shè)施溫室多為封閉或半封閉環(huán)境 衛(wèi)星信號會受到房屋 結(jié)構(gòu)的遮擋 造成定位精度差 難以實現(xiàn)穩(wěn)定且連續(xù)的 導(dǎo)航效果 7 9 因此 衛(wèi)星定位在設(shè)施溫室中應(yīng)用存在一 定的局限性 超寬帶具有較高傳輸速率和時間分辨率 且功耗較低 廣泛用于室內(nèi)高精度定位 10 林相澤等 11 采用到達(dá)時間差定位測距方法獲得定位結(jié)果 對溫室移 動車輛的靜態(tài)和動態(tài)定位進(jìn)行誤差修正 畢松等 12 通過 建立通信類型判別方法和測距值修正模型 并基于擴展 卡爾曼濾波器融合UWB和IMU inertial measurement unit IMU 數(shù)據(jù)提高定位精度 賀晶晶等 13 提出了一 種UWB信號改進(jìn)算法 對無人運輸車的運動特征信息 與UWB測距值進(jìn)行擴展卡爾曼濾波定位估計 曾慶化 等 14 利用UWB抑制慣導(dǎo)誤差設(shè)計了UWB和慣性導(dǎo)航 相結(jié)合的定位方法 同時對UWB定位數(shù)據(jù)和慣導(dǎo)數(shù)據(jù) 進(jìn)行卡爾曼濾波處理 UWB技術(shù)能夠?qū)崿F(xiàn)溫室環(huán)境內(nèi)的 高精度定位 借助UWB定位信號可以使農(nóng)業(yè)裝備比較 精確沿著固定路線行駛 但是壟作模式在前期起壟過程 中容易因起壟裝備的前進(jìn)運動偏差和后期施加水肥等因 素導(dǎo)致作物壟中心線偏離預(yù)先設(shè)立的導(dǎo)航線 UWB導(dǎo)航 收稿日期 2024 07 16 修訂日期 2024 12 06 基金項目 浙江省 尖兵 研發(fā)攻關(guān)計劃項目 2023C02010 浙江省 三農(nóng)九方 科技協(xié)作計劃項目 2024SNJF070 作者簡介 鄭航 碩士 助理研究員 研究方向為農(nóng)業(yè)機器人及智能農(nóng)機 裝備研發(fā) Email Zhrory 通信作者 俞國紅 碩士 研究員 研究方向為智能農(nóng)機裝備 Email Yuguohong 第 41 卷 第 4 期農(nóng) 業(yè) 工 程 學(xué) 報Vol 41 No 4 144 2025 年 2 月Transactions of the Chinese Society of Agricultural Engineering Feb 2025 無法獲知植保機械前端的作物壟的具體情況 機械沿預(yù) 設(shè)導(dǎo)航線行駛 容易造成碾壓壟體 不能實現(xiàn)良好的導(dǎo) 航效果 視覺導(dǎo)航技術(shù)能夠獲知植保機械與作物壟之間的相 對位置關(guān)系 然后通過控制策略進(jìn)行相應(yīng)的狀態(tài)調(diào)整 在局部導(dǎo)航系統(tǒng)中起著關(guān)鍵作用 15 16 RADCLIFFE 等 17 將機器視覺系統(tǒng)應(yīng)用在四輪驅(qū)動小車上 設(shè)計了一種結(jié) 合天空與樹冠信息組合的視覺導(dǎo)航算法 湯一平等 18 提 出了一種基于機器視覺的采茶隴識別和導(dǎo)航方法 通過 對安裝在采茶機前方的相機采集到的畫面進(jìn)行圖像分割 處理 然后采用最小二乘法擬合計算出茶隴中心線 LIU等 19 使用SSD模型定位水稻植株 并使用最小二乘法 擬合水稻作物行線 饒秀勤等 20 用Fast Unet語義分割 網(wǎng)絡(luò)模型對棉花壟間道路分割 并通過遷移學(xué)習(xí)實現(xiàn)甘 蔗和玉米在自然光照條件下的壟間導(dǎo)航路徑的有效識別 農(nóng)作物不同生長時期 光照條件以及作物背景信息 等自然環(huán)境因素對視覺導(dǎo)航精度影響較大 導(dǎo)致提取出的 導(dǎo)航線誤差較大 影響導(dǎo)航效果 而UWB導(dǎo)航可以很 好的利用高精度位置信息把控植保機械行駛總體方向 避免在壟間作業(yè)過程中損傷作物 綜合各導(dǎo)航定位方式 的優(yōu)缺點 考慮到本研究的主要目的是實現(xiàn)植保機械在 溫室壟間的自主行駛 不需要對農(nóng)作物個體進(jìn)行精確分 割 且UWB和視覺定位所需要的硬件設(shè)備成熟 兩者 之間有很好的優(yōu)勢互補 故提出UWB和視覺組合導(dǎo)航 的方案 基于純跟蹤算法建立導(dǎo)航跟蹤控制模型 開發(fā) 組合導(dǎo)航控制系統(tǒng) 并通過田間試驗對組合導(dǎo)航的性能 進(jìn)行評價 1 設(shè)施植保機器人組合導(dǎo)航系統(tǒng)方案 1 1 硬件結(jié)構(gòu) 設(shè)施植保機器人作業(yè)示意如圖1所示 本文設(shè)施植 保機器人導(dǎo)航系統(tǒng)硬件結(jié)構(gòu)主要包括四輪獨立驅(qū)動轉(zhuǎn)向 移動底盤 UWB定位模塊 視覺模塊 導(dǎo)航控制模塊以 及上位機模塊等 如圖2所示 其中四輪獨立驅(qū)動轉(zhuǎn)向 移動底盤尺寸為1 650 mm 1 600 mm 850 mm 搭載鉛 酸電池 可保證4 6 h續(xù)航作業(yè)能力 UWB定位模塊 選用Time Domain公司的PulsOn440 UWB傳感器組件 由1個UWB定位標(biāo)簽 4個UWB定位基站 移動電源 和基站安裝支架組成 其中 UWB定位基站通過安裝支 架固定于定位區(qū)域邊緣作為定位參考點 UWB定位標(biāo)簽 安裝于植保機器人頂部對稱軸線上并通過串口與上位機 通訊 UWB標(biāo)簽通過與定位基站進(jìn)行無線通信 獲得與 各定位基站間的距離信息 視覺模塊選用Intel公司的 Real Sense D435相機 用于獲取導(dǎo)航圖像并傳輸給控制 器 另外植保機器人機架上安裝IMU傳感器 通過串口 與上位機通訊 用于實時測量車身的航向信息 導(dǎo)航控制模塊包括STM32F103單片機開發(fā)板 繼電 器和電機控制器等 其與上位機模塊通過串口進(jìn)行通訊 負(fù)責(zé)接收來自上位機發(fā)送的控制參數(shù) 然后對這些數(shù)據(jù) 進(jìn)行解算處理 并指令控制底盤電機動作 上位機模塊 選用是筆記本電腦 搭載Intel公司i9 13900H處理器以 及NVIDIA RTX4060顯卡 通過USB串口和下位機 UWB標(biāo)簽 D435相機進(jìn)行數(shù)據(jù)通訊 搭配容量12GB DDR4筆記本內(nèi)存條和1 T固態(tài)硬盤 視覺檢測區(qū)域 Visual detection area 圖1 設(shè)施植保機器人作業(yè)示意圖 Fig 1 Working diagram facility plant protection robot 導(dǎo)航線提取 位姿估計相機模塊 UWB模塊 IMU模塊 環(huán)境感知模塊 上位機 STM32 單片機 串口通信 運動數(shù)據(jù)采集和純跟蹤運動控制 轉(zhuǎn)向電機驅(qū)動電機 運動模塊 PWM信號 60 V電源60 V轉(zhuǎn)12 V 直流穩(wěn)壓模塊 12 V 5 V BUCK 穩(wěn)壓模塊 局部地圖構(gòu)建 UWB定位數(shù)據(jù) 定位數(shù)據(jù)采集 通信及決策支持 路徑規(guī)劃 位置 位姿偏差 電源模塊 圖2 組合導(dǎo)航系統(tǒng)示意圖 Fig 2 Schematic diagram of integrated navigation system 1 2 工作原理 首先由UWB傳感器與相機分別獲取移動底盤定位 信息和壟面圖像信息 圖像信息經(jīng)過USB傳輸至導(dǎo)航控 制器 控制器對獲得的數(shù)據(jù)實時解析和處理 計算出導(dǎo) 航偏差 并結(jié)合UWB和視覺組合導(dǎo)航控制策略及純跟 蹤算法計算得到移動底盤轉(zhuǎn)向控制量 經(jīng)串口通信模塊 將轉(zhuǎn)向需求控制量發(fā)送給STM32 STM32下發(fā)至電機控 制器 再由電機控制器發(fā)送PWM信號至電機執(zhí)行系統(tǒng) 實現(xiàn)植保機器人沿田壟的精準(zhǔn)調(diào)控與自主導(dǎo)航作業(yè) 2 壟面分割與導(dǎo)航線提取 2 1 圖像獲取及數(shù)據(jù)集構(gòu)建 壟面圖像采集于浙江省海寧市楊渡基地 選取設(shè)施 壟作種植較多的青菜為試驗對象 采集的圖像包含葉菜 發(fā)芽期 幼苗期和成熟期 根據(jù)相機的橫向視角和底盤 高度 拍攝時相機固定安裝在植保機器人近噴桿端的型 材支架上 距離地面約2 2 m 傾斜角約45 圖像尺寸 第 4 期鄭 航等 基于UWB和視覺組合導(dǎo)航的設(shè)施植保機器人葉菜壟作跟蹤控制145 固定為640像素 480像素 相機安裝如圖3所示 為保 證數(shù)據(jù)集的豐富性 采集環(huán)境包括不同天氣 不同光照 和不同壟面場景等 采集的圖像數(shù)量為600張 部分圖 像如圖4所示 壟作區(qū)域 Ridge area 導(dǎo)航區(qū)域 Navigation area 平面投影 Plane projection 45 2 2 m 圖3 圖像采集 Fig 3 Image capture a 原圖 a Original image b 強光 b Strong light c 旋轉(zhuǎn) c Rotate d 平移 d Translation 圖像 1 Image 1 圖像 2 Image 2 圖像 3 Image 3 圖4 田壟圖像 Fig 4 Ridge image 2 2 壟面分割模型 在自然環(huán)境下 葉菜種植農(nóng)田主要由葉菜 雜草和 壟坡組成 本文使用YOLOv8 Seg模型 對葉菜壟面進(jìn) 行精準(zhǔn)分割 其模型結(jié)構(gòu)如圖5所示 Conv Conv Conv Conv Conv C2r C2r C2r C2r SPPF Backbone C2f Concat Upsample Concat Upsample C2f Conv Concat C2f Conv Concat C2r Backbone Neek Head Segment Segment Segment Details C2f Conv Conv Conv Split Bottleneck Bottleneck Concat Concat Concat Concat Concat Concat SPFF Conv MaxPool2d MaxPool2d MaxPool2d Shortcut ture Shortcut flase Conv Conv2d BatchNorm2d SiLU 輸入 Input 輸出 Output 圖5 YOLOv8 seg模型以及各模塊結(jié)構(gòu)圖 Fig 5 YOLOv8 seg model and structure diagram of each module YOLOv8網(wǎng)絡(luò)具有速度快和實時性好等優(yōu)點 21 22 YOLOv8 Seg是其實例分割任務(wù)分支 主要由輸入端 Input 主干 Backbone 頸部 Neck 和頭部 Head 4個部分組成 其中 輸入端主要實現(xiàn)對圖像的加載和預(yù)處理 然 后將預(yù)處理后的圖像送入主干網(wǎng)絡(luò) 主干部分的作用是 對葉菜壟面的特征進(jìn)行提取 主要包括了Conv C2f和 SPPF等模塊 頸部由特征金字塔網(wǎng)絡(luò) feature pyramid networks FPN 和路徑聚合網(wǎng)絡(luò) path aggregation networks PAN 兩部分組成 用于對特征信息的融合 在Head部分使用解耦檢測頭 decoupled head 將分 類與檢測任務(wù)分開 這有助于加速網(wǎng)絡(luò)的收斂 同時 YOLOv8使用Task Aligned Assigner動態(tài)分配樣本 有 效提升模型的精度和魯棒性 2 3 模型訓(xùn)練 試驗環(huán)境為 計算機處理器為Intel Core i5 10400f 16G 主頻為2 6 GHz GPU為NVIDIA GeForce RTX2080Ti 采用Windows10操作系統(tǒng) 在Pytorch 1 11 0 CUDA11 1下實現(xiàn)葉菜壟分割模型的搭建及訓(xùn)練 參數(shù)訓(xùn)練采用隨機梯度下降 stochastic gradient descent SGD 優(yōu)化算法 參數(shù)設(shè)置如下 圖像輸入尺寸為 640 480 Batch大小為32 最大迭代次數(shù)為500 通過 Warmup進(jìn)行預(yù)熱訓(xùn)練 采用余弦退火策略動態(tài)調(diào)整學(xué) 習(xí)率 初始學(xué)習(xí)率為0 01 動量因子為0 937 權(quán)重衰減 系數(shù)為0 000 5 YOLOv8 Seg的損失主要由檢測框損失 分類損失 分割掩膜損失和DFL distribution focal loss 損失組成 其中 分割損失采了結(jié)合對數(shù)的二值交叉熵?fù)p失函數(shù) BCEwithLogitsLoss 21 將YOLOv8 seg網(wǎng)絡(luò)模型在葉菜壟數(shù)據(jù)集上進(jìn)行訓(xùn) 練 模型在驗證集上的分割損失值變化曲線如圖6所示 可以看出 驗證損失在 250 輪之后逐漸趨于平緩 模型 在 500 輪時已經(jīng)基本趨于穩(wěn)定 0 10 0 08 0 06 0 04 0 02 0 0 50 100150200250300350400450500 迭代次數(shù)Iterations 損失 Loss 圖6 分割損失變化曲線 Fig 6 Segmentation loss change curve 以評價該深度模型訓(xùn)練性能指標(biāo)為準(zhǔn)確率P 召回 率R 精度均值A(chǔ)P和平均精度均值mAP 22 23 模型在訓(xùn)練過程中的mAP變化如圖7所示 從 mAP曲線可以看出 mAP值在250 輪后逐漸趨于穩(wěn)定 模型的mAP值達(dá)到96 36 表明該算法模型能夠準(zhǔn)確 分割葉菜壟面 為進(jìn)一步分析模型的性能 本文使用該模型對不同 時期的葉菜場景訓(xùn)練結(jié)果進(jìn)行歸納整理 YOLOv8 seg分 割模型在處理發(fā)芽期 幼苗期和成熟期圖像的AP值分 146農(nóng)業(yè)工程學(xué)報 http www tcsae org 2025 年 別為96 1 95 4 和97 6 表1 從圖8可看出 YOLOv8 seg分割模型能夠準(zhǔn)確識別目標(biāo)田壟區(qū)域并對田 壟進(jìn)行分割提取 具有較好的精度及魯棒性 且在光影 變化明顯等情況下 仍能獲得較好的分割效果 0 50 100150200250300350400450500 迭代次數(shù)Iterations 100 80 60 40 20 0 平均精度均值 Me an a vera ge pre cisi on m AP 圖7 mAP曲線 Fig 7 mAP curve 表 1 YOLOv8 seg的訓(xùn)練結(jié)果 Table 1 YOLOv8 seg training results 生長期 Growth period精度均值A(chǔ)verage precision AP 發(fā)芽期 Germination period 96 1 幼苗期 Seedling stage 95 4 成形期 Maturation stage 97 6 發(fā)芽期 Germination period 幼苗期 Seedling stage 成熟期 Maturation stage a 原圖 a Original image b 識別結(jié)果 b Identify result 圖8 YOLOv8 seg分割結(jié)果 Fig 8 YOLOv8 seg segmentation results 通過YOLOv8 Seg網(wǎng)絡(luò)對葉菜壟面進(jìn)行精準(zhǔn)分割后 進(jìn)行植保機當(dāng)前行駛壟面信息的提取 首先 遍歷計算 所有壟面掩膜檢測框的中心與圖像中心的歐式距離 接 著 獲取歐式距離最小的掩膜 該掩膜即為植保機當(dāng)前 行駛的壟面 提取流程如圖9所示 最后生成由葉菜壟 與背景構(gòu)成的二值化圖像 2 4 導(dǎo)航線提取 如圖10所示 得到當(dāng)前壟面圖像后 對當(dāng)前壟面圖 像進(jìn)行Canny邊緣檢測提取壟面兩側(cè)邊緣 為了提高算 法的實時性 本文采用最小二乘法擬合得到直行導(dǎo)航線 通過計算中間兩點坐標(biāo)可得出導(dǎo)航線的表達(dá)式 a 原始壟面 a Original ridge b 壟面分割 b Ridge segmentation c 距離計算 c Distance calculation d 壟面二值化 d Binarization 圖9 葉菜壟分割過程 Fig 9 Leafy vegetable ridge splitting process 設(shè)左右兩條邊線的上任意兩點坐標(biāo)是 xi yi 和 xt yt 隨后求取中值 生成路徑中心線散點圖 計算式如下 y ax b 1 8 x xi xt2 y yi yt2 9 2 y x y xi yi 式中a b為擬合系數(shù) x為擬合導(dǎo)航線橫坐標(biāo) 為擬 合導(dǎo)航線縱坐標(biāo) 為和的均值 殘差平方和 E為 E n i 1 axi b yi 2 3 殘差平方和E越小越貼近中點 則應(yīng)滿足 8 E a 2 axi b yi xi 0 E b 2 axi b yi 0 4 b y a x 5 a b式中和為式 4 求解所得值 為避免在計算模擬數(shù)據(jù)時因為選取特征點的距離過 近出現(xiàn)誤差 本文采用間隔5像素提取特征點 這種方 法不僅能有效減少圖像處理時間 還能夠提高算法的實 時性 a 邊緣提取 a Edge extraction b 中點生成 b Midpoint generation c 導(dǎo)航線擬合 c Navigation line fitting 圖10 導(dǎo)航線提取過程 Fig 10 Navigation line extraction process 2 5 導(dǎo)航線提取精度分析 將人工擬合導(dǎo)航線與算法擬合的導(dǎo)航線進(jìn)行對比 驗證該算法的可靠性 以人工擬合導(dǎo)航線向左和向右各 偏差 20 像素作為誤差允許范圍 若算法擬合導(dǎo)航線處于 該范圍內(nèi) 則表示該導(dǎo)航線擬合成功 若在此范圍外 則表示導(dǎo)航線擬合失敗 使用3種生長期的數(shù)據(jù)集作為驗證集對導(dǎo)航線擬合 第 4 期鄭 航等 基于UWB和視覺組合導(dǎo)航的設(shè)施植保機器人葉菜壟作跟蹤控制147 精度進(jìn)行測試 最終導(dǎo)航線擬合結(jié)果如圖11所示 a 發(fā)芽期 a Grmination stage b 幼苗期 b Seedling stage c 成熟期 c Maturation stage 注 淺色虛線為人工標(biāo)注導(dǎo)航線 深色實線為最終擬合導(dǎo)航線 Note Light dashed line represents the manually annotated navigation line dark solid line represents the final fitted navigation line 圖11 不同生長時期的導(dǎo)航線擬合結(jié)果 Fig 11 Navigation line fitting results of different growth stages 從數(shù)據(jù)集中隨機選取300張不同生長時期圖像進(jìn)行 導(dǎo)航線擬合精度試驗 結(jié)果如表2所示 3個生長期的 導(dǎo)航線擬合平均精度均在93 以上 證明所提擬合方法 具有較好的環(huán)境適應(yīng)性和穩(wěn)定性 表 2 不同生長時期的導(dǎo)航線擬合精度 Table 2 Fitting accuracy of navigation lines in different growth stages 生長期 Growth stage擬合精度Fitting precision 發(fā)芽期 Germination stage 93 幼苗期 Seedling stage 95 成形期 Maturation stage 96 3 組合導(dǎo)航跟蹤控制 3 1 導(dǎo)航跟蹤控制模型 設(shè)施植保機器人采用四輪獨立驅(qū)動轉(zhuǎn)向的輪式移動 底盤 結(jié)構(gòu)簡單 易控制 移動與轉(zhuǎn)向靈活 純跟蹤算 法是通過對移動底盤進(jìn)行運動學(xué)建模 并建立直觀的幾 何模型進(jìn)行公式推導(dǎo) 計算車輛移動到預(yù)設(shè)目標(biāo)軌跡路 徑點的曲率和轉(zhuǎn)角 從而實現(xiàn)跟蹤控制過程 該算法只 需要調(diào)整參數(shù)找到最合適的前視距離就可以達(dá)到良好的 跟蹤效果 同時具有模型簡單 計算量小 魯棒性良好 等優(yōu)點 因此本文采用純跟蹤控制來解決路徑跟蹤問題 設(shè)施溫室內(nèi) 多使用低車速工況 故選擇同側(cè)前后輪的 轉(zhuǎn)角相等且方向相反的雙阿克曼轉(zhuǎn)向模式進(jìn)行公式推導(dǎo) 如圖12所示 假設(shè)AB線為預(yù)設(shè)軌跡 取預(yù)設(shè)軌跡上一 點P為下一時刻所期望到達(dá)的點 即前視點 車輛質(zhì)心 位于軸距中點C 點即為期望轉(zhuǎn)向中心 轉(zhuǎn)向中心與前 視點的間距為前視距離 假定車輛行駛路面水平且完整 圓弧CP即為理想轉(zhuǎn)向路徑 車輛需要以轉(zhuǎn)向半徑R做 圓周運動從而到達(dá)期望前視點 根據(jù)前視點和車輛控制點 得到車輛期望軌跡 根 據(jù)幾何數(shù)學(xué)關(guān)系有 Ld sin 2 R sin 2 6 tan f L2R 7 整理得 R Ld2sin 8 f arctan Lsin Ld 9 Ld前視距離由下式計算 Ld xP xC 2 yP yC 2 10 式 10 中 xP yP 為P點位置坐標(biāo) xC yC 為軸距中點位置坐標(biāo) 車輛當(dāng)前姿態(tài)和前視點P的橫向誤差d為 d Ld sin 11 式 9 表明 車輛前輪轉(zhuǎn)角的大小受到多個因素的 影響 包括車輛的軸距 車身方向與前視點之間的夾角 以及前視距離 式 11 表明 橫向誤差受前視距離和 車輛軸距的影響 但在相同車型下 前視距離就是唯一 可控制的變量 因此選取合適的前視距離直接影響了車 輛跟蹤控制的準(zhǔn)確性 f r 2 Ld R R B A L C f d P x P y P f r L Ld 注 為車身方向與前視點P的夾角 為前輪轉(zhuǎn)角 后輪轉(zhuǎn) 角 為車輛底盤軸距 mm 為軸距中心點與預(yù)瞄點的距離 mm R為車輛轉(zhuǎn)向半徑 mm C為車輛軸距中點 AB為預(yù)設(shè)軌跡 P xP yP 為車輛前視點 d為當(dāng)前車輛姿態(tài)與前視點 P 的橫向誤差 mm f Ld Note is the angle between the direction of the body and the front view point P is rear wheel angle L is vehicle chassis wheelbase mm is the distance between the wheelbase center point and the preview point mm R is the vehicle steering radius mm C is the midpoint of the wheelbase AB is preset trajectory P xP yP is the front view point of the vehicle d is the lateral error of the current vehicle attitude and the front sight point P mm 圖12 移動底盤預(yù)瞄點跟蹤模型 Fig 12 Moving chassis preview point tracking model 3 2 組合導(dǎo)航控制策略 借助UWB定位導(dǎo)航的起壟機能夠按照規(guī)定路線進(jìn) 行起壟作業(yè) 但由于信號波動以及作業(yè)時土壤對作業(yè)部 間施加的作用力 會產(chǎn)生起壟誤差 導(dǎo)致壟面中心線會 在UWB規(guī)劃導(dǎo)航線附近波動 因此 單純沿UWB導(dǎo) 航線行走不能滿足植保環(huán)節(jié)作業(yè)需求 需要結(jié)合機器視 覺技術(shù)實現(xiàn)對行走底盤的組合控制 組合導(dǎo)航控制策略 如圖13所示 如圖13所示 實際情況下 植保機沿壟體作業(yè)行駛 148農(nóng)業(yè)工程學(xué)報 http www tcsae org 2025 年 中 其移動軌跡在UWB導(dǎo)航線附近一定范圍內(nèi)振蕩分 布 當(dāng)?shù)妆P駛出控制分界線時 導(dǎo)航控制系統(tǒng)切換為 UWB導(dǎo)航 當(dāng)?shù)妆P在控制分界線中間時 切換至視覺導(dǎo) 航 為避免底盤從UWB導(dǎo)航控制區(qū)進(jìn)入視覺導(dǎo)航控制 區(qū)時航向偏差過大 影響視覺導(dǎo)航精度 需要將目標(biāo)線 設(shè)置在更靠近UWB導(dǎo)航線的位置 目標(biāo)線與UWB導(dǎo) 航線的距離為R0 d1 R0 且繼續(xù)使用視 覺導(dǎo)航 則導(dǎo)航控制器無法區(qū)分當(dāng)前圖像當(dāng)下壟體中心 線是否為UWB導(dǎo)航線所跟蹤壟體 這很可能導(dǎo)致底盤 轉(zhuǎn)角過大破壞壟體 UWB導(dǎo)航可以幫助底盤回到UWB 導(dǎo)航線上 此時由于橫向偏移較大 UWB導(dǎo)航控制有超 出精度范圍的余量調(diào)整 因此 UWB導(dǎo)航更適合橫向偏 移較大時的實際工況 UWB導(dǎo)航線 UWB navigation cable 壟面中線 Ridge curve 硬化路面 Hardened pavement B 控制分界線 Control boundary 目標(biāo)線 Target lineR0 D R 0 R0 D 注 R0為UWB導(dǎo)航線與目標(biāo)線的距離 mm D為UWB導(dǎo)航線與組合導(dǎo) 航控制分界線的距離 mm Note R0 is the distance between the UWB navigation line and the target line mm D is the distance between the UWB navigation line and the boundary line of the integrated navigation control mm 圖13 組合導(dǎo)航控制策略 Fig 13 Combined navigation control strategy 當(dāng)d1較小時 d1 R0視覺導(dǎo)航控制 視覺偏距d1視覺偏角a1 視覺導(dǎo)航 是否沿壟行走 圖14 UWB和視覺組合導(dǎo)航控制流程 Fig 14 UWB and visual integrated navigation control flow 4 試驗結(jié)果與分析 4 1 試驗地點 試驗場地在浙江省農(nóng)業(yè)科學(xué)院楊渡試驗基地內(nèi)的壟 田區(qū)域 試驗時間為2024年4月25日 溫室內(nèi)的試驗 場地尺寸為30 m 30 m的四邊形區(qū)域 UWB與視覺組 合導(dǎo)航布局如圖15所示 試驗場景如圖16所示 壟作區(qū)域 Ridge area 基站 A3 Base station A3 基站 A1 Base station A1 基站 A0 Base station A0 溫室墻壁 Greenhouse wall 硬化路面 Hardened pavement 植保機 Plant protection machine 基站 A2 Base station A2 圖15 UWB布局 Fig 15 UWB cultra wide band layout 圖16 導(dǎo)航跟蹤控制試驗場景 Fig 16 Navigation tracking control test scene UWB定位基站位于試驗場地4個角落 每個UWB 基站距離地面的高度均為2 m 各基站坐標(biāo)分別為 A0 0 0 A1 30 0 A2 0 30 A3 30 30 m UWB 定位標(biāo)簽安裝在植保機器人頂部對稱軸線上 植保機器 人UWB定位系統(tǒng)獲得位置信息 采樣頻率為10 Hz 在 第 4 期鄭 航等 基于UWB和視覺組合導(dǎo)航的設(shè)施植保機器人葉菜壟作跟蹤控制149 行駛的過程中 上位機持續(xù)記錄植保機器人的位置信息 4 2 試驗方法 為測試組合導(dǎo)航精度 需對植保機進(jìn)行組合導(dǎo)航和 使用單一傳感器進(jìn)行導(dǎo)航對比試驗 前視距離設(shè)置為 2 m 在UWB局部坐標(biāo)系下將葉菜壟的起點中心位置A 終點中心位置B的位置信息保存到組合導(dǎo)航控制系統(tǒng)中 將AB點的連線作為植保機器人UWB導(dǎo)航參考線 組 合導(dǎo)航試驗的具體流程如下 1 擺放好UWB基站位置并連接電源 對植保機進(jìn) 行上電檢查 駕駛植保機沿著道路區(qū)域 行駛至田壟起 始點處停機 2 啟動植保機電源 打開上位機與相機 UWB串 口 確保圖像數(shù)據(jù) UWB信號接收正常 3 啟動植保機繼續(xù)沿壟面中間行駛 調(diào)節(jié)速度穩(wěn)定 到一定的范圍內(nèi) 4 組合導(dǎo)航以視覺導(dǎo)航為主 UWB導(dǎo)航為輔 首 先開啟視覺導(dǎo)航 讓植保機進(jìn)入視覺導(dǎo)航行駛狀態(tài) 此 時導(dǎo)航軟件實時計算植保機與壟面中心線的偏距和偏角 當(dāng)橫向誤差大于設(shè)定閾值時自動切換至UWB導(dǎo)航 5 關(guān)閉導(dǎo)航系統(tǒng) 保存試驗數(shù)據(jù) 試驗設(shè)施溫室 其每一壟的長為20 000 mm 壟面 寬為1 450 mm 壟溝寬為300 mm 植保機器人從葉菜 壟的一端開始行駛 運行到壟尾時停止 前文已根據(jù)壟 面寬度和底盤結(jié)構(gòu)尺寸計算得 植保機器人在壟間行走 的最大位置偏差為0 15 m 最大航向偏差為15 因此 本文取0 15 m 如圖17所示 為了記錄底盤行駛的中心位置 采用 與地面背景顏色對比鮮明的白色長方形膠帶進(jìn)行標(biāo)記 同時在底盤底部對稱軸線上固定2個平行型材 型材之 間的連線即為車體中心軸線 然后測量白色膠帶與壟面 中心線的相對位置來計算橫向偏差 如圖17a所示 使 用卷尺測量型材相對于壟面中心的橫向偏差 然后使用 量角器測量膠帶與壟面面中心線的角度 如圖17b所示 即為底盤在此位置的航向偏差 a 測量橫向偏差 a Lateral deviation of measurement b 測量航向偏差 b Measuring course deviation 測量角度偏差 Measuring angular deviation 圖17 測量車體位姿 Fig 17 Measure posture of vehicle 4 3 結(jié)果與分析 為驗證組合導(dǎo)航策略的效果 在壟1和壟2進(jìn)行組 合導(dǎo)航試驗 在壟1設(shè)置前期車體與壟面中心線有較大 的偏差 植保機在壟2行駛過程中遮擋攝像頭模擬視覺 導(dǎo)航出現(xiàn)失誤情況 在壟3 壟4分別進(jìn)行純視覺和純 UWB導(dǎo)航驗證本文視覺算法和UWB導(dǎo)航算法的可靠性 試驗壟田環(huán)境土質(zhì)較為松軟 有坑洼特征 為防止植保 機器人行走過程中機身抖動量過大 行走速度設(shè)定為 0 4 0 5 m s進(jìn)行試驗 導(dǎo)航試驗軌跡如圖18所示 28 24 20 16 12 8 4 0 1 2 3 4 5 6 X向距離X direction distance m Y向距離 Y direction distance m UWB導(dǎo)航 UWB navigation UWB導(dǎo)航 UWB navigation 橫向誤差過大 切換定位方式 Switch positioning mode when lateral error is too large切換 定位方式 Switch targeting method視覺導(dǎo)航Visual navigation 視覺導(dǎo)航 Visual navigation 組合導(dǎo)航路徑1 Composite navigation path 1 組合導(dǎo)航路徑2 Composite navigation path 2 視覺導(dǎo)航路徑Visual navigation path UWB導(dǎo)航路徑UWB navigation path 圖18 機器人行駛軌跡 Fig 18 Robot traveling trajectory 從圖18中對植保機導(dǎo)航作業(yè)行駛軌跡的結(jié)果可以明 顯看出 純視覺導(dǎo)航和UWB導(dǎo)航跟蹤誤差較小 為兩 者結(jié)合提供了基礎(chǔ) 同時 從圖19中壟1和壟2的植保 機行駛軌跡可以看出組合導(dǎo)航策略視覺導(dǎo)航出現(xiàn)較大誤 差時 系統(tǒng)能夠及時切換到UWB定位 實現(xiàn)快速收斂 UWB導(dǎo)航控制在組合導(dǎo)航中發(fā)揮了正向調(diào)節(jié)作用 降低 了導(dǎo)航偏差和偏差波動 提高了導(dǎo)航精度和魯棒性 驗 證了組合導(dǎo)航策略的有效性 15 10 5 0 5 10 15 20 25 0 10 20 30 40 50 60 組合導(dǎo)航路徑1 Composite navigation path 1 組合導(dǎo)航路徑2 Composite navigation path 2 視覺導(dǎo)航路徑Visual navigation path UWB導(dǎo)航路徑UWB navigation path 時間Time s 橫向偏差 La tera l de via tion cm 圖19 橫向偏差 Fig 19 Lateral deviation 為了準(zhǔn)確量化組合導(dǎo)航算法植保作業(yè)導(dǎo)航作業(yè)性能 差異 分別將4組導(dǎo)航作業(yè)數(shù)據(jù)進(jìn)行統(tǒng)計分析 試驗結(jié) 果如表3和圖20所示 從圖19 20中可以看出 當(dāng)植保機以0 4 0 5 m s 的速度行駛時 兩組組合導(dǎo)航和視覺導(dǎo)航 UWB導(dǎo)航達(dá) 到穩(wěn)態(tài)后的橫向偏差和航向誤差分別為15 5 cm和8 前期組合導(dǎo)航的最大偏差值較大是為了驗證組合導(dǎo)航控 制系統(tǒng)的可靠性 人為設(shè)置了較大偏差 當(dāng)控制系統(tǒng)檢 測到當(dāng)前偏差大于最大偏差時 從視覺導(dǎo)航切換至 UWB導(dǎo)航 誤差迅速減小并趨于穩(wěn)定 證明了組合導(dǎo)航 策略的有效性和穩(wěn)定性 壟1 2組合導(dǎo)航系統(tǒng)中的 150農(nóng)業(yè)工程學(xué)報 http www tcsae org 2025 年 UWB導(dǎo)航模塊分別在視覺導(dǎo)航第5 s和第22 s誤差大的 情況下發(fā)揮了積極作用 降低了導(dǎo)航偏差和偏差波動 表 3 路徑跟蹤數(shù)據(jù)統(tǒng)計 Table 3 ath tracking data statistics 組別 Group 橫向偏差 Lateral deviation cm 航向偏差 Course deviation 平均值 Mean value 最大值 Maximum value 平均值 Mean value 最大值 Maximum value 1 5 9 15 2 3 8 5 9 2 6 1 15 5 4 6 7 8 3 4 7 6 3 1 9 2 5 4 4 3 5 8 1 6 2 3 平均值 Mean value 7 1 12 2 4 0 6 7 0 10 20 30 40 50 60 6 4 2 0 2 4 6 8 組合導(dǎo)航路徑1 Composite navigation path 1 組合導(dǎo)航路徑2 Composite navigation path 2 視覺導(dǎo)航路徑Visual navigation path UWB導(dǎo)航路徑UWB n