基于多学科技术融合的智能农机控制平台研究综述

董 胜，袁朝辉，谷 超，杨 芳



基于多学科技术融合的智能农机控制平台研究综述

董 胜1，袁朝辉1※，谷 超2，杨 芳3

（1. 西北工业大学自动化学院，西安710072；2.飞行器控制一体化技术重点实验室，中航工业自控所西安 710065；3. 河南科技大学机电学院，洛阳471023）

农业机械的自动化和智能化包含内容广泛，有农机定位与导航，动态路径规划，机器视觉和远程监控等，牵涉到大量的工程技术学科，包括导航、图像、模型与策略、执行器以及数据链等。农机定位与导航一般采用基于农机运动学模型结合GPS（global positioning system）/IMU（inertial measurement unit）组合导航信息，在导航路径规划算法指引下实现农机轨迹跟踪的方法。建立的农机运动学模型精度，GPS数据的连续性以及惯导器件误差系数漂移等因素都会影响该方法的有效性。路径跟踪通常采用各种现代控制理论与方法，而面对复杂的田间作业环境变化，农机的自主避障以及动态路径规划能力也会影响轨迹跟踪精度。机器视觉的稳定性和目标特征信息分离度影响着农机环境感知能力，目前目标识别主要采用hough变换，hough变换的全局检测特性决定了该算法运算量较大，需要探究改进特征提取算法。远程监控农机作业是智能农机发展的一个方向，构建无线导航，控制和视频数据传输网络有助于提高农机的智能化水平，可以采用分布式哈希表(distributed hash table)来研究网络覆盖和互联技术。该文融合多个学科，从高精度定位与导航技术、复杂环境及工况下农机运动精确自主控制技术、稳定清晰的机器视觉感知技术和基于4G网络和新一代物联网的高覆盖数据传输技术几个方面，论述了智能农机在光机电液多个学科领域内的研究现状，并指出采用北斗地基增强网络和网络RTK(real-time kinematic)技术、惯导定位误差精确建模与补偿、环境感知与自主避障、立体结构自组网技术以及多机协作是现代农业机械的发展方向。以期为现代化智能农业机械的设计提供参考。

农业机械；导航；机器视觉；定位；数据链；多学科技术融合

0 引 言

智能农机装备是提质增效、转变发展方式、增强农业综合生产能力的基础，对支撑现代农业发展，保障粮食安全意义重大。2012年、2013年全国农业机械行业累计完成工业总产值分别为3,382.40亿元、3,800.00亿元，同比增长19.07%、12.35%[1]，市场需求刚性增长。

以美国为代表的发达国家较早开展了基于RTK-GPS (real-time kinematic-global positioning system)[2]技术的智能农机定位与导航研究，迄今已累积了大量研究成果并成功用于商业化，国外主要代表厂家有Trimble、John Deere、GreenStar TM等。九十年代斯坦福大学的O’Connor等[3]将高精度RTK-GPS应用于农机导航中，其利用四天线GPS系统为拖拉机提供位姿信息，在田间行驶速度3.25 km/h时，航向误差不大于0.1°，直线跟踪标准差不大于2.5 cm。Noguchi等[4]提出了一种由RTK-GPS、光纤陀螺仪和惯性测量装置组成的导航传感器，可实现对农机行进中倾斜角和上升角度等位姿的测量，进而完成实时偏差的确定和校正，实车运行显示改进的农机以2.5 m/s速度运行时的位置偏差小于3 cm。Eaton等[5]将Back stepping控制方法应用到农机路径跟踪控制中，并且在控制方法的设计过程中考虑了转向系动力学特性的影响，取得了较好的试验效果。Payne等[6]在大量辨识试验的基础上提出了一种航向率动力学模型，并基于该模型设计了LQR路径跟踪控制方法，解决了农机在高速行驶时的导航控制问题。Derrick等[7]提出了一种模型参考自适应控制系统，采用前馈横摆角速度控制器补偿偏航率，进而提高了直线路径的横向位置跟踪精度。Bergerman 等[8]使用激光扫描仪探测周围树木及杂物进行路径规划开发了一款果园自主移动机器人。Stombaugh[9]研究小组以Case Ih7220型号的两轮驱动拖拉机为平台；以安装位置高于驾驶舱的方式消除GPS信号滞后，行进中导航最大偏差±16 cm。这些研究团队都或多或少的使用了跨学科的技术融合手段[10-13]，取得了较好的研究成果。

在国内，罗锡文等[14-16]在东方红X-804拖拉机上开发了基于RTK-DGPS的导航控制系统。将拖拉机运动学模型和操纵控制模型相结合，设计了应用地面伪距差分定位算法的导航控制器，取得了很好的定位导航效果，达到前进速度为0.8 m/s时，最大跟踪误差小于0.15 m，平均跟踪误差不超过0.03 m。李逃昌等[17-19]针对运动学模型中的近似条件对模型控制方法曲线路径跟踪精度的影响，提出了一种农机导航自校正模型控制方法。该方法采用模型控制方法设计控制律，并采用模糊控制方法自适应地在线调节模型控制律的控制量。前进速度为 1.0 m/s时，直线跟踪最大横向偏差小于0.0649 m，曲线跟踪横向最大偏差小于0.1857 m。根据近年来公开出来的相关研究内容和研究成果，国内学者在定位和导航技术方面取得了一定进步[20-22]，但是从事农机智能化研究工作的机构主要集中在高校以及一些大公司，相关设备也只是处在试验阶段。农机作业信息感知、决策智控、试验检测等基础和关键共性技术实力薄弱。农机装备在制造过程、整机装配以及电器系统可靠性检测方法和手段缺乏，系统复杂度较高，装备田间试验数据不足等问题制约着智能农机的发展应用，因此实现农业智能化，完成农业革命还有很长的路需要走。

1 智能农机的多学科技术融合

智能农机的研究应该渗透到多个学科，美国伊利诺伊州立大学Dickson MA等以John Deere GATOR型农用车为平台；建立了2自由度的线性动力学模型，RTK-DGPS、光纤陀螺FOG（fiber optic gyroscop）和IMU(inertial measurement unit)结合应用于农机作业路线跟踪导航；提出预瞄策略的动态路径搜索算法；通过WLAN与基站GIS数据相比校正，农机前进速度为3.5 m/s时，最大跟踪误差±10 cm[23]。这套智能农机实现方案融合了多项技术，对中国智能农机的发展具有启发意义。

2016年中国中央一号文件指出，加快中国农业现代化，重点要在农业装备、智能农业等领域突破关键技术。一些学者也分析提出了中国发展农业机械的重点领 域[24]。为了更好的适应国家三农工作计划，关于智能农业装备可以开展以拖拉机及联合多农机具为对象进行基于北斗的农机定位与导航、机器视觉、机器学习、智能组网以及多机协作[25]的研究，多学科既相互独立又紧密相连。本文将从复杂环境下基于北斗的定位导航技术，机器视觉感知技术，移动通信结合物联网的自组网数据传输技术和自主作业智能控制技术几个方面论述智能农机在导航、控制、互联网等领域内的研究现状与发展。提出一套跨学科组建智能农机系统的实施策略，系统结构框图如图1所示。

整个系统分为电子控制单元ECU（electronic control unit），农机操纵控制，定位与导航，自组网等部分。ECU负责顶层决策，人机交互以及数据传输功能。农机操纵控制系统负责实际农机的运动控制，以及紧急突发情况下的自主决策功能。各个部分相互独立，通过互相传输的数据流各个部分又紧密联系起来，共同完成农机田间作业的复杂控制任务。下文将针对多学科技术在智能农机系统应用上的研究现状和存在的一些问题，提出相应的改善方法。进而整合成一套基于北斗导航的智能农机设计方案，并在方案设计过程中给出了一些可以开展进一步研究的内容，这些研究内容也代表了智能农机未来一段时间内某一领域内的发展方向。

图1 智能农机系统组成

2 农机定位与导航

目前中国农机定位与导航广泛采用传统RTK-GPS技术，该技术方法的观测误差会随着流动站与基准站距离的增大而增长，观测结果的准确度不能保证。在丘陵以及西部偏远地区导航信号还会受遮挡、信号增强站点分布稀疏等因素影响。有必要开展以北斗导航为核心辅助惯性导航元件的导航系统创新，且可以从“提高北斗定位精度”和“导航误差精确建模与补偿”等方面开展研究[26]。图2展示了一种农机导航方案。

图2 农机组合定位导航

该农机定位与导航采用北斗结合IMU的紧组合导航模式。北斗信号经过地基增强网络后可以满足偏远地区使用的要求，机载惯导元件误差精确建模补偿控制处理后给出的惯导信息融合北斗星历数据，进而与北斗信号比较通过设计最优综合与滤波算法，反馈补偿修正北斗数据和惯导数据。

2.1 基于北斗地基增强网络的高精度定位方法

北斗导航系统和地面惯性测量单元是完成农机定位与导航的关键。北斗信号较弱时，无法直接使用卫星定位导航数据，可以考虑利用网络RTK技术和基于国家北斗地基增强网络的高精度差分定位技术，融合北斗地基增强网络与移动增强基准站提供差分数据服务，以此来保证导航定位精度，可以从以下几个方面开展研究：

1）研究北斗地基增强技术，建立精确的最优化观测模型，研究北斗卫星误差来源及消除方法，使用虚拟参考站VRS(virtual reference station)技术克服传统RTK的缺陷，修正导航定位的实时相关误差。

2）研究观测数据处理的关键技术，载波相位观测通常会由于各种原因产生周跳，周跳探测与恢复是保证定位精度的前提，整周模糊度解算是高精度定位的关键步骤。处理好观测数据将提升北斗地基增强网络对农机导航高精度定位的支撑作用；

3）研究多导航系统

北斗/GPS/GLONASS/Galileo多模多频观测信息最优融合模型和模型参数精确估计方法以及基于多系统冗余信息的验后残差载波粗差探测方法，实现高精度载波信息质量控制，提高农机北斗导航系统定位精度。

2.2 农机惯导误差精确建模与补偿方法

IMU器件在实际使用过程中其定位导航误差不断积累，随工作时间的增长而变大，通常定期利用外部信息（GPS/北斗数据）进行误差校正。这就导致有部分时间内定位导航误差较大。通常采用Kalman滤波算法精确估计陀螺漂移和加速度计零偏，研究农机设备三维运动约束，对惯导误差精确建模，实现对惯导定位误差的实时补偿和控制。导航坐标系选取东北天地理坐标系，忽略加速度计的刻度系数误差和安装误差角，惯导姿态误差方程为[27]

（2）

（3）

速度误差方程为

（5）

（6）

定位误差方程为

（8）

（9）

在上述模型的基础上可以进一步考虑刻度系数误差和安装误差角，建立误差的精确模型[27]。将误差方程写成状态空间描述，拉普拉斯变换后求得特征根可以分析导航误差特性[28]。通过递推卡尔曼滤波器将北斗导航信息和惯导系统的信息进行融合，用北斗的导航信息作为惯导系统的校正信息，状态变量选择导航系统误差和各惯性器件误差。通过对误差精确建模和组合导航的信息融合技术达到在偏远地区复杂环境下的高精度定位和导航目的。

3 农机机器视觉感知

针对复杂环境下对农机导航精度、实时性及自主精准作业的需求，构建稳定清晰的全向视觉与双目视觉结合的多源视觉感知平台，可以提高农机系统对复杂作业环境与目标对象的综合感知与分析能力，实现农机静态及行进过程中对地理标志物、障碍物、农作物等目标的准确辨识，为农机在卫星信号不稳定、惯导误差累积作业环境下提供高精度位置信息，弥补惯性导航系统的缺陷。目前主要的目标识别方法有Hough变换，模型匹配，虚交点分析等，然后还可以根据摄像机与目标的几何关系得到机械的位置姿态，用于辅助导航。

3.1 图像场景特征分析与目标识别技术

给智能农机装上全向视觉装置，对视觉系统获取的环境信息进行场景分析。针对卫星信号不稳定、惯导误差累积、农机无法获得连续有效的高精度定位信息的问题，通过图像分析技术对特定标识进行识别，提取该标识下预设的位置信息，修正惯导误差，可以与第2节介绍的北斗/惯导组合定位系统进行互补。

在国内，机器视觉还主要集中在人脸、字体以及车牌识别等方面的应用上，而其在具有复杂环境的农业领域应用还不广泛。农机的自能化离不开机器视觉。其对智能农机的动作起提前预测作用[29]。张磊等[30-31]通过在农机上安装机器视觉在低速（<10 km/h）行驶中，其检测障碍物的正确率达到96%，且不依靠惯导很好地完成了路径跟踪。其他学者[32-34]依靠机器视觉技术也很好地实现复杂环境下的路径跟踪和农作物的特征提取。

3.1.1 特征信息提取

图像理解任务的目标识别与分析算法应用比较广泛的特征主要有低层视觉特征，中间语义特征和上下文特征[35]。低层视觉特征获取方便，易于表达，应用广泛。但是特征数量较多，尤其是在复杂作业环境下使用低层视觉会大大提高算法复杂度。中间语义特征主要包括语义属性特征，区域语义概念特征和词袋（Bag-of-Word）[36-37]特征。低层视觉特征和中间语义在目标识别中效率不高。而使用上下文信息进行特征识别可以快速的捕获特定场景中的重点信息。上下文信息中应用到了经验知识，可与统计模型如马尔科夫随机模型等结合起来。常用的上下文信息包括与目标物体临近的其他物体，物体自身的局部子区域。在复杂的农田作业环境中可利用的上下文信息非常多，比如田垄的走势信息，农作物的分布生长状态等[38-39]。通过对比一段图像序列中的每帧图片识别出田间的各种突发情况，采用合理的分类算法训练出智能分类器。

3.1.2 特征信息表达

在特征获取的基础上，所选取的特征信息表达方式是决定数据样本之间的相似性和分类器设计关键。图像特征信息优化表达的策略主要有基于特征提取的特征选择和高维数据聚类方法[40]等理论。

基于特征提取的特征选择算法主要以主成分分析PCA（principal component analysis）[41]和线性判别分析LDA（linear discriminant analysis）[42]为主。PCA实际上是一种基于数据集方差的特征选择算法的扩展。通过样本重构使得样本在低维空间中尽量分散且保留样本原始空间的差异性。LDA基本思想是将高维空间的样本投射到最佳鉴别矢量空间，投射后保证样本在新的空间中有最大的类间距离和最小的类内距离，一般采用Fisher准则函数。

当图像数据转化为向量后，数据的维度一般都很大，高维数据的聚类方法研究的就是数据间逻辑上或物理上的联系，通过一定的规则将原始特征数据划分为在性质上相似的特征数据点。进而把一个没有类别标记的数据集按照某种准则划分成若干个子集（类），并使相似的数据对象尽可能地归为一类、不相似的数据对象尽可能地划分到不同的类中[43]。通常采用子空间聚类或模糊聚类方法。子空间聚类可分为自下而上、自顶而下和混合策略3种类型[44]。典型的算法有CLIQUE（clustering in quest）[45]，ENCLUS（entropy-based clustering）[46]和MAFIA（merging of adaptive finite intervals algorithm）[47]等。该类算法通过使用Apriori策略来查找和合并某度量大于给定阈值的网格，产生候选子空间。并将这些候选子空间按其覆盖即子空间中点数量的大小排序，最后用最小描述长度准则将规模较低的子空间删除。这类算法理论上可以处理任意数量维中的任意形状和类型的簇。模糊聚类方法主要是把含有个样本的数据集分为类，聚类结果用聚类中心和隶属度表示[48]。主要目的是通过选取合适的迭代准则，在极值的约束条件下使得目标函数最小，即存在：

（12）

3.2 高稳定全向和双目视觉的农机精确导航方法

复杂或极端作业环境下，可以采用较明显的自然界特征信息（犁沟，田垄以及农作物等）来提取导航基准线，辅助农机导航。但是实际应用中农机不同角度光照强度的影响较大，以及田间杂草等因素影响也会导致导航基准线丢失。这种情况下可以利用置于农机顶部的具有大范围转动能力的高稳定高清晰全向视觉获取地标场景图像，重新找到较远范围内的基准线。并且还可以利用多个人工放置的地标或特征较为明显的天然地标，通过上节论述的特征提取技术对特定标识进行识别，提取该预设标识的位置信息，设计多地标/农机间距解算算法，利用多地标与农机的距离信息和几何关系，结合三维空间中的Chan算法辅助农机自定位。

高稳定高清晰全向视觉获取农机周围视景图像，并采用图像拼接技术得到全景图像，以其作为目标定位与识别的参考[49-50]；通过采集的视觉图像，Cheein使用SVM使农机正确识别出橄榄园中的树枝障碍物[51]。置于农机前端的双目视觉采集农机前方视景图像，图像数据信息融合后，结合全向视觉多场景图像信息，可以实现复杂多变环境，如光照强度不均匀，目标形变，遮挡，背景杂乱，背景与目标具有相似特征，目标多变性等作业环境条件下，目标作物、苗田垄线和障碍物等的准确识别。通过对视景图像信息分析，给出农机导航线，识别障碍物位置与类型，协助指导农机自主行进，稳定有效避障，减少漏检漏耕，保证农机的精确自主作业。

4 农机物联网与数据链

在现代农业生产、经营和管理环节中，充分利用物联网，电信网以及无线传感器自组网络的智能农机数据传输技术，能够给智能农业的发展提供强大的动力。将多链路数据传输技术应用到农业各环节中已是目前的发展趋势。要求突破在空天地各个层面（移动通信网、北斗导航、无人机和作业面自组织网）的立体拓扑自组网技术，满足农机作业区域网络覆盖，保证自组网的鲁棒性和传输可靠性，为农机作业提供网络数据传输保障。

针对农机各环境条件下的自主作业与远程监控、北斗精确定位对数据传输带宽的需求，依靠移动通信网络（TD-LTE、LTE、NB-IoT）[52-54]，地面工作站，空中无人机基站和地面无线网格网络（MESH）构建立体拓扑自组网，网络结构如图3所示。并在自组网络中实现多跳分组无线路由协议[55]能够实现多链路数据网络传输。

地面工作站负责作业区域和移动通信网的连接，地面工作站和空中无人机上的多链路接入设备一同构成作业区域主网。如公网断开，地面工作站还负责区域北斗差分信号的处理和播发。

图3 立体网络覆盖示意图

空中无人机基站负责数据中继，保证地面作业区域的移动农机网络覆盖，地面MESH网络与空中无人机基站协同完成农机WiFi的网络覆盖，具体可以从以下几个方面开展研究：

4.1 立体拓扑网络

农机的作业区域有多种网络覆盖，自组网络覆盖、WiFi自组网覆盖、TD-LTE、NB-IoT技术的覆盖及北斗短报文卫星波束覆盖[56]。结合基于分布式哈希表的结构化路由算法实现可控的路由走向和开放的路由架构，满足农业组网需要。

当移动通信LTE、NB-IoT网络有效覆盖农机作业区域时，信号质量较好，多链路自组网络的接入设备集成了4G收发模块。能够直接访问移动通信网进行传输视频信息、北斗差分信息；通过NB-IoT接入，可传送图文信息。

当公网LTE、NB-IoT网络信号质量较差的情况下，农机上多链路自组网络的接入设备能够组成LTE自组网和WiFi MESH自组网。2类自组网通过地面工作站中继接入中国移动4G网络，这样农机上的接入设备可使用移动通信网络传送控制中心的各类数据信息。

在移动通信信号覆盖较差，或者其他原因地面工作站无法访问公网时，农机作业区域内可组成自组网络，完成区域差分信息和农机信息传输。地面工作站为本地数据控制中心，通过控制空中无人机基站的高度和位置实现接入设备发射功率的控制。

4.2 LTE、WiFi与MESH的多跳自组网

复杂的多跳自组网需要解决全网络的时间同步问题[57]，恰恰采用的北斗导航报文中含有精确的世界时，可以用于自组网络的时间同步。

农机LTE组网由地面工作站、空中无人机基站、农机多链路接入节点组成；WiFi MESH自组网由地面和空中节点组成。节点与相邻节点能直接通信，节点与其他节点可以通过多跳路由实现数据传输。

多跳路由网络不存在一个网络中心控制点，允许所有节点任意移动，通信质量不会因为一个节点的移动而受到影响，使用较多的就是OLSR（optimized link state routing protocol）协议。多跳组网技术组网方便快捷，提高了信道利用率。

4.3 网络接入方式及通用网关设计方法

农业多链路数据传输网络需要保证传输数据的实时性和可靠性，但由于实际应用中各网络接入技术间相对独立，缺乏可靠的协同机制，各链路间的无缝切换难以保证。这种情况下可以研究通用的WiFi、自组网LTE到公网LTE协议转换，即通用网关协议。

对于作业区域的节点，多条链路（专网LTE、WiFi）数据可捆绑在一起，形成一个虚拟的链路，节点作为“链路束节点”。网络层将链路束当作一条普通的链路，完成通信。并将多协议数据报文封装，为高层的局域网协议通过广域网传输提供一种标准机制，在数据链路层实现多链路协议的融合，为网络层提供统一的传输格式和路由协议。

4.4 WiFi自组网按需路由选择协议

目前最具代表性的按需路由方式有动态源路由协议和专用按需距离向量路由协议，这样中间节点不用周期性的路由信息广播，节省了一部分网络带宽，并且适用于能量有限的网络环境。接下来需要研究的内容是深入分析按需驱动路由协议涉及的多请求处理、出错处理、路由表建立及维护等。研究按需路由维护机制，适应农机作业区域自组网覆盖。

5 复杂环境、工况农机精确自主控制方法

农机自主控制的关键在于解决复杂环境、工况下农机的智能调整策略和农机的自主决策。农机作业环境较为复杂，农机、农具种类多，作业类型多，耕地坡度差异，土壤附着力差异，作业时存在障碍物等，农机应能在这些复杂情况下均能精确自主运行，实现农机最佳动力匹配、农机自主控制等。

在图1所示的系统组成图中，集成智能操控系统完成机器学习、自主控制的任务。通过控制农机上的各种操纵机构完成自主避障路径规划，无人干预困境脱险[58]等工作。具体到系统实现方法上可以依靠图4所示的策略完成。

图4 农机精确自主控制实现策略

5.1 “农机-农具-土壤”动力学特性的数学描述

对各类农机、农具、土壤力学特性进行分类分析，建立农机具多自由度动力学模型，通过理论分析和试验研究，寻求实际农机作业条件下的降阶模型，该动力学模型结构参数可能不确定[59]。针对模型参数不确定情况可以采用最小二乘递推在线辨识的方法来解决。以实际农机状态量与模型状态量的差值函数最小为目标进行参数估计，不断优化直到识别出一个在特定条件下相对精确的系统模型，

最小二乘递推算法可以概括为取加权矩阵

（14）

（15）

5.2 研究基于动力学模型和控制律参数自调整的轨迹跟踪控制策略

基于农机作业动力学特性设计控制策略，通过导航控制偏差预测，以未来控制偏差目标函数最小为目标，在线优化控制律参数，始终以最佳控制参数控制农机完成轨迹跟踪。控制策略采用位置、姿态角及其导数作为状态反馈来提高农机控制的稳定性，引入前馈控制提高机动性[60]。基于导航控制偏差预测优化控制律参数，超前调整控制律参数。

结合上述内容可以做出如图5所示的关系：控制律1与实际农机状态输出构成农机作业的闭环控制，控制律1复制于当前更新的控制律2；实际农机输出与农机待估模型的输出之差构成目标函数，依据最小在线辨识的参数；控制律2与农机精确模型构成控制律2的参数在线调整策略，通过预测未来一段时间的导航控制偏差构成目标函数，依据最小在线优化控制律2的参数，模型2复制于当前更新的模型1。控制中通过在线模型辨识、控制律参数优化，实施适应当前作业环境与特性的最优控制。状态反馈包括：定位信息及其导数、姿态角信息及其导数、图像信息、转向角等。多维控制量包括：离合、刹车、油门、换挡、转向、悬挂等控制量。

图5 农机控制结构图

针对农机作业实际需要的避障等问题，依据图像及导航综合信息、“农机-农具”特性参数，以最小路径、最少漏耕面积等指标实施动态路径规划。在避障控制以及其它特殊环境下的控制中，对控制过程进行存储、学习，可以提高自主控制决策的能力。

动态路径规划基本输入输出为：

输出：最优解（状态转移路径），或多条备选路径；

动作：状态转移估值（估价函数）；

可以抽象出算法中的两个重要概念状态和状态转移估值（估价函数）。

为了能更好地给出一块作业田地的路径表示方式，将作业田地划分成若干个面积相等的方格。构建出农机以及障碍物在该网格中的模型。如图6所示，农机每次动作都有多种选择，其初始状态（初始位置）为，目标状态为。

注：Si,j为当前农机所在状态；i,j表示农机所在网格行数和列数，S为目标状态；为了躲避障碍物，农机可以有8个选择进入下一个状态。每一步行动的代价函数都可以用F(Sij)=G(Sij)+H(Sij)来表示，通过迭代估计可以计算出每一步的代价，F(Si-1, j-1)为网格位置Si-1, j-1的代价。

寻路步骤如下：

状态转移方程：

将它从"开启列表"中移掉，添加到"关闭列表"再继续找出它周围可以到达的方块，如此循环下去[61]。

（18）

（19）

注：F(Si)为代价函数；j为农机路径搜索步长；qdes为期望航向角，(°)；为了躲避障碍，农机可以有n个选择进入下一个状态。每一步行动都采用式（17）-（19）给出的计算方法得出该步行动的消耗，取消耗最小值进入下一状态。

5.4 农机试验平台

多学科技术方法合理性验证需要农机试验装置，目前大多数试验平台选择的是农用拖拉机。因为拖拉机使用环境条件相对比较好，空间开阔，便于改装控制。这样在模型与控制算法研究基础上，可以构建农机自主控制装置，并安装于拖拉机平台完成自主控制试验。通过改装拖拉机的转向、变速、离合和刹车等，能够实现拖拉机的自动驾驶。图8展示了一套农机精确控制系统组成原理。一般自主控制农机装备由集成控制电子单元（ECU）、农机控制执行单元、农机平台、辅助测量传感器等组成。

图8 试验平台组成

集成控制电子单元包括：数据通信单元，模型参数在线辨识单元，控制律参数在线调整单元，综合控制单元、状态测量与回路控制单元。各单元之间通过内部总线进行数据通信，数据通信单元读取农机导航指令、定位信息、姿态信息、图像信息等。

农机控制执行单元包括：离合、刹车、油门、换挡控制执行器，转向、悬挂液压控制系统等。农机控制执行单元将传感器信号反馈给集成控制电子单元，并接受集成控制电子单元发送的离合、刹车、油门、换挡、转向、悬挂等自动控制信号。

辅助测量传感器包括：转向传感器，轮速传感器，悬挂加装的力和位移传感器[65-66]。在转向控制策略中，通过比较转向控制模式1（采用转向传感器作为内闭环反馈的控制模式[67-68]）和转向控制模式2（仅采用姿态角信号作为转向控制反馈的控制模式[69-70]）的控制效果，尽量减少传感器数量。四个轮速传感器用于模型降阶研究，车辆动力学模型可以表达为具有车身6自由度、底盘悬架4自由度、四轮转速4自由度等的多自由度模型，需要根据农机控制特点进行降阶，轮速传感器用于建模分析和模型降阶研究，最终自主控制策略可以不需要轮速反馈。

设计智能农机试验装置应该体现下列先进性：

1）控制的稳定性。可以引入农机坐标信息及其导数、姿态角信息及其导数等构成状态反馈，使用更多状态量的导数信息，一定程度上在航向控制稳定性、轨迹偏差控制等方面性能会有所提高。

2）在线调整控制律参数，满足多场景使用要求。依据当前“农机-农具-土壤”动力学特性，在线优化控制律参数，始终以符合当前特性的最佳控制参数实施控制。

3）农机自主决策。农机自动控制应该可以实现农机最佳动力匹配、农机人工智能控制、自动导航控制等。

6 结 论

现代智能农机应用到导航，控制，图像以及数据链等技术，各项工程技术之间有穿插和重叠。基于车辆运动约束的导航误差校正方法和全向及双目场景目标高维特征提取方法为精确轨迹跟踪控制提供了条件，数据链保证了各部分数据的高效可靠传输，为远程操作提供了可能。近年来多传感器信息融合技术越来越多的应用到各行业的定位与导航系统中并取得了较好的实现效果。可见应用基于误差精确建模的紧组合导航方式结合多传感器信息融合技术是自动导航系统研究的主要方向。在农机视觉图像处理领域应用数学中的小波变换和多尺度理论能较好的进行目标识别。将用于航空航天的导航技术、全向机器视觉技术、机械电子技术以及飞行控制技术等国防科学技术应用于智能农业中，必将显著提高中国农机行业技术水平，具有较高科研价值，又能很好的响应国家军民融合的发展战略。下一步还可以探索多机协调工作实现方案，为以后中国农民土地合理流转，规模化经营打下了技术基础，将大大降低劳动强度，提高劳动生产率。

同时多学科技术融合的智能农机也将会为其他交通车辆的智能化提供技术借鉴，车辆的机器视觉和机器学习结合互联网技术将产生巨大的影响力，改变多个行业的运营模式，并带来了汽/柴油等化石能源消耗的大幅度降低，起到降耗减排的效果；有效保护生态环境。促进资源节约型、环境友好型社会的快速发展，产生较高的社会和生态效益。

[1] 中国机械工业年鉴编辑委员会. 中国机械工业年鉴2013[M]. 北京：机械工业出版社，2013.

[2] Ortiz B V, Balkcom K B, Duzy L, et al. Evaluation of agronomic and economic benefits of using RTK-GPS-based auto-steer guidance systems for peanut digging operations[J]. Precision Agriculture, 2013(14): 357－375.

[3] O'Connor M, Bell T, Elkaim G, et al. Automatic steering of farm vehicles using GPS[J]. Intl. conf. precision Agriculture, 1996.

[4] Noguchi N, Terao H, Sakata C. Performance improvement by control of flow rates and diesel injection timing on dual-fuel engine with ethanol[J]. Bioresource Technology, 1996, 56(1): 35－39.

[5] Eaton R, Pota H, Katupitiya J. Path tracking control of agricultural tractors with compensation for steering dynamics[C]// 48th IEEE Conference on Decision & Control, China, 2009: 7357－7362

[6] Payne M L, Hung J Y, Bevly D M. Control of a robot-trailer system using a single non-collocated sensor[C]// 38th Annual Conference on IEEE Industrial Electronics Society, 2012: 2674－2679

[7] Derrick J B, Bevly D M. Adaptive steering control of a farm tractor with varying yaw rate properties[J]. Journal of Field Robotics, 2009, 26(6): 519－536.

[8] Bergerman M, Maeta S M, Zhang J, et al. Robot farmers: autonomous orchard vehicles help tree fruit production[J]. Robotics & Automation Magazine IEEE, 2015, 22(1): 54－63.

[9] Stombaugh T, Benson E R, Hummel J W. Automatic guidance of agricultural vehicles at high field speeds[C]// 1998 ASAE Annual International Meeting, Orlando: 1998: 537－544.

[10] Montero J I, Henten E J V, Son J E, et al. Greenhouse engineering: new technologies and approaches[J]. Acta Horticulturae, 2011, 893(893): 51－63.

[11] Kondo N, Yata K, Iida M, et al. Development of an end-effecter for a tomato cluster harvesting robot[J]. Engineering in Agriculture, Environment and Food, 2010, 3(1): 20－24.

[12] Fakharian A, Gustafsson T, Mehrfam M. Adaptive kalman filtering based navigation: An IMU/GPS integration approach[C]// IEEE International Conference on Networking, Sensing and Control (ICNSC), 2011: 181－185.

[13] Xiong Z, Chen L, Juan H E, et al. Small agricultural machinery path intelligent tracking control based on fuzzy immune PID[J]. Jiqiren/robot, 2015, 37(2): 212－223.

[14] 罗锡文，张智刚，赵作喜，等. 东方红X-804拖拉机的DGPS自动导航控制系统[J]. 农业工程学报，2009，25(11)：139－145. Luo Xiwen, Zhang Zhigang, Zhao Zuoxi, et al. Design of DGPS navigation control system for dong fang hong X-804 tractor[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2009, 25(11): 139－145. (in Chinese with English abstract)

[15] 黄沛琛，罗锡文，张智刚. 改进纯追踪模型的农业机械地头转向控制方法[J]. 计算机工程与应用，2010，46(21)：216－219. Huang Peichen, Luo Xiwen, Zhang Zhigang. Agricultural machinery steering control method based on improved pure tracking model[J]. Computer Engineering and Applications, 2010, 46(21): 216－219. (in Chinese with English abstract)

[16] 罗锡文，张智刚，胡炼，等. 4种DGPS模块动态定位精度测试与分析[J]. 华南农业大学学报，2010，31(1)： 102－107. Luo Xiwen, Zhang Zhigang, Hu Lian, et al. Measurement and analysis of dynamic positioning accuracy of four DGPS modules[J]. Journal of South China Agricultural University, 2010, 31(1): 102－107. (in Chinese with English abstract)

[17] 李逃昌，胡静涛，高雷，等. 基于模糊自适应纯追踪模型的农业机械路径跟踪方法[J]. 农业机械学报，2013，44(1)：205－210. Li Taochang, Hu Jingtao, Gao Lei, et al. Agricultural machine path tracking method based on fuzzy adaptive pure pursuit model[J]. Transactions of the Chinese Society for Agricultural Machinery, 2013, 44(1): 205－210. (in Chinese with English abstract)

[18] 李逃昌. 基于级联式控制策略的农业机械自动导航控制方法研究[D]．北京：中国科学院大学，2014. Li Taochang. Research on Automatic Navigation Control Method Based on Cascade Control Strategy for Agricultural Machinery[D]. Beijing: University of Science and Technology of China, 2014.(in Chinese with English abstract)

[19] 白晓平，胡静涛，高雷，等. 农机导航自校正模型控制方法研究[J]. 农业机械学报，2015，46(2)：1－7. Bai Xiaoping, Hu Jingtao, Gao Lei, et al. Self-tuning model control method for farm machine navigation[J]. Transactions of the Chinese Society for Agricultural Machinery, 2015, 46(2): 1－7. (in Chinese with English abstract)

[20] 刘继展，刘炜，毛罕平，等. 面向立柱栽培的机器人移栽苗序与路径分析[J]. 农业工程学报，2014，30(5)：28－35. Liu Jizhan, Liu Wei, Mao Hanping, et al. Preparation and path analysis of robot transplantation for column cultivation[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2014, 30(5): 28－35. (in Chinese with English abstract)

[21] 伟利国，张权，颜华，等. XDNZ630型水稻插秧机GPS自动导航系统[J]. 农业机械学报，2011，42(7)：186－190. Wei Liguo, Zhang Quan, Yan Hua, et al. GPS automatic navigation system design for XDNZ630 rice transplanter[J]. Transactions of the Chinese Society for Agricultural Machinery, 2011, 42(7): 186－190. (in Chinese with English abstract)

[22] 权龙哲，张冬冬，查绍辉，等. 三臂多功能棚室农业机器人的运动学分析及试验[J]. 农业工程学报，2015，31(13)：32－38. Quan Longzhe, Zhang Dongdong, Zha Shaohui, et al. Kinematics analysis and experiment of multifunctional agricultural robot in greenhouse with three arms[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(13): 32－38. (in Chinese with English abstract)

[23] Dickson M A, Zhang Q. Sensor-fusion navigator for automated guidance of off-road vehicles: United States Patent: US6445983[P]. 2002-09-03.

[24] 耿效华. 发展我国农业机械自动化、信息化和智能化的必要性和重点领域[J]. 中国农机化学报，2007(5)：50－52. Geng Xiaohua. The necessity and key fields of developing agricultural machinery automation, information and intelligence in China[J]. Journal of Chinese Agricultural Mechanization, 2007(5): 50－52. (in Chinese with English abstract)

[25] Shearer S A, Pitla S K, Luck J D. Trends in the automation of agricultural field machinery[C]//In Proc. of the 21st Annual Meeting of the Club of Bologna, Italy, 2010.

[26] 卞鸿巍，李安，覃方君，等. 现代信息融合技术在组合导航中的应用[M]. 北京：国防工业出版社，2010.

[27] 秦永元. 惯性导航[M]. 北京：科学出版社，2006.

[28] Yang L, Noguchi N, Takai R. Development and application of a wheel-type robot tractor[J]. Engineering in Agriculture Environment & Food, 2016, 9(2): 131－140.

[29] 姜国权，柯杏，杜尚丰，等. 基于机器视觉的农田作物行检测[J]. 光学学报，2009，29(4)：1015－1020. Jiang Guoquan, Ke Xing, Du Shangfeng, et al. Crop row detection based on machine vision[J]. Acta Optica Sinica, 2009, 29(4): 1015－1020. (in Chinese with English abstract)

[30] 张磊. 基于机器视觉的农田区域边界和障碍物检测方法的研究[D]. 北京：中国农业大学，2007. Zhang Lei. Study on the Detection Method of Farmland Boundary and Obstacle Based on Machine Vision[D]. Beijing: China Agricultural University, 2007. (in Chinese with English abstract)

[31] 张磊，王书茂，陈兵旗. 基于机器视觉的麦田边界检测[J]. 农业机械学报，2007，38(2)：111－114. Zhang Lei, Wang Shumao, Chen Bingqi. Wheat border detection based on machine vision[J]. Transactions of the Chinese Society for Agricultural Machinery, 2007, 38(2): 111－114. (in Chinese with English abstract)

[32] Wu Tong, Xu Gongxian. Path following for a tractor-trailer system using sliding mode control[J]. Journal of Bohai University:Natural Science Edition, 2016, 37(2): 172－176.

[33] Li L, Wei X, Zhu W, et al. Research on auxiliary navigation system for wide spraying mechanism based on machine vision[J]. Nongye Jixie Xuebao/transactions of the Chinese Society of Agricultural Machinery, 2015, 46(9):28－33.

[34] Wang F, Zheng J, Tang Y. Analysis on application and research progress of machine vision in agriculture in China[J]. Shandong Agricultural Sciences, 2016, 48(4): 139－144.

[35] Liu C M, Lee C H, Wang L C. Distributed clustering algorithms for data-gathering in wireless mobile sensor networks[J]. Journal of Parallel Distributed Computing, 2007, 67(11): 1187－1200

[36] Yang J, Jiang Y G, Hauptmann A G, et al. Evaluating bag-of-vision words representations in scene classification[C]// Proceedings of international workshop on Multimedia Information Retrieval, New York, USA, 2007: 197－206.

[37] 王君秋，査红彬. 结合兴趣点和边缘的建筑物和物体识别方法[J]. 计算机辅助设计与图形学学报，2007，18(8)： 1257－1263. Wang Junqiu, Zha Hongbin. Building and object recognition method combining interest points and edges[J]. Journal of Computer-Aided Design and Computer Graphics, 2007,18(8): 1257－1263. (in Chinese with English abstract)

[38] 孙元义，张绍磊，李伟. 棉田喷药农业机器人的导航路径识别[J]. 清华大学学报：自然科学版，2007，47(2)： 206－209. Sun Yuanyi, Zhang Shaolei, Li Wei. Guidance lane detection for pesticide spraying robot in cotton fields[J]. Journal of Tsinghua University: Science and Technology, 2007, 47(2): 206－209. (in Chinese with English abstract)

[39] 王晓燕，陈媛，陈兵旗，等. 免耕覆盖地秸秆行茬导航路径的图像检测[J]. 农业机械学报，2009，40(6)：158－163. Wang Xiaoyan, Chen Yuan, Chen Bingqi, et al. Detection of stubble row and inter-row line for computer vision guidance in no-till field[J]. Transactions of the Chinese Society for Agricultural Machinery, 2009, 40(6): 158－163. (in Chinese with English abstract)

[40] Bouveyron C, Girard S, Schmid C. High-dimensional data clustering[J]. Computational Statistics & Data Analysis, 2006, 52(1): 502－519.

[41] 于成龙. 基于特征提取的特征选择研究[D]. 南京：南京邮电大学，2011. Yu Chenglong. Feature Selection Based on PCA[D]. Nanjing: Nanjing University of Posts and Telecommunications, 2011. (in Chinese with English abstract)

[42] Naikal N, Yang A Y, Sastry S S. Informative feature selection for object recognition via sparse PCA[C]// IEEE International Conference on Computer Vision. IEEE, 2011: 818-825.

[43] 贺玲，蔡益朝，杨征. 高维数据聚类方法综述[J]. 计算机应用研究，2010，27(1)：23－26.

[44] 范玉华. 面向图像理解的特征信息优化表达及场景目标识别与分析[D]. 北京：北京航空航天大学，2013. Fan Yuhua. Scene Object Recognition and Analysis with Optimizing Representation of Features for Image Understanding[D]. Beijing: Beihang University, 2013. (in Chinese with English abstract)

[45] Agrawal R, Gehrke J, Gunopulos D, et al. Automatic subspace clustering of high dimensional data for data mining applications[C]// Proc of ACMSIGMOD Conference. Seattle. WA, 1998: 94－105.

[46] Chen C H, Fu A W, Zhang Y. Entropy-based subspace cluste-ring for mining numerical data[C]// Proc of the 5th ACM SIGKDD. San Diego, CA, 1999: 84－93.

[47] Nagesh H, Goil S, Choud A, et al. Adaptive grids for cluste-ring massive data sets[C]// Proc of the 1st SIAM ICDM. Chicago, IL, 2001.

[48] Fern X Z, Brodley C E. Random projection for high dimensional data clustering: A cluster ensemble approach[C]//Machine Learning, Proceedings of the Twentieth International Conference. DBLP, 2003: 186－193.

[49] Sun D, Chen D, Wang S, et al. A dynamic instability detection and prediction system for high clearance tractor[J]. Ifac Papers Online, 2016, 49(16): 50－54

[50] Zhang Z. Flexible camera calibration by viewing a plane from unknown orientations[C]// The Proceedings of the Seventh IEEE International Conference on Computer Vision. IEEE, 2002: 666－673.

[51] Cheein F A, Steiner G, Carelli P G, et al. Optimized EIF-SLAM algorithm for precision agriculture mapping based on stems detection[J]. Computers & Electronics in Agriculture, 2011, 78(2): 195－207.

[52] Drenjanac D, Tomic S, Agüera J. Wi-Fi and satellite-based location techniques for intelligent agricultural machinery controlled by a human operator[J]. Sensor, 2014, 14(10): 19767－19784.

[53] 张开生，田开元，吕明，等. 基于物联网技术的农业大棚环境监控系统设计[J]. 西安科技大学学报，2015，35(6)：805－811. Zhang Kaisheng, Tian Kaiyuan, Lv Ming, et al. Design of agricultural greenhouse environment monitoring system based on Internet of things[J]. Journal of Xi'an University of Science and Technology, 2015, 35(6): 805－811. (in Chinese with English abstract)

[54] 赵鹏飞. 自组织路由技术在农业数据无线传输中的应用研究[D]. 南京：南京农业大学，2008. Zhao Pengfei. Application of Self Organizing Routing Technology in Wireless Transmission of Agricultural Data[D]. Nanjing: Nanjing Agricultural University, 2008. (in Chinese with English abstract)

[55] 何鹏举，戴冠中，傅磊，等. 远程网络化测控系统研究与实现[J]. 微电子学与计算机，2006，23(7)：195－198. He Pengju, Dai Guanzhong, Fu lei, et al. Research and implementation of remote networked measurement and control system[J]. Microelectronics & Computer, 2006, 23(7): 195－198. (in Chinese with English abstract)

[56] Lauridsen M, Kovács I, Mogensen P E, et al. Coverage and capacity analysis of LTE-M and NB-IoT in a rural area[C]// IEEE 84th Vehicular Technology Conference Vehicular Technology Conference, Montreal, 2016: 56－67.

[57] 刘思伟，赵玉亭，慕德俊. 无人机多跳自组网实时视频传输性能评[J]. 计算机应用，2007，27(10)：2398－2400. Liu Siwei, Zhao Yuting, Mu Dejun. Performance evaluation of real time video transmission in UAV multi hop ad hoc networks[J]. Journal of Computer Applications, 2007, 27(10): 2398－2400. (in Chinese with English abstract)

[58] 汪明磊，陈无畏，王家恩. 智能车辆车道保持系统中避障路径规划[J]. 合肥工业大学学报自然科学版，2014(2)： 129－133.

Wang Minglei, Chen Wuwei, Wang jiaen. Obstacle avoidance path planning for intelligent vehicle lane keeping system[J]. Journal of Hefei University of Technology (Natural Science), 2014(2): 129－133. (in Chinese with English abstract)

[59] 张闻宇，丁幼春，王雪玲，等. 基于SVR逆向模型的拖拉机导航纯追踪控制方法[J]. 农业机械学报，2016，47(1)：29－36. Zhang Wenyu, Ding Youchun, Wang Xueling, et al. Pure tracking control method for tractor navigation based on SVR inverse model[J]. Transactions of the Chinese Society for Agricultural Machinery, 2016, 47(1): 29－36. (in Chinese with English abstract)

[60] 袁朝辉，张娟. 飞机操纵前轮转向模糊控制仿真研究[J]. 系统仿真学报，2008，20(17)：4509－4513. Yuan Zhaohui, Zhang Juan. Simulation study on fuzzy control of aircraft steering wheel steering[J]. Journal of System Simulation, 2008, 20(17): 4509－4513. (in Chinese with English abstract)

[61] Meng Z, Huang P, Yan J. Trajectory planning for hypersonic vehicle using improved sparse A* algorithm[C]//IEEE/ ASME International Conference on Advanced Intelligent Mechatronics, 2008, 28(2): 1152－1157.

[62] 吴天羿，许继恒，刘建永，等. 基于改进A*算法的越野路径规划研究[J]. 计算机应用研究，2013，30(6)：1724－1726 Wu Tianyi, Xu Jiheng, Liu Jianyong, et al. Research on cross-country path planning based on improved A* algorithm[J]. Application Research of Computer, 2013, 30(6): 1724－1726. (in Chinese with English abstract)

[63] 辛煜，梁华为，杜明博，等. 一种可搜索无限个邻域的改进A*算法[J]. 机器人，2014，36(5)：627－633. Xin Yu, Liang Huawei, Du Mingbo, et al. An improved A* algorithm for searching infinite neighborhood[J]. Robot, 2014, 36(5): 627－633. (in Chinese with English abstract)

[64] Henten E J V, Hemming J, Tuijl B A J V, et al. An autonomous robot for harvesting cucumbers in green houses[J]. Autonomous Robots, 2002, 13(3): 241－258.

[65] Cariou C, Lenain R, Thuilot B, et al. Motion planner and lateral-longitudinal controllers for autonomous maneuvers of a farm vehicle in headland[C]//2009 IEEE/RSJ International Conference on Intelligent Robots and Systems, USA, 2009: 5782－5787.

[66] Cariou C, Lenain R, Thuilot B, et al. Autonomous maneuver of a farm vehicle with a trailed implement: motion planner and lateral-longitudinal controllers[C]//2010 IEEE International Conference on Robotics and Automation Anchorage Convention District, Anchorage, 2010: 3819－3824.

[67] 陈文良，宋正河，毛恩荣. 拖拉机自动驾驶转向控制系统的设计[J]. 华中农业大学学报，2005，10：57－62. Chen Wenliang, Song Zhenghe, Mao Enrong. Design of automatic steering control system of tractor[J]. Journal of Huazhong Agricultural University, 2005, 10: 57－62. (in Chinese with English abstract)

[68] 黎永键，赵祚喜，高俊文，等. 东方红拖拉机电控液压转向系统设计及试验研究[J]. 农机化研究，2016(11)：246－251. Li Yongjian Zhao Zhuoxi, Gao Junwen, et al. Design and experimental study of electro hydraulic steering system for Dongfanghong tractor[J]. Journal of Agricultural Mechanization Research, 2016(11): 246－251. (in Chinese with English abstract)

[69] Javad R, Hossein N, Mahdi R. et al. Automatic guidance of an agricultural tractor along with the side shift control of the attached row crop cultivator[J]. Journal of Agricultural Science and Technology, 2012, 2(1): 151－158.

[70] Zheng B, Anwar S. Yaw stability control of a steer-by-wire equipped vehicle via active front wheel steering[J]. Mechatronics, 2009, 19(6): 799－804.

Research on intelligent agricultural machinery control platform based on multi-discipline technology integration

Dong Sheng1, Yuan Zhaohui1※, Gu Chao2, Yang Fang3

(1.7100722.7100653.471023,)

The meaning of agricultural machinery automation and intellectualization includes a wide range of content, involving a large number of engineering disciplines, such as navigation, images, models and strategies, actuators and data chain. The intellectualization of agricultural machinery is the symbol of a country’s engineering and technical strength. How to co-ordinate the multidisciplinary technologies and reasonably integrate them into a system is the key to the success of intelligent agricultural machinery. According to the requirements of the development of land scale management in China, intelligent agricultural machinery should use advanced technology in the aeronautics, astronautics and ground to achieve high-speed computing and transmission of data information in a dynamic environment, and to command the actuator to complete the tasks efficiently and effectively. In recent years, the research on intelligent agricultural machinery has been mainly concentrated on vision measuring, image processing, trajectory tracking and vehicle navigation, pattern recognition and their application, and so on, which have focused on image information acquisition method, image processing and recognizing algorithm, intelligent navigation algorithm and system integration application, and so on. The technology of automatic steering control, obstacle detection and active obstacle avoidance, and multi machine cooperative navigation, and the technology of agricultural machinery will be the focus of the next generation of intelligent agricultural machinery. This paper studied the Beidou enhanced network and network RTK (real-time kinematic) method to improve the accuracy of positioning and navigation technology, accurately modeled and compensated aiming at the inertial navigation error of agricultural machinery, and prolonged the working time of positioning. The dynamic model of agricultural machinery was established, and the parameters of the model were identified on the basis of the actual situation. Based on the constraint conditions, the knowledge learning and decision control technology was introduced into the agricultural machinery. And then combined with machine vision, the perception of the working environment and operating objects was enhanced, and the image recognition algorithm was used to assist navigation and control. Finally, according to the requirements of remote monitoring, and navigation and positioning for data transmission, the realization of data transmission technology of three-dimensional topology was studied so as to ensure the real-time data fusion of various technical units. The invention disclosed a set of intelligent device with electromechanical integration. It was equipped with a multi-source fusion intelligent controller based on the dynamic model of agricultural machinery, and an inertial navigation system, which could effectively isolate the disturbance of agricultural machinery to achieve stable tracking and the combination of WIFI and the new generation of Internet of Things to complete the multi-link data communication. According to the dynamic analysis of agricultural machinery, the data model was obtained. The model structure was determined, but the parameters were uncertain. The model parameters could be obtained by on-line identification on the basis of the minimum value of the difference between the actual state and the model state. Then the control strategy was designed according to the model. Based on the navigation control error prediction, the control law parameters were optimized through minimizing the objective function of the future control deviation, and the trajectory tracking of agricultural machinery would be always controlled with the best control parameters. Agricultural navigation used the tight integrated navigation technology of Beidou plus IMU (inertial measurement unit), and machine vision was taken as an aid. Based on the enhanced technology of mobile network base station of Beidou Foundation and high precision standard inertial navigation system for precision agriculture applications, the continuity and reliability of navigation and positioning information were ensured, which laid the foundation for the use of intelligent agricultural machinery in remote sensing areas. Therefore, the agricultural machinery in the next period will be more intelligent and easy in operation. New farmers in the Farm Hall will command all kinds of agricultural machines to carry out operations in a variety of environmental conditions, and monitor agricultural machinery in a few kilometers or tens of kilometers away in real time, which greatly reduce the burden on farmers, and achieve high efficiency, standardization and hommization, and also provide some technical references for the development of other industries.

agricultural machinery; navigation; machine vision; positioning; data link; multi-discipline technology integration

10.11975/j.issn.1002-6819.2017.08.001

TP273

A

1002-6819(2017)-08-0001-11

2017-03-16

航空科学基金（MIMU/单星伪距伪距率组合导航技术（20165853041））

董 胜，男，河南确山人，博士生，主要研究方向为仪器仪表与自动控制。西安 西北工业大学自动化学院710072。Email：dongshengzaixian@163.com

袁朝辉，男，汉族，安徽舒城人，教授、博士生导师，主要研究方向为机电液一体化。西安 西北工业大学自动化学院 710072。Email：13992852669@139.com

董 胜，袁朝辉，谷 超，杨 芳.基于多学科技术融合的智能农机控制平台研究综述[J]. 农业工程学报，2017，33(8)：1－11. doi：10.11975/j.issn.1002-6819.2017.08.001 http://www.tcsae.org

Dong Sheng, Yuan Zhaohui, Gu Chao, Yang Fang.Research on intelligent agricultural machinery control platform based on multi-discipline technology integration[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(8): 1－11. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2017.08.001 http://www.tcsae.org