丘陵山区田间道路自主行驶转运车及其视觉导航系统研制

李云伍，徐俊杰，王铭枫，刘得雄，孙红伟，王小娟



丘陵山区田间道路自主行驶转运车及其视觉导航系统研制

李云伍1，徐俊杰1，王铭枫1，刘得雄2，孙红伟1，王小娟1

（1. 西南大学工程技术学院，重庆 400716；2. 丘陵山区农业装备重庆市重点实验室，重庆 400716）

自然条件的限制使得丘陵山区农产品和物资的田间转运难以实现高安全性的机械化作业。为此，该文研制了一种在丘陵山区田间道路上自主行驶的转运车及其视觉导航系统。该系统采用RTK-GNSS（real-time kinematic-global navigation satellite system，实时动态-全球卫星导航系统）进行路网信息采集、实时定位和路径规划，利用机器视觉进行田间道路识别并提取路径跟踪线；田间道路非路口区域由机器视觉系统进行导航，路口区域采用RTK-GNSS实时定位进行导航。全局路径规划中对A*算法估价函数进行改进，将路口节点处的道路曲率及道路起伏信息引入代价函数。图像处理中强化道路上的阴影处理和信息融合，实现道路与背景的准确分割；然后将道路区域分块求取形心点，拟合后生成道路的虚拟中线作为局部路径的导航线。路径规划仿真表明，改进的A*算法能融合丘陵山地道路起伏变化的特征，规划的路径更合理。转运车自主行驶测试表明，在直线路径、多曲率复杂路径以及地形起伏路径3种工况下，自主行驶轨迹与实际道路中线的平均偏差分别为0.031、0.069和0.092 m，最大偏差分别为0.133、0.195和0.212 m；转运车沿道路中线自主行驶的平均相对误差分别为5.16%、11.5%和15.3%，满足田间道路转运车自主行驶的安全要求。

农业机械；自动导航；机器视觉；RTK-GNSS；转运车；丘陵山区

0 引 言

丘陵山区占中国国土面积的70%左右[1]，是中国粮油糖作物及薯类、果桑茶麻、蔬菜、青饲料等特色经济作物的重要生产基地。农产品及农用物资在田间的转运是农业生产中的重要环节，丘陵山区地势起伏、坡度大、土地分散，田间道路狭窄曲折、陡升陡降，导致农产品和农用物资难以在田间道路上实现机械化运输。目前丘陵山区田间转运工具普遍为手推车、两轮车等，这些转运方式存在劳动强度大、安全性差、效率低等问题。在农村劳动力日益缺乏、提高生产率需求日益迫切的情况下，丘陵山区亟需自动化程度高、安全性好的田间道路转运机械。

近年来中国加强了丘陵山区农田整治与基础设施建设，在丘陵山区田间与居民点之间普遍建立起0.8~1.2 m宽的水泥硬化田间便道[2]，纵横交错的水泥便道使田块与居民点之间建立了便捷的交通联系，为开发高安全性、自主行驶的田间转运机械提供了基础条件。

转运机械在田间道路上自主行驶的核心在于自动导航系统。目前农业机械的自动导航主要用于播种、施肥、喷药、收获、整地及起垄等农机作业过程[3-20]，采用全球卫星导航系统（global navigation satellite system，GNSS）导航、激光雷达导航、机器视觉导航、惯性导航以及各种组合导航等方式。在国内，张铁民等[4]提出了基于电荷耦合器件（charge coupled device，CCD）图像传感器、加速度计、电子罗盘及超声波等多传感器信息融合的农用小车导航系统及其控制方法。刁智华等[5]通过机器视觉系统检测出玉米作物行的中心线，以此控制农业机械的自动对准或行走。刘兆朋等[6]针对高地隙喷杆喷雾机开发了基于GNSS的自动导航作业系统。张美娜等[7]将RTK-DGPS系统、惯性传感器、绝对式光电编码器和增量式光电编码器相融合，实现农用车辆的自动导航。刘军等[8]通过全球定位系统/惯性导航系统（global positioning system/inertial navigation system，GPS/INS）组合获得载体的实时位置信息，从而实现农用车辆的自动驾驶。刘柯楠等[9]研制了太阳能驱动平移式喷灌机的基于GPS、电子罗盘的导航控制系统。陈艳等[10]构建了一个基于GPS和机器视觉的多传感器组合导航定位系统。彭顺正等[11]提出了一种基于图像处理的枣园导航基准线生成算法。罗锡文等[12]、杨柳等[13]、张硕等[14]也分别研究了基于GPS的拖拉机自动导航控制系统。

在国外，Kurita等[15]在履带式水稻收获机上搭载视觉系统和GNSS系统，实现了其自动导航作业。Thanpattranon等[16]基于激光测距传感器，研究了拖拉机牵引式挂车在作物行间自动行走的导航系统。Backman等[17]研究了一种新的农业机械导航系统，采用二维激光雷达提取导航跟踪线，采用GPS和惯性测量单元识别机械的前进方位。Ball等[18]研究了农业机器人的自动导航和障碍物识别，采用GPS、惯性测量单元和视觉系统进行定位，立体视觉系统进行障碍物探测。Garcia等[19]研究了玉米地作物行的机器视觉识别方法，准确地提取了作物行的识别线，为自动导航提供了基准。Radcliffe等[20]、Lyu等[21]也研究了果园行间的机器视觉导航问题。

上述研究主要是针对平整地形条件下的田间或作物行间的自主行驶问题，而针对丘陵山区田间道路特点进行自主行驶的导航系统研究还很少。基于此，本文研制了适于丘陵山区田间道路的自主行驶转运车及其视觉导航系统，主要包括田间道路路网的获取与路径规划，基于机器视觉的局部路径导航线提取和路径跟踪控制策略，并进行了转运车在丘陵山区田间道路上的自主行驶试验。

1 丘陵山区田间道路转运车组成

本文所研制的丘陵山区田间道路自主行驶转运车具有环境感知、动态规划与决策、行为控制与执行等多种功能，主要包括驱动及刹车系统、整车控制系统、自动导航系统、超声波雷达避障系统、自动转向系统等。整车组成如图1所示。

图1 自主行驶转运车组成

1.1 整车结构及控制系统

丘陵山区田间道路狭窄、起伏、曲折，考虑到运行安全性，结合田间道路上的运输量、行驶速度以及连续工作时间要求，设计的自主行驶转运车的基本参数如表1所示。

驱动系统采用电机驱动模式，直流电机通过减速器、差速器驱动后轮为转运车提供动力。根据设计最大爬坡度下匀速行驶的最大需求功率进行动力匹配，驱动电机的功率为700 W，2块12 V、30 Ah的动力蓄电池作为动力源。

表1 自主行驶转运车基本参数

刹车系统采用电磁刹车方式，在驱动电机输出端安装电磁刹车器，采用常闭式刹车模式，增加整车的安全性，且容易实现电控刹车。

整车控制系统具有启停、全局路径规划、避障及转向决策功能，由Raspberry Pi微型计算机执行，根据超声波雷达检测的前方障碍物距离信息做出避障决策（前方一定范围内有障碍物则停下，障碍物移除则继续前行）；根据储存的路网信息、实时位置和目标地进行全局路径规划；根据自动导航系统确定的路径跟踪线和实时位置偏差做出转向控制。整车控制系统架构如图2所示。

注：RTK-GNSS为实时动态-全球卫星导航系统；RaspberryPi为树莓派微型计算机。

1.2 自动转向系统

基于采集田间道路路网信息的需要以及便于操作，转向系统设有电控与手动2种模式，可自由切换。转向舵机通过齿轮与转向轴联接，自主行驶时，转向舵机切换到电控模式，整车控制器发出偏转角度信息PWM信号（pulse-width modulation），舵机根据转向指令旋转一定的角度，从而驱动转向轴旋转，实现转运车的电控转向。手动转向时，转向舵机切换到自由状态，此时手动操作转向把手带动转向轴旋转，实现转向。

转向舵机由控制电路、减速齿轮、直流电机等组成。根据满载情况下前轮转向的力矩要求，转向舵机的启动扭矩为11 Nžm、保持扭矩为10 Nžm、额定转速为0.5(°)/ms。

1.3 自动导航系统

自动导航系统采用RTK-GNSS与机器视觉组合的导航模式。丘陵山区田间道路狭窄，由于道路两旁作物及树木的遮挡，田间道路上的GNSS信号易丢失，导致定位误差大；而机器视觉导航具有较强的自主性和实时性，不依靠任何外界设备。因此，自主行驶时，非路口区域的田间道路由机器视觉系统进行导航。但路口区域的田间道路往往弯道多且曲率大，机器视觉由于视角范围的限制以及计算延迟，不能准确预判道路的转向及其尺度，而由RTK-GNSS预存的路径信息则能做出这些预判。因此，路口区域采用RTK-GNSS预储存的路径信息以及实时定位进行导航。

丘陵山区田间道路具有非规范化、狭窄、曲折不定、高低不平等特点，因此GNSS导航系统采用RTK载波相位差分定位技术，定位信号更新频率最高为10 Hz，动态水平定位精度为±1 cm，动态垂直定位精度为±2 cm，选取单目摄像头作为田间道路的图像采集传感器，分辨率为640×480像素，帧率为30 fps。

2 自主行驶全局路径规划

2.1 路网采集及存贮

丘陵山区耕地单块面积小、耕地分散，道路情况复杂，转运车自主行驶时应首先规划出行驶的全局路径。由于目前还没有可用的田间道路路网地图，因此本文采取人工操作转运车在运行区域内所有田间道路上行驶一次，利用搭载的RTK- GNSS系统采集所有道路的路径信息并储存起来。采集过程中，对道路路径三维坐标采用三次B样条曲线进行拟合修正，提取道路的拓扑网络结构，得到平滑可靠的GNSS轨迹地图。将获取的地图坐标数据以路段为对象，储存其路径信息。

存储路径信息时按路口节点、路段和网络关系分别进行描述：针对路口节点，采用一维数组结构，储存节点编号、三维坐标以及关联路径段数；路段信息与节点存储结构相同，由多个采样点一维数组组合为二维数组，储存路段编号、路段内所有采样点坐标以及路段起止节点编号；对于拓扑网络关系，采用改进邻接矩阵存储地图数据[22]。

图3为实地采集并提取的重庆市北碚区歇马镇农嵘村果园道路网络，图中数字表示道路路口及关键节点，包括居民点8、22，田间仓库25、26以及其他若干田块路口。该区域为典型的丘陵山地地形，田间道路起伏曲折，全部为水泥硬化路面，支路宽度1.2 m，主路宽度2.5 m，坡度在0°~13.2°之间。

注：数字1~36表示道路路口及关键节点；X、Y为地理坐标系中以该区域内某一固定点为原点的东向、北向坐标。

2.2 路径规划算法及其改进

转运车自主行驶时，设定目标点后即可通过全局路径规划得到转运车的行驶路径。本文采用A*算法进行全局路径规划[23]，其估价函数的通用表达式为

式中()是节点的估价函数；()为起始节点到节点的实际代价；()代表从节点到目标节点的启发估计代价。

()通过递归计算得到

为保证A*算法能搜素到最优解，估价函数()必须满足如下原则：

1）可接纳性：()不能超过当前节点到目标节点路径真实代价；

在田间道路地图网络中，为保证估价函数可接纳性成立，采用欧几里得距离作为距离估价函数。

式中(x,y,z)、(x,y,z)分别为当前点和目标点的三维坐标。

A*算法中，相邻2个节点间代价为该段路径的实际距离，为兼顾转运车在田间道路上行驶的安全性和经济性，对A*算法进行改进，引入路口道路曲率κ及节点到之间的道路起伏度C(,)到实际代价中。

1）路口道路曲率κ

田间道路路口不是规则十字或T形结构，与路口相连的路径往往为曲线，部分路口交叉角较大致使转运车不能顺利转向；同时道路狭窄，转运车在路口大角度转向时容易发生侧翻、偏离道路等危险情况。因此，本文将路口处的道路曲率作为路径评价指标之一，对当前道路曲率进行判断，当对应曲率半径小于转运车最小转弯半径时，认为当前道路不可通行。

采用基于弦长的离散化点曲率计算方法计算路口处各方向的曲率，然后对当前曲率与转运车最小转弯半径对应曲率比较，得到路口节点处曲率κ取值如式（4）所示。

式中为转运车轴距，m；max为前轮最大偏转角，rad；为道路曲率半径，m。当κ为∞时，此道路不可通行。

2）道路起伏度C(,)

丘陵山区田间道路陡升陡降，频繁上下坡需要额外能量用于爬坡，不利于节能。当2条道路水平路径长度相同时，应优先选择起伏变化较平坦的路段。因此，本文考虑路段内连续上下坡时的海拔高程变化，通过道路起伏惩罚系数k与累计高程变化(,)之积来等效转运车在起伏路段行驶时相比于水平路段的距离增长。道路起伏度C(,)定义为

式中z为采样点海拔高度，m；为该段路径采样点个数，惩罚系数k的取值正相关于累计高程变化(,)与实际距离(,)之比。

3）综合估价函数

考虑到道路曲率和道路起伏，改进后起始点到当前节点的实际代价表示为

3 机器视觉局部路径规划

丘陵山区田间道路狭窄曲折，没有车道线，边界模糊且不规则。转运车行驶时，为防止偏离出道路，应沿道路中线行驶。本文采用低成本图像传感器模块（罗技C270），通过图像分割和阴影处理，生成道路虚拟中线作为局部路径的跟踪导航线。

3.1 图像分割及后处理

采集多种田间道路图像在各个颜色空间中进行分割处理，对比分割效果发现，HSV（hue-saturation-value）颜色空间[24]中的V分量能够较好地适应道路上水渍、杂草等因素的影响，S分量能够很好地解决阴影对道路的影响。因此，采用HSV颜色空间V分量阈值进行道路图像的分割处理。由于图像分割处理的目标是道路区域，对象尺寸比较大，且没有细小部分的细节要求，所以利用形态学滤波和连通域处理[25]对图像进行去噪，以更好地提取目标区域。

形态学滤波中，选择3×3的结构元素对道路图像先进行开运算，再进行闭运算。采用基于4邻接的Seed-Filling进行连通区域标记，计算每个连通区域的面积，丢弃面积较小的轮廓，针对比较大的轮廓曲线进行多边形或凸包拟合，最后重新绘制轮廓，得到需要的道路区域。部分道路图像处理效果如图4所示。

图4 部分道路图像分割及后处理结果

3.2 阴影处理

田间道路典型的特征之一是道路两旁的作物或者树木在道路上留下形状各异的阴影。HSV颜色空间中，V分量对道路的识别度较高，但很容易将阴影部分与背景部分混为一体，直接影响道路区域识别的准确性，所以对阴影部分的恢复尤为重要。当色度保持不变时，S、V分量决定了彩色图像的总体效果，包括颜色信息和亮度信息，且S分量对阴影部分极其不敏感，基本不受阴影部分的影响。因此，为实现道路上阴影部分的检测，对道路图像S、V分量均进行点运算，然后对变换后的S、V分量进行加权融合，并利用Otsu阈值分割得到道路区域缺失的阴影部分，最后将阴影图像与V分量阈值分割后的图像进行逻辑运算，将阴影部分恢复到道路区域，得到完整的道路区域信息。

图像点运算通过变换函数对每个像素进行转换来改变图像显示效果，若输入图像为(,)，输出图像为(,)，则点运算表示为

式中表示变换函数的斜率，表示截距。通过调整、的取值来改变图像的对比度、亮度等。

为了突出阴影部分，采用点运算增强对阴影不敏感的S分量的对比度，而对阴影敏感的V分量则减少其对比度。S、V分量经过点运算后，即可将其融合，突出阴影部分的特征。采用像素加权平均法（weighted averaging，WA）进行融合。

设V分量经过点运算后的图像为1，S分量经过点运算后的图像为2，加权融合后的图像为，则图像之间的数学表达式为：

式中是多维数组元素的索引值；为加权系数，为加入的常数项。

为了更好地得到S、V分量点运算时的值和加权融合时的、值，设计了如表2所示的参数对图像S、V分量分别进行点运算后加权融合，并进行阈值分割处理获取阴影区域。对分割结果进行评价，用1~10表示，数值越大表示效果越好。通过对处理结果的分析比较，选择合适的、、值。

表2 像素加权融合试验设计及结果

注：为1矩阵的加权系数；为2矩阵的加权系数；1、2分别为V、S分量变换函数的斜率。

Note:is weight of1 matrix;is weight of2 matrix;1,2are slopes of the transform functions for V and S components.

经过多幅图像的点运算和加权融合效果测试，最终选择V分量变换函数斜率1=0.5，S分量变换函数斜率2=8，1矩阵加权系数=0.5，2矩阵加权系数=0.5来进行道路的阴影处理，部分道路阴影识别结果如图4c所示。

阴影部分提取后，需要将其还原到道路区域，保证道路的完整性。将经过阴影处理的二值图像与V分量分割处理的二值图像按位进行或运算，即可将阴影区域与道路区域合并。图4d为合并后最终得到的完整道路区域。

3.3 导航线生成

图像中识别出完整的道路区域后，即可提取导航线，其结果如图5所示。根据摄像头安装位置和拍摄角度，选取靠近摄像头三分之二的道路图像作为感兴趣区域（region of interest，ROI）[26]，对ROI进行分块操作。根据行驶速度及后续预瞄跟踪控制的要求，以摄像头正前方实际道路长度每30 cm为单元进行分块，总共分为12块，对每块的道路区域坐标进行提取，并利用式（10）求取目标区域的形心点坐标（x,y）。

式中、为像素坐标，为每分块道路区域像素点集合，为内的像素点总个数。

将得到的形心用圆点在原图像中表现出来，如图5b所示。

图5 田间道路区域的形心点及其拟合线

由图5b可看出，由于存在杂草、阴影、水渍等不利因素的影响，有时会造成路径信息提取错误甚至缺失。由于道路的曲率不会产生突变，为了保证路径的连续性，对所提取的多个形心点进行平滑处理，选择最小二乘法对这些形心点进行拟合，如图5c所示，生成的拟合线即为田间道路的虚拟中线，代表了田间道路的实时走向，即转运车局部路径的跟踪导航线。选取图5a所示田间道路进行测试，本文算法拟合的道路中线与实际道路中线的横向偏差最大不超过5%。

4 路径跟踪控制

路径跟踪主要是控制转运车的横向运动，使其能够沿着期望导航线行驶[27]。本文采用基于农机运动学模型的路径跟踪控制方法，如图6所示，将转运车简化为二轮车模型，并建立以后轮轴心为原点、后轴线为轴（向右为正）、前后轴心连线为轴（前进方向为正）的坐标系。

注：T(x, y)为导航线上的某点，l为转运车后轴中心到点T(x, y)的距离，m；θ为点T(x, y)与后轴中心点的连线与前进方向之间的夹角，rad；δ为前轮偏转角，rad；R为转弯半径，m；L为轴距，m。

根据图6几何关系可得

式中、为导航线上点(,)的、方向坐标值，m；为导航线上点(,)与后轴中心的连线与前进方向之间的夹角，rad；为转运车转弯半径，m。用曲率代替转弯半径，可得

转运车前轮偏转角与行驶轨迹曲率的关系为

式中为转运车前轮偏转角，rad；为转运车轴距，m。

由式（12）和式（13）可得

式（14）表达了转运车到达导航线上点(,)所需的前轮偏转角与(,)点坐标的关系。根据式（14），即可选取转运车前方一定距离的导航线上的点作为跟踪点，确定转运车前轮偏转角度，从而进行路径跟踪的自动转向控制。通过摄像头的标定可得到跟踪点与转运车的距离与其像素坐标的对应关系。本文根据转运车的行驶速度，选取摄像头前方3.8 m内的形心点进行预瞄跟踪控制。对于前后2帧图像之间的窗口衔接偏差问题，重叠部分采用前轮偏转角融合的方法解决：第一帧时，取摄像头前方1.0 m距离内形心点对应的前轮偏转角的均值作为目标转角；第二帧时，取第一帧图像1.0~2.0 m距离内形心点对应的前轮偏转角和第二帧图像1.0 m距离内形心点对应的前轮偏转角的均值作为第二帧的目标偏转角，依次循环。

5 试验测试

为验证路径规划的可行性和测试转运车自主行驶系统的性能，进行了全局路径规划的仿真试验以及直线路径、多曲率复杂路径和地形起伏路径下的实车自主行驶试验。试验时间为2018年1月，试验地点为图3所示研究区域，首先根据采集的道路网络进行全局路径规划仿真试验，然后进行转运车自主行驶实地试验。图7为试验场景。

图7 实车试验

1）路径规划仿真试验

以路口11到路口34的路径规划为例，Dijkstra算法规划出的路径为11-12-13-14-15-21-29-30-31-32-34，实际道路总长度为548.09 m，累计高程变化81.34 m；改进A*算法规划出的路径为11-7-8-9-10-17-18-35-34，实际道路总长度为556.12 m，累计高程变化57.04 m。2条路径的海拔高度变化对比如图8所示，可以看出，虽然改进A*算法规划出的路径比Dijkstra算法规划的路径长7.03 m，但道路起伏变化相对较平坦，累计高程变化减少24.3 m，相对减少29.87%。同时，根据行驶动力学计算，改进A*算法规划路径下转运车的总能耗比Dijkstra算法规划路径下的总能耗低29.4%，由此可知，改进的A*算法融合了丘陵山地道路起伏变化的特征，规划的路径更合理。

图8 改进A*算法与Dijkstra算法规划路径海拔高度对比

2）自主行驶测试

在图3所示的改进A*算法规划出的11-7-8-9-10-17- 18-35-34路段上进行自主行驶测试，路面宽度为1.2 m，总长度为556.12 m。转运车满载情况下，以2 m/s的速度恒速行驶，在此道路上行驶3次，第一次在人工操作下利用RTK-GNSS采集实际道路中线的坐标信息；第二次在机器视觉导航下完全自主行驶，同时RTK-GNSS采集自主行驶轨迹的坐标信息；第三次在自主行驶模式下测试转运车遇行人能否自动停止。

第一次人工采集道路实际中线坐标时，在路面上标识出实际中线，手动驾驶转运车沿中线行驶，并对RTK-GNSS采集后的坐标数据进行平滑化处理；通过抽样检查，采集的中线坐标与实际中线坐标的偏差在0.06 m之内。

第二次的完全自主行驶中，选择此路段上直线路段、多曲率复杂路段、地形起伏路段3种路况的自主行驶轨迹进行分析，其中多曲率复杂路段的曲率变化以及地形起伏路段的高程变化如图9所示。3种路况下转运车自主行驶的轨迹与RTK-GNSS采集的田间道路实际中线的偏差如图10所示。

图9 试验道路曲率及高度变化曲线

由图10可知，直线路径工况下，自主行驶轨迹与实际道路中线基本重合，最大偏差为0.133 m，平均偏差为0.031 m；多曲率复杂路径工况下，两者最大偏差为0.195 m，平均偏差为0.069 m；地形起伏路径工况下，两者最大偏差为0.212 m，平均偏差为0.092 m。以道路边缘至道路中线的距离为基准，直线路径、多曲率复杂路径、地形起伏路径3种工况下转运车沿道路中线自主行驶的平均相对误差分别为5.16%、11.5%和15.3%。相比于直线路况，多曲率复杂路径和起伏路径因弯道、坡度等不利因素的影响，转运车自主行驶的轨迹偏差及平均相对误差有所增大。

图10 不同道路情况下转运车自主行驶轨迹与道路中线的偏差

第三次行驶试验时，行人站立于道路上，当转运车行驶至距离行人1.5 m时报警并自动停止，而当行人移开后，转运车继续前移。

在实际测试中，3种道路工况下转运车都能在田间道路上可靠行驶，即使自主行驶轨迹与实际道路中线偏差最大时，转运车的车轮外缘与道路边缘仍有0.123 m的安全距离，结合遇障碍物自动停止的避障方式，说明研制的导航系统满足转运车在田间道路上自主行驶的安全要求。

分析转运车自主行驶轨迹与道路中线产生偏差的原因，主要有：①道路两边杂草的影响。路边杂草经图像处理后被归为非道路区域，使得图像处理后得到的虚拟中线并不是道路的实际中线；②转运车行驶过程中车身姿态的实时变化导致图像识别的道路虚拟中线实时变化，使得路径跟踪点实时改变；③路面起伏不平使车身发生抖动，RTK-GNSS的测量值发生波动。

6 结 论

研制了丘陵山区田间道路上自主行驶的转运车以及基于RTK-GNSS和机器视觉的自动导航系统。RTK-GNSS实现全局路径规划和实时定位，机器视觉系统实现田间道路的识别并提取导航跟踪线。进行了仿真分析和实车试验，得到以下结论。

1）基于改进A*算法的路径规划更合理。全局路径规划中将路口节点处的弯曲率及道路起伏信息引入代价函数，对A*算法进行了改进。试验路网的路径规划仿真结果表明，改进A*算法规划路径下转运车的总能耗比Dijkstra算法规划路径下的总能耗低29.4%，改进的A*算法能融合丘陵山地道路起伏变化的特征。

2）通过图像处理提取导航跟踪线的方法可行。机器视觉系统对田间道路可行驶区域、路面阴影区域进行识别，提取道路区域形心点并进行拟合后得到道路的虚拟中线。采用的图像处理方法能有效地将田间道路从背景中区分出来，提取的道路虚拟中线代表了道路的实时走向，与实际道路中线的横向偏差最大不超过5%。

3）转运车自动导航系统能满足转运车在田间道路上自主行驶的安全要求。转运车自主行驶测试表明，在直线路径、多曲率复杂路径以及地形起伏路径3种工况下，自主行驶路径轨迹与道路中线的平均偏差分别为0.031、0.069和0.092 m，最大偏差分别为0.133、0.195和0.212 m；转运车沿道路中线自主行驶的平均相对误差分别为5.16%、11.5%和15.3%，满足田间道路上转运车自主行驶的安全要求。

[1] 李耀辉．浅议丘陵山区农机化发展面临的问题和对策[J]．中国农学通报，2017，33(8)：140－143． Li Yaohui. On the problems faced by agricultural mechanization development in hilly and mountainous regions and countermeasures[J]. Chinese Agricultural Science Bulletin, 2017, 33(8): 140－143. (in Chinese with English abstract)

[2] 王小娟，李云伍，刘得雄，等. 基于机器视觉的丘陵山区田间道路虚拟中线提取方法[J]. 西南大学学报：自然科学版，2018，40(4)：162－169.Wang Xiaojuan, Li Yunwu, Liu Dexiong, et al. A machine vision－based method for detecting virtual midline of field roads in the hilly areas[J]. Journal of Southwest University: Natural Science Edition, 2018, 40(4): 162－169. (in Chinese with English abstract)

[3] 胡静涛，高雷，白晓平，等. 农业机械自动导航技术研究进展[J]. 农业工程学报，2015，31(10)：1－10. Hu Jingtao, Gao Lei, Bai Xiaoping, et al. Review of research on automatic guidance of agricultural vehicles[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(10): 1－10. (in Chinese with English abstract)

[4] 张铁民，李辉辉，陈大为，等. 多源传感器信息融合的农用小车路径跟踪导航系统[J]. 农业机械学报，2015，46(3): 37－42.Zhang Tiemin, Li Huihui, Chen Dawei, et al. Agricultural vehicle path tracking navigation system based on information fusion of multi-source sensor[J]. Transactions of Chinese Society for Agricultural Machinery, 2015, 46(3): 37－42. (in Chinese with English abstract)

[5] 刁智华，赵明珍，宋寅卯，等. 基于机器视觉的玉米精准施药系统作物行识别算法及系统实现[J]. 农业工程学报，2015，31(7)：47－52. Diao Zhihua, Zhao Mingzhen, Song Yinmao, et al. Crop line recognition algorithm and realization in precision pesticide system based on machine vision[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(7): 47－52. (in Chinese with English abstract)

[6] 刘兆朋，张智刚，罗锡文，等. 雷沃ZP9500 高地隙喷雾机的GNSS自动导航作业系统设计[J]. 农业工程学报，2018，34(1)：15－21.Liu Zhaopeng, Zhang Zhigang, Luo Xiwen, et al. Design of automatic navigation operation system for Lovol ZP9500 high clearance boom sprayer based on GNSS[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(1)：15－21. (in Chinese with English abstract)

[7] 张美娜，吕晓兰，陶建平，等. 农用车辆自动导航控制系统设计与试验[J]. 农业机械学报，2016，47(7)：42－47.Zhang Meina, Lü Xiaolan, Tao Jianping, et al. Design and experiment of automatic guidance control system in agricultural vehicle[J]. Transactions of the Chinese Society for Agricultural Machinery, 2016, 47(7)：42－47. (in Chinese with English abstract)

[8] 刘军，袁俊，蔡骏宇，等. 基于GPS/INS和线控转向的农业机械自动驾驶系统[J]. 农业工程学报，2016，32(1)：46－53. Liu Jun, Yuan Jun, Cai Junyu, et al. Autopilot system of agricultural vehicles based on GPS/INS and steer-by-wire [J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(1): 46－53. (in Chinese with English abstract)

[9] 刘柯楠，吴普特，朱德兰，等. 基于 GPS 的太阳能平移式喷灌机自动导航系统设计与试验[J]. 农业工程学报，2016，32(16)：84－94.Liu Kenan, Wu Pute, Zhu Delan, et al. Design and experiment of autonomous navigation system for solar powered linear move sprinkler machine based on GPS[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(16): 89－94. (in Chinese with English abstract)

[10] 陈艳，张漫，马文强，等. 基于GPS和机器视觉的组合导航定位方法[J]. 农业工程学报，2011，27(3)：126－130. Chen Yan, Zhang Man, Ma Wenqiang, et al．Positioning method of integrated navigation based on GPS and machine vision[J]．Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2011, 27(3): 126－130. (in Chinese with English abstract)

[11] 彭顺正，坎杂，李景彬. 矮化密植枣园收获作业视觉导航路径提取[J]. 农业工程学报，2017，33(9)：45－52. Peng Shunzheng, Kan Za, Li Jingbin. Extraction of visual navigation directrix for harvesting operation in short-stalked and close-planting jujube orchard[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(9): 45－52. (in Chinese with English abstract)

[12] 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 Dongfanghong 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)

[13] 杨柳，罗婷婷，程新荣，等. 基于Raspberry Pi的拖拉机通用自动驾驶系统[J]. 农业工程学报，2015，31(21)：109－115. Yang Liu, Luo Tingting, Cheng Xinrong, et al. Universal autopilot system of tractor based on Raspberry Pi[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(21): 109－115. (in Chinese with English abstract)

[14] 张硕，刘进一，杜岳峰，等. 基于速度自适应的拖拉机自动导航控制方法[J]. 农业工程学报，2017，33 (23)：48－55.Zhang Shuo, Liu Jinyi, Du Yuefeng, et al. Method on automatic navigation control of tractor based on speed adaptation[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(23): 48－55. (in Chinese with English abstract)

[15] Kurita H, Iida M, Cho W, et al. Rice autonomous harvesting: Operation framework[J]. Journal of Field Robotics, 2017, 34(6): 1084－1099.

[16] Thanpattranon P, Ahamed T, Takigawa T. Navigation of autonomous tractor for orchards and plantations using a laser range finder: Automatic control of trailer position with tractor[J]. Biosystems Engineering, 2016, 147(1): 90－103.

[17] Backman J, Oksanen T, Visala A. Navigation system for agricultural machines: Nonlinear model predictive path tracking[J]. Computers and Electronics in Agriculture, 2012, 82(1): 32－43.

[18] Ball D, Upcroft B, Wyeth G, et al. Vision-based obstacle detection and navigation for an agricultural robot[J]. Journal of Field Robotics, 2016, 33(8): 1107－1130.

[19] Garcia Santillan I, Guerrero J M, Montalvo M, et al. Curved and straight crop row detection by accumulation of green pixels from images in maize fields[J]. Precision Agric, 2018, 19(1): 18－41.

[20] Radcliffe J, Cox J, Bulanon D M. Machine vision for orchard navigation[J]. Computers in Industry, 2018, 98(1):165－171.

[21] Lyu H, Park C, Han D. Orchard free space and center line estimation using naive Bayesian classifier for unmanned ground self-driving vehicle[J]. Symmetry, 2018, 10(9): 355.

[22] 唐彩红. 基于方向优先和对向搜索的改进Dijkstra算法[J].计算机与现代化，2014，21(7)：113－116. Tang Caihong. An improved Dijkstra algorithm based on direction priority and bidirectional search[J]. Computer and Modernization, 2014, 21(7): 113－116. (in Chinese with English abstract)

[23] 崔宝侠，王淼弛，段勇. 基于可搜索24邻域的A*算法路径规划[J]. 沈阳工业大学学报，2018，40(2): 180－184. Cui Baoxia, Wang Miaochi, Duan Yong. Path planning for A*algorithm based on searching 24 neighborhoods[J]. Journal of Shenyang University of Technology, 2018, 40(2): 180－184. (in Chinese with English abstract)

[24] 耿英楠，高云龙，赵岩．基于RGB比例空间的立体匹配算法[J]．吉林大学学报：信息科学版，2016，34(1)：54－58. Geng Yingnan, Gao Yunlong, Zhao Yan. Stereo matching algorithm based on RGB proportional space[J]. Journal of Jilin University: Information Science Edition, 2016, 34(1)：54－58. (in Chinese with English abstract)

[25] 郭艾侠，熊俊涛，肖德琴，等．融合Harris与SIFT算法的荔枝采摘点计算与立体匹配[J]．农业机械学报，2015，46(12)：11－17． Guo Aixia, Xiong Juntao, Xiao Deqin, et al. Computation of picking point of litchi and its binocular stereo matching based on combined algorithms of Harris and SIFT[J]. Transactions of Chinese Society for Agricultural Machinery, 2015, 46(12): 11－17. (in Chinese with English abstract)

[26] Escobar Alvarez H D, Johnson N, Hebble T. R-advance: Rapid adaptive prediction for vision-based autonomous navigation, control, and evasion[J]．Journal of Field Robotics, 2018, 35(1): 91－100．

[27] 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 Chinese Society for Agricultural Machinery, 2013, 44(1): 205－210. (in Chinese with English abstract)

Development of autonomous driving transfer trolley on field roads and its visual navigation system for hilly areas

Li Yunwu1, Xu Junjie1, Wang Mingfeng1, Liu Dexiong2, Sun Hongwei1, Wang Xiaojuan1

(1.400716,; 2.400716,)

In hilly areas, it is difficult to realize mechanized transportation with high safety for agricultural products and materials due to constraints of natural conditions. With the gradually decreasing of rural labor force, farmers in hilly areas urgently need highly automatic field road transfer trolley to reduce the amount of labor required to transport agricultural products and to increase productivity. In this paper, an autonomous driving transfer trolley with visual navigation system for hilly areas were developed and studied. The transfer trolley mainly consisted of drive and brake system, control system, autonomous navigation system, ultrasonic radar obstacle detection system and automatic steering system. The autonomous navigation system included a RTK-GNSS (real-time kinematic-global navigation satellite system) and a machine vision module. The RTK-GNSS functions as road coordinate information collecting, real-time positioning and path planning, the machine vision module functions as field road identifying and path tracking line extracting. To avoid the effect of incorrect positioning resulted from occasional GNSS signal outages due to obstacles such as trees and crops along both sides of the field road, autonomous guidance was implemented by the machine vision module at the non-intersection segments of the road, while it was implemented by the RTK-GNSS at the intersection segments of the road. According to the features of field road with large curvature and fluctuation, in the global path planning, an improved A* algorithm was presented through adjusting the evaluation function by introducing the curvature at intersection nodes and fluctuation information of the road into cost function. In the field road image processing, in order to better distinguish the road area from its surroundings, V component of HSV (hue-saturation-value) color space was used for image segmentation, and S component and V component, after point operating, were fused by weighted method to identify the shadows on the road. Then the shadow regions were combined with the segmented road region. After obtaining the accurate road region in the image, the region was divided into 12 blocks and the centroid points of each block were extracted and smoothed to form a virtual line which was taken as the autonomous navigation line on the road. According to driving speed of the transfer trolley, points on the navigation line were selected as targets for preview tracking control, and a fusion method of front wheel steering angle was used to realize the transition between 2 sequential images. A global path planning simulation test based on actual field road network information was performed to compare the results between the improved A* algorithm and the Dijkstra algorithm. The simulation results showed that: compared with the Dijkstra algorithm, the accumulated altitude change of the path planned by the improved A* algorithm reduced 29.87%, and the total energy consumption of the transfer trolley through the path reduced 29.4% accordingly. Therefore, the improved A* algorithm was more suitable for field roads with large curvature and fluctuation and the corresponding planed path was more reasonable. An actual driving test on a 1.2 m wide field road was carried out. The transfer trolley was set to automatic driving with a constant speed of 2 m/s. To survey the deviation between the autonomous travel trajectory and the actual midline of the road under various conditions in hilly areas, 3 types of field roads, namely straight, complex multi-curvature and fluctuating roads, were selected as test roads. The autonomous driving test showed that: the mean deviations between the actual midline of the road and the automatic travel trajectory on straight roads, multi-curvature complex roads and undulating roads were 0.031, 0.069 and 0.092 m, and the maximum deviations were 0.133, 0.195 and 0.212 m, respectively. Taking the distance from road edge to road centerline as the calculating basis, the average relative errors of the transfer trolley, automatic traveling along the road centerline of these 3 roads, were 5.16%, 11.5% and 15.3%, respectively, the autonomous visual navigation system meeted the safety requirements of autonomous driving transfer trolley on field roads in hilly areas.

agricultural machinery; autonomous navigation; machine vision; RTK-GNSS; transfer trolley; hilly areas

2018-08-16

2018-10-30

国家自然科学基金青年科学基金项目（61304189）

李云伍，副教授，博士，主要从事智能农业机械与动力系统研究。Email：liywu@swu.edu.cn

10.11975/j.issn.1002-6819.2019.01.007

TP273; S229+.1

A

1002-6819(2019)-01-0052-10

李云伍，徐俊杰，王铭枫，刘得雄，孙红伟，王小娟. 丘陵山区田间道路自主行驶转运车及其视觉导航系统研制[J]. 农业工程学报，2019，35(1)：52－61. doi：10.11975/j.issn.1002-6819.2019.01.007 http://www.tcsae.org

Li Yunwu, Xu Junjie, Wang Mingfeng, Liu Dexiong, Sun Hongwei, Wang Xiaojuan. Development of autonomous driving transfer trolley on field roads and its visual navigation system for hilly areas[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 35(1): 52－61. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2019.01.007 http://www.tcsae.org