当前位置：首页 > news >正文

论文阅读：Agricultural machinery automatic navigation technology

news 2025/8/13 5:12:40

地址：Agricultural machinery automatic navigation technology

摘要

本文回顾、比较并分析了以往关于农业机械自动导航与路径规划技术的研究。首先，介绍了农业机械自动驾驶的基本组成部分，包括自动导航、路径规划、控制系统和通信模块。通常，自动导航技术可分为三类：全球导航卫星系统（GNSS）、机器视觉和激光雷达。本文总结并对比了不同方法的结构、优缺点及当前研究的技术难点。目前，较成功的方式是将 GNSS 与机器视觉结合，为农业机械避障和生成最优路径提供保障。随后，阐述了路径规划方法，包括基于图搜索、采样、优化和学习的四类路径规划算法，并根据不同应用场景提出了 22 种可用算法，总结了当前研究中尚未完全解决的挑战与难点。最后，针对这些研究中出现的问题提出了进一步研究的建议。

论文概述

智能农业是农业发展的重要方向，而农业机械的信息化与智能化是实现智能农业的基础。当前农村劳动力短缺、成本上升，传统农业生产模式难以满足需求，农业机械自动驾驶技术可降低劳动强度、提高效率，成为解决上述问题的关键。

研究内容主要包括三部分：

农业机械自动驾驶系统组成：涵盖自动导航、路径规划、控制系统和通信模块。其中，自动导航是核心，依赖机器视觉、激光雷达和 GNSS 实现环境感知；路径规划是避障与最优路径生成的关键，分为全局与局部规划；控制系统负责执行导航指令，通信模块通过蓝牙、LoRa 等技术实现数据交互。
自动导航技术：重点分析了 GNSS、机器视觉和激光雷达三类技术。GNSS 基于卫星定位，差分定位精度较高但易受信号遮挡影响；机器视觉通过图像分析感知环境，成本低但受光照、复杂路况影响大；激光雷达测距精度高但成本高，且在复杂农村道路场景中存在识别动态障碍的局限性。
路径规划算法：归纳了四类方法：基于图搜索（如 Dijkstra、A * 算法）、基于采样（如 PRM、RRT 算法）、基于优化（如 CHOMP、STOMP 算法）和基于学习（如深度学习、强化学习），并总结了 22 种具体算法的适用场景与技术难点。

一、相关技术方法综述总结

一、自动导航技术

技术类型	原理	优点	缺点	性能表现（误差范围）	评价指标	数据集特点
GNSS 技术	通过卫星定位（单点 / 差分定位）获取绝对位置	定位精度高（厘米级），适用于开阔农田	信号易受遮挡（树木、建筑），受大气影响产生误差；无法感知作物行弯曲、倒伏等地面动态因素	- CD-GPS 直线行驶误差＜2.5cm； - DGPS 直线行驶误差＜1cm； - RTK-GNSS 在复杂环境（水田）最大偏差 17.5cm	RMSE（均方根误差）、平均偏差	以实地测试数据为主（如甘蔗田、稻田、果园），依赖卫星信号与地面环境匹配
机器视觉技术	基于图像采集与分析（特征提取 / 机器学习）感知环境	成本低、信息丰富（颜色、纹理），灵活性高	受光照、天气、复杂路况（泥泞、杂草）影响大；动态障碍（ livestock、拖拉机）识别难度高	- 直线行驶平均横向误差 0.018m； - 曲线最大偏差 0.161m； - 改进算法（如 UNet+ACBlock）准确率 85.03%	偏差率、语义分割准确率、图像处理速度	需手动标注农村道路图像（含水泥、沙地、杂草等场景），数据标注成本高且依赖人工质量
激光雷达技术	发射激光信号，通过反射时间差计算距离，实现 3D 环境重建与避障	测距远、精度高、抗干扰强，适用于障碍检测	2D 雷达缺乏垂直信息；3D 雷达成本高、分辨率低于 RGB 相机；复杂农村道路动态障碍识别不足	- 窄通道避障最小距离 1.8m； - 果园导航误差控制在 0.15m； - 紧急避障范围 0.5m	避障响应距离、导航误差、点云重建精度	以实地点云数据为主（如果园、温室），需融合多源信息（如毫米波雷达）提升鲁棒性

GNSS 技术
- 原理：通过多颗卫星实现定位，分为单点定位和差分定位（精度更高，常用差分 GPS、RTK-GPS 等）。
- 优点：定位精度高（厘米级），适用于开阔农田场景。
- 缺点：信号易受树木、建筑遮挡，受电离层、 troposphere 影响产生误差，无法感知作物行弯曲、倒伏等地面动态因素。
- 技术难点：复杂农村道路路径规划困难；信号遮挡导致信息丢失；难以应对地面环境变量。
机器视觉技术
- 原理：基于成像设备采集图像，通过特征提取（如颜色、纹理）或机器学习算法（如霍夫变换、全卷积神经网络）感知环境。
- 优点：信息丰富、成本低、灵活性高，适用于作物行识别、道路分割等场景。
- 缺点：受光照、天气、复杂路况（如泥泞、杂草覆盖）影响大；动态障碍（如 livestock、拖拉机）识别难度高；依赖大量标注数据，模型泛化能力有限。
- 技术难点：复杂路况下特征提取稳定性差；动态障碍识别精度不足；数据标注成本高且质量影响模型性能。
激光雷达技术
- 原理：通过发射激光信号并接收反射信号计算距离，分为 2D 和 3D 类型，用于测距与避障。
- 优点：测距远、精度高、抗干扰能力强，适用于 3D 环境重建和障碍检测。
- 缺点：2D 雷达缺乏垂直信息，3D 雷达成本高且分辨率低于 RGB 相机；在恶劣天气或复杂地形中实时路径调整难度大。
- 技术难点：农村道路动态障碍多，识别难度高；3D 设备成本高；恶劣环境下实时避障能力不足。

二、路径规划算法

算法类型	原理	优点	缺点	性能表现	评价指标	适用场景
基于图搜索	将路网转化为图结构，搜索最短路径（如 Dijkstra、A*）	可找到全局最优解，适用于静态环境	大规模地图搜索效率低；难以处理动态环境与机械运动学约束（如最大转向半径）	- A算法在枣园 U 型路径平均误差 0.0269m； - Hybrid A规划周期 50-300ms	路径长度、搜索时间、导航误差	结构化道路、静态障碍场景（如农田直线作业）
基于采样	随机采样生成候选路径，筛选最优解（如 PRM、RRT）	无需显式构建配置空间，适用于高维 / 复杂环境	采样存在盲目性 / 不均匀性，路径平滑性差；动态环境多目标规划效果有限	- RRT-Connect 算法在窄通道环境适应性强； - Informed RRT 加速单源避障路径生成	采样效率、路径平滑度、避障成功率	非结构化环境（如温室、丘陵）
基于优化	将路径规划转化为优化问题，最小化成本函数（如 CHOMP、TEB）	可处理多约束（速度、曲率），保证路径连续性	高维空间易陷入局部最优；计算时间长，受环境噪声影响大	- CHOMP 算法可快速收敛至无碰撞轨迹； - TEB 算法动态障碍避障效果好	轨迹平滑性、计算效率、约束满足度	动态障碍场景（如农田作业车避障）
基于学习	通过深度学习（CNN/RNN）或强化学习从数据中学习路径策略	精度高，适用于动态场景；可融合感知与决策能力（如 DRL）	需海量标注数据；计算量大，依赖高算力设备；泛化能力待提升	- 深度学习路径搜索成功率 90%； - 强化学习（R-SAC）实现动态 / 静态障碍安全避障	路径规划准确率、模型泛化能力、训练效率	复杂动态环境（如农村道路多障碍场景）

基于图搜索的算法
- 原理：将路网转化为图结构，搜索起点到终点的最短路径，包括 Dijkstra、A*、Hybrid A*、JPS、D * 等算法。
- 优点：可找到全局最优解，适用于静态环境。
- 缺点：地图过大时搜索效率低；难以处理动态环境和机械运动学约束（如最大转向半径）。
基于采样的算法
- 原理：通过随机采样生成候选路径，筛选最优解，包括 PRM、RRT、Kinodynamic RRT*、Informed RRT 等算法。
- 优点：无需显式构建配置空间，适用于高维、复杂环境。
- 缺点：采样存在盲目性或不均匀性，路径平滑性差；动态环境中多目标规划效果有限。
基于优化的算法
- 原理：将路径规划转化为优化问题，通过最小化成本函数求解，包括 CHOMP、STOMP、TEB、CES 等算法。
- 优点：可处理多约束（如速度、曲率），保证路径连续性。
- 缺点：高维空间中易陷入局部最优，计算时间长，受环境噪声影响大。
基于学习的算法
- 原理：通过深度学习（如卷积神经网络）或强化学习（如 SAC 算法）从数据中学习路径策略，包括 DRL（深度强化学习）等融合方法。
- 优点：可实现高精度路径规划，适用于动态场景。
- 缺点：依赖海量高质量数据，计算量大，模型泛化能力和抗过拟合能力需提升。

二、研究热点

1. 多传感器融合技术

农业机械在复杂农田环境中需同时应对卫星信号遮挡（如果园树冠）、动态障碍物（如牲畜、其他作业机械）和地形变化（如泥泞、陡坡）。研究热点集中于通过 GNSS、机器视觉、激光雷达、毫米波雷达等多传感器融合提升环境感知鲁棒性。例如，Xue 等设计的自适应记忆模块通过时空注意力机制缓解视觉里程计的累积误差，Yin 等开发的 3D 相机障碍物规避系统在动态条件下实现 7.1 cm 的定位精度。此外，融合 GNSS 与视觉定位技术可解决单一传感器的局限性，如视觉定位在卫星信号缺失时仍能实现厘米级导航。

2. 深度学习与强化学习的应用

深度学习模型（如 YOLOv8、UNet）被广泛用于障碍物检测、作物行识别和语义分割。例如，基于 YOLOv8 的避障系统可实时识别树木、沟渠等障碍物，并通过强化学习（如 R-SAC 算法）优化路径决策。此外，江苏大学研发的多臂高速猕猴桃采摘机器人和作物病害检测芯片，展示了 AI 在精准作业中的深度融合。动态环境下的实时决策（如紧急避障）成为算法优化的核心方向，例如改进 A * 算法结合 LM-BZS 算法显著降低路径曲率并提升规划效率。

3. 动态障碍物识别与实时避障

针对农田中的动态障碍物（如移动农机、野生动物），研究聚焦于提升检测精度和响应速度。例如，基于 3D 相机的障碍物规避系统通过噪声滤波和背景去除技术，在动态条件下实现 7.1 cm 的定位误差。此外，结合光流引导特征和循环神经网络（RNN）的方法可有效处理视频中的运动模糊问题，提升复杂场景下的检测稳定性。

4. 低成本解决方案与模块化升级

为推动技术规模化应用，低成本传感器（如双目相机替代激光雷达）和农机套件技术成为热点。例如，约翰迪尔通过模块化升级套件（如 See and Spray 喷雾系统）实现旧设备智能化改造，化学喷雾量减少 77%。国内企业研发的 “单产提升套件” 和 “排种电驱升级模块”，以低成本实现播种精度提升，适配中小农户需求。