拖拉机自动驾驶平台的研究分类：技术研究2007-04-07 01:591.1研究意义中国是一个农业大国，用占世界7％的耕地解决了世界22％的人口温饱问题，取得了举世瞩目的成就。

目前，我国面对“人多地少，资源短缺，环境恶化，人增地减”的趋势不可逆转。

保证21世纪我国16亿人口的食物安全，关键在于推动农业科技的进步。

正如江泽民同志所指出的“中国的农业问题，粮食问题要靠中国人自己解决。

这就要求我们的农业科技必须要有一个大的发展，必然要进行一次新的农业科技革命”。

纵观世界现代农业发展动态，一个新的农业科技革命的序幕已经拉开。

以生物技术、信息技术为先导的现代科学技术发展及其在农业上的广泛应用，为世界各国农业发展提供了前所未有的机遇。

“精细农业”技术正是在这种环境下应运而生，成为农业信息技术应用的一个重要分支。

其核心是用现代高新技术特别是信息技术来改造传统农业，在机械化的基础上，把地理信息系统（GIS）、定位系统（GPS）、决策支持系统、传感技术进行集成，使作物生产更加科学，减少投入，提高产出，实现高效利用各种农业资源，保护生态环境的农业可持续发展目标[1]。

我国60岁以上的老年人口已近一亿（约有70%居民在农村），约占全世界老年人口的22%，占亚洲老年人口的50%。

进入二十一世纪后，我国面临着比现在(现在就是二十一世纪，与前面的“进入二十一世纪后”矛盾，应该指出：“现在”的具体年份；或指出前面“二十一世纪”的间段，如二十一世纪中叶)多三、四倍的老年人，人口老龄化会对生产、消费、劳动生产率、产业结构等产生巨大影响[2]。

改革开放以后，中国劳动力产业结构转换的进程加快。

到1998年，中国第一产业就业人口所占比重已降至49.8%，比1980年下降了19个百分点，第二、三产业所占比重分别上升至23.7%和26.4%。

中国劳动力产业结构转换速度已超过了同期东北亚的大多数国家。

农村劳动力平均年龄也由10年前的不到37岁上升到40岁。

据预测，即使（“即使”是否该改为“随着”）城镇化进程加快，到2040年人口老龄化峰值期，60岁以上人口将超过4亿人，农村老年人口总数超过城镇[3]。

因此为了应对农业就业人口的减少和老龄化问题，必须加速农业机械化和信息化的发展。

农业作业若不采用机械化，“精细农业”就无法实施。

如联合收割机、播种机、施肥机、喷药机、喷灌机等。

（不是单独句子，需重组）机械化、自动化程度越高，越利于实施“精细农业”[1]。

拖拉机是实现各种机械化作业的动力，是农业生产中最重要的动力机械。

它可以与附装的、悬挂的或牵引的农机具一起完成大部分的田间作业，还可以牵引挂车进行运输作业，所以拖拉机是精细农业实施的一个必不可少物质载体，相应地，拖拉机的自动驾驶则是精细农业系统的一个有机组成部分。

／＊（以下部分的说明好象有点混乱，我建议对以下２段落中的语句进行重组，从两方面来说明拖拉机自动驾驶的必要性：1.拖拉机自动驾驶能够满足农业作业的精度――农田作业按精度，农机手和自动驾驶的精度；2. 拖拉机自动驾驶能够提高农业劳动的生产率，从而提升中国农业产业在国际上的竞争力――拖拉机作业环境和作业工况，自动驾驶的利点）由于拖拉机在工作方式上与汽车有很大不同，特别是拖拉机的作业环境比较恶劣，作业工况复杂多变，再加上农机操作手技术水平的差异等原因，导致耕作精度低，造成土地资源浪费，并且不能保证拖拉机在作业中的生产效率和燃油经济性。

这样即使是拖拉机本身已经具有了较好的设计性能指标，也往往由于使用者的个人经验不足、熟练程度不同而难以完全发挥出来，如何将汽车自动驾驶技术合理应用于拖拉机是一项艰巨而意义深远的任务[21-25]。

Auernhanmmer和Muhr1991年将农田作业按精度分为粗糙作业（rough operations）如土壤采样（soil sampling）、除杂草（weeding）；精细作业（fine operations）如喷洒农药（pesticidespraying）、耕地（plowing）；精确作业（precise operations）如种植（planting）、耕作(cultivation)。

并建议每种作业的导航精度分别为1m、10cm、1cm，不过Nieminen和Monomen认为这种精度要求过于苛刻；Julian认为车辆前轮小于5cm的波动对后轮的影响可以忽略不记，认为后轮是沿规定的路径行进的[26]。

随着农业劳动生产率的不断提高，农用拖拉机向着大型化的方向发展，这种趋势在西欧和北美表现得尤其明显，在我国新疆和东北地区，近年来发展势头也日益旺盛，其结果是用户在农业生产中越来越依赖于少数几台较大功率的拖拉机，因此人们迫切要求能够最大限度地提高这些拖拉机的工作效能[27]。

拖拉机自动驾驶技术的使用可保证精确的作业行距和作业方向及间距，并且长时间作业无须常规标记，在降低人工技术需求的同时提高了作业精度。

此外还可减少重复作业，加快作业进度，节约时间，从而降低成本，减轻作业驾驶人员工作量负荷。

文献[28]表明：最好的农机手在进行田间耕作时能达到的精度是10cm，若在经过一天的劳作后，精度还会大大降低，而应用新技术的的无人驾驶拖拉机可以使精度达到3cm，从而避免重复耕作，尽管无人驾驶拖拉机的固定成本要比普通拖拉机高42%，但可以节约燃料，减少种子、肥料和杀虫剂的浪费，并提高产量以及减少劳动力成本等，所以仍然可给农场增加40%的利润。

＊／综上所述，开展针对农业车辆的智能驾驶的研究是非常有必要的，对我国农业的发展也是十分有意义的。

1.2国内外研究现状及分析国外在农用车辆自动驾驶方面研究的较早，20世纪70年代，世界各国许多工程师都对农田机械的自动导航进行了研究。

1978年一种Claas自动导航系统应用到农业机械，最初是为割草机设计开发的，后来又应用到拖拉机上，它由3部分组成：液压系统、传感系统、控制器，液压系统包括转向阀、转向液压泵、转向切换阀，传感系统包括前车轮转角传感器和安装在拖拉机前面的机械传感器（接触式），控制器通过比较前轮转角传感器的电压与设定电压得到一个电压差值，这一电压差值经过放大（后用于）控制转向液压阀的开闭，从而控制转向轮的转动实现自动驾驶。

机械传感器农业机械自动导航并不意味着不需要操作者，因为真正无人操作的农田机械除了要实现自动导航外，还要实现其它工作过程的最优化和自动化，这比仅仅实现自动导航技术更难，成本更高。

工程师们解决了有关自动导航的控制问题，还研究出许多自动导航系统，并对其进行了测试，其中一些系统也转化成了商品，但没有一套系统在生产实践中得到推广应用。

这些系统中大部分都只能在机器某一特定工作过程中实现自动导航，那些可以适用于所有工作过程的系统则需要操作者在田间或周围地区做大量准备工作，包括安装电缆、信号灯等设备才能正常导航，有的还需要在机器上安装体积庞大、笨重的控制装置。

因此，投资、维护成本、劳动力等因素限制了这些导航系统的应用。

根据经济学的观点，在农田机械上采用适用于有限工作过程的自动导航系统，成本通常比采用适用范围广、通用性强的系统高很多，因此，自动导航系统的通用性应该成为研究改进的重点。

20世纪80年代末以来，随着传感器性能和性价比不断提高，工程师们又研究出以机器视觉传感器和卫星定位为核心的农田机械自动导航系统。

其中机器视觉传感器在导航系统中主要任务是识别路线和检测障碍物，起到相对定位作用，它不仅工作性能优异，而且在识别路线时，还能区分作物和杂草、检测病虫害，具有广泛适用性、功能多样性以及高性价比，因此被成功地应用于农田机械自动导航，并成为导航系统的关键组成部分。

1.2.1 国外发展现状1.2.1.2(1) 机器视觉方面日本的Torii等人[29,30,31,72]利用视觉导航研制了一种具有定点作业能力的智能农药喷洒装置。

他们在HIS空间中，基于几条水平扫描线，结合直线最小二乘法识别出农田中作物行作为导航路径。

这种方法利用作物和垄沟的色度差异来进行分割，当出现大面积杂草或作物缺失时，视觉系统将无法正确识别，同样也不能应付色度差异不大的其他农田环境。

导航控制中，针对视觉获取的横向偏差和航向偏差以及角位移传感器测出的导向轮转角等三个状态设计横向反馈控制。

人工草坪标定实验中取得了最大横向误差为0.024m，航向角误差为1.5°，不过其在农田实验时纵向速度较小，只有0.25m/s。

日本生物类特定产业推进机构正在研究称作ALV A的无人驾驶拖拉机。

它采用CCD摄像机、图像处理装置和地磁方位传感器作为方位识别的传感器，对拖拉机的位置和行进方向进行检测。

作业时，开始的一个行程是作为示教手动控制的，它为行驶控制确定方位、时间和检测条件，然后进行自动行走。

目前，ALV A在50m 20m田地中具有无人操纵的作业能力。

北海道大学将线性图像传感器安装在拖拉机上，在农田中进行无人驾驶试验，以0.26m/s的速度运行，误差为0.04m。

另外，东京大学利用CCD摄像机，采用彩色HIS变换算法规划路径，以0.25m/s的速度运行，误差为0.02m。

韩国开发了视觉导航拖拉机，用于果园农药的喷洒，避障采用超声波传感器，利用模糊算法控制拖拉机沿预定路线运行[33]。

韩国的Cho[34,35]研制了视觉导航的智能拖拉机系统去完成果树农药喷洒。

出于果园景物分布的特点考虑，直接统计图像垂直方向上的直方图检测行走路径。

单纯依靠这样的视觉信息，系统将无法正常工作，但他们运用模糊推理方法融合了四个超声波传感器的信息，实现了自主导航和避障。

美国的Gerrish等人[36]在Case7110拖拉机后轴的左侧安装了一个彩色CCD摄像机，离地面2.79m，仰俯角为15deg。

系统初始化时，由使用者首先选取代表作物和土壤的像素点，然后视觉系统根据初始信息进行自动识别，导航信息由图像中固定的某一点来计算。

在速度为12.9km/h和4.8km/h两种条件下，跟踪直线状的玉米行时，分别取得了均方差为12cm和6cm的导航精度。

University of Illinois at Urbana-Champaign的张勤副教授[42-55]领导的课题组采用John Deere7700型拖拉机为平台，利用STH-MD1双目摄像机实现了田间直线行驶；还以John Deere GA TOR型农用车为平台，加装FOG IMU与GPS实现导航，并通过WLAN无线与基站进行数据交换与基站GIS相比对进行矫正。

(应属于ＧＰＳ方面)丹麦Aalborg University的K.M. Nielse（和，并删除逗号和之后的“等”;英文的姓与名之间插入空格）P. Andersen等为了检测作物中夹杂的杂草以绘制用于精细农业操作的定点喷药、施肥和除草作业等，用GPS和陀螺仪实现导航控制，基于机器视觉开发了用于绘制杂草分布图的自动行走车[56]。