基于UWB和视觉组合导航的设施植保机器人叶菜垄作跟踪控制_郑航.pdf

基于UWB和视觉组合导航的设施植保机器人叶菜垄作跟踪控制 郑 航1 2 叶云翔1 2 薛向磊1 2 于健麟1 冯昊栋3 俞国红1 2 1 浙江省农业科学院农业装备研究所 杭州 310021 2 农业农村部东南丘陵山地农业装备重点实验室 部省共建 杭州 310021 3 浙江理工大学机械工程学院 杭州 310018 摘 要 为提高设施温室垄作模式下移动底盘的自主导航精度 针对直线度较差的叶菜垄面 该研究提出一种组合导航 控制系统 该系统主要由视觉模块 UWB ultra wide band 模块和控制器模块等组成 首先利用深度相机采集机器人 前向叶菜垄面图像 采用YOLOv8s seg算法实现叶菜垄面的分割 并通过Canny算法识别垄面边缘 最后利用最小二 乘法进行视觉导航线提取 针对移动机器人垄作环境下自主导航跟踪 提出基于UWB和视觉组合的导航控制策略 基 于纯跟踪算法建立导航跟踪控制模型 最后在实际田垄场景下进行自主导航试验 试验结果表明 当植保机以0 4 0 5 m s 速度行驶时 视觉导航和UWB导航的最大跟踪偏差分别为6 3 5 8 cm 平均误差分别为4 7 4 3 cm 验证了本文导 航线提取算法的可行性和UWB导航的可靠性 为两者结合提供了基础 组合导航调控分界线为15 cm 两组组合导航 试验最大横向偏差分别为15 2 15 5 cm 平均误差分别为5 9 6 1 cm 最大航向偏差分别为5 9 7 8 通过试验结果 表明 组合导航中UWB导航控制在极端情况下发挥了积极调控作用 与单一导航控制策略相比提升了导航精度和鲁棒 性 可为设施智能装备发展提供技术支撑 关键词 机器人 深度学习 设施温室 叶菜 垄作模式 组合导航 doi 10 11975 j issn 1002 6819 202407137 中图分类号 S225 92 文献标志码 A 文章编号 1002 6819 2025 04 0144 09 郑航 叶云翔 薛向磊 等 基于UWB和视觉组合导航的设施植保机器人叶菜垄作跟踪控制 J 农业工程学报 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 农业是国民经济的基础 随着科技的不断进步与发 展 传统农业生产模式已经无法满足当今的社会需求 因此智慧农业开始逐步发展 1 其中 发展最快的就是 基于现代管理方式和高新科技的设施农业 在设施农业 中 农作物的生长所必需的环境因素如光照 温度 湿 度 二氧化碳浓度等都受到严格控制和调节 因此可以 最大程度地优化生长条件 提高农作物产量和质量 2 截至2023年 国内设施农业占地面积达400万hm2 居 世界第一 其中设施蔬菜面积占设施农业面积的95 以 上 3 5 设施农业通常在设施温室中进行 相对大田种植 温室内农作物种植密集并且通行道路狭窄 这就需要植 保机械具有较好的移动灵活性 因此 研发灵活性好 智能化程度高的温室植保作业机械具有重要意义 自主导航是实现植保机器人智能化作业的关键技术 之一 6 目前智能农机田间导航路径以卫星系统 global positioning system GPS 导航 超宽带 ultra wide band UWB 导航及机器视觉导航为主 其中卫星导航技术多 应用于大田环境和室外等大型空旷地面上的移动平台上 设施温室多为封闭或半封闭环境 卫星信号会受到房屋 结构的遮挡 造成定位精度差 难以实现稳定且连续的 导航效果 7 9 因此 卫星定位在设施温室中应用存在一 定的局限性 超宽带具有较高传输速率和时间分辨率 且功耗较低 广泛用于室内高精度定位 10 林相泽等 11 采用到达时间差定位测距方法获得定位结果 对温室移 动车辆的静态和动态定位进行误差修正 毕松等 12 通过 建立通信类型判别方法和测距值修正模型 并基于扩展 卡尔曼滤波器融合UWB和IMU inertial measurement unit IMU 数据提高定位精度 贺晶晶等 13 提出了一 种UWB信号改进算法 对无人运输车的运动特征信息 与UWB测距值进行扩展卡尔曼滤波定位估计 曾庆化 等 14 利用UWB抑制惯导误差设计了UWB和惯性导航 相结合的定位方法 同时对UWB定位数据和惯导数据 进行卡尔曼滤波处理 UWB技术能够实现温室环境内的 高精度定位 借助UWB定位信号可以使农业装备比较 精确沿着固定路线行驶 但是垄作模式在前期起垄过程 中容易因起垄装备的前进运动偏差和后期施加水肥等因 素导致作物垄中心线偏离预先设立的导航线 UWB导航 收稿日期 2024 07 16 修订日期 2024 12 06 基金项目 浙江省 尖兵 研发攻关计划项目 2023C02010 浙江省 三农九方 科技协作计划项目 2024SNJF070 作者简介 郑航 硕士 助理研究员 研究方向为农业机器人及智能农机 装备研发 Email Zhrory 通信作者 俞国红 硕士 研究员 研究方向为智能农机装备 Email Yuguohong 第 41 卷 第 4 期农 业 工 程 学 报Vol 41 No 4 144 2025 年 2 月Transactions of the Chinese Society of Agricultural Engineering Feb 2025 无法获知植保机械前端的作物垄的具体情况 机械沿预 设导航线行驶 容易造成碾压垄体 不能实现良好的导 航效果 视觉导航技术能够获知植保机械与作物垄之间的相 对位置关系 然后通过控制策略进行相应的状态调整 在局部导航系统中起着关键作用 15 16 RADCLIFFE 等 17 将机器视觉系统应用在四轮驱动小车上 设计了一种结 合天空与树冠信息组合的视觉导航算法 汤一平等 18 提 出了一种基于机器视觉的采茶陇识别和导航方法 通过 对安装在采茶机前方的相机采集到的画面进行图像分割 处理 然后采用最小二乘法拟合计算出茶陇中心线 LIU等 19 使用SSD模型定位水稻植株 并使用最小二乘法 拟合水稻作物行线 饶秀勤等 20 用Fast Unet语义分割 网络模型对棉花垄间道路分割 并通过迁移学习实现甘 蔗和玉米在自然光照条件下的垄间导航路径的有效识别 农作物不同生长时期 光照条件以及作物背景信息 等自然环境因素对视觉导航精度影响较大 导致提取出的 导航线误差较大 影响导航效果 而UWB导航可以很 好的利用高精度位置信息把控植保机械行驶总体方向 避免在垄间作业过程中损伤作物 综合各导航定位方式 的优缺点 考虑到本研究的主要目的是实现植保机械在 温室垄间的自主行驶 不需要对农作物个体进行精确分 割 且UWB和视觉定位所需要的硬件设备成熟 两者 之间有很好的优势互补 故提出UWB和视觉组合导航 的方案 基于纯跟踪算法建立导航跟踪控制模型 开发 组合导航控制系统 并通过田间试验对组合导航的性能 进行评价 1 设施植保机器人组合导航系统方案 1 1 硬件结构 设施植保机器人作业示意如图1所示 本文设施植 保机器人导航系统硬件结构主要包括四轮独立驱动转向 移动底盘 UWB定位模块 视觉模块 导航控制模块以 及上位机模块等 如图2所示 其中四轮独立驱动转向 移动底盘尺寸为1 650 mm 1 600 mm 850 mm 搭载铅 酸电池 可保证4 6 h续航作业能力 UWB定位模块 选用Time Domain公司的PulsOn440 UWB传感器组件 由1个UWB定位标签 4个UWB定位基站 移动电源 和基站安装支架组成 其中 UWB定位基站通过安装支 架固定于定位区域边缘作为定位参考点 UWB定位标签 安装于植保机器人顶部对称轴线上并通过串口与上位机 通讯 UWB标签通过与定位基站进行无线通信 获得与 各定位基站间的距离信息 视觉模块选用Intel公司的 Real Sense D435相机 用于获取导航图像并传输给控制 器 另外植保机器人机架上安装IMU传感器 通过串口 与上位机通讯 用于实时测量车身的航向信息 导航控制模块包括STM32F103单片机开发板 继电 器和电机控制器等 其与上位机模块通过串口进行通讯 负责接收来自上位机发送的控制参数 然后对这些数据 进行解算处理 并指令控制底盘电机动作 上位机模块 选用是笔记本电脑 搭载Intel公司i9 13900H处理器以 及NVIDIA RTX4060显卡 通过USB串口和下位机 UWB标签 D435相机进行数据通讯 搭配容量12GB DDR4笔记本内存条和1 T固态硬盘 视觉检测区域 Visual detection area 图1 设施植保机器人作业示意图 Fig 1 Working diagram facility plant protection robot 导航线提取 位姿估计相机模块 UWB模块 IMU模块 环境感知模块 上位机 STM32 单片机 串口通信 运动数据采集和纯跟踪运动控制 转向电机驱动电机 运动模块 PWM信号 60 V电源60 V转12 V 直流稳压模块 12 V 5 V BUCK 稳压模块 局部地图构建 UWB定位数据 定位数据采集 通信及决策支持 路径规划 位置 位姿偏差 电源模块 图2 组合导航系统示意图 Fig 2 Schematic diagram of integrated navigation system 1 2 工作原理 首先由UWB传感器与相机分别获取移动底盘定位 信息和垄面图像信息 图像信息经过USB传输至导航控 制器 控制器对获得的数据实时解析和处理 计算出导 航偏差 并结合UWB和视觉组合导航控制策略及纯跟 踪算法计算得到移动底盘转向控制量 经串口通信模块 将转向需求控制量发送给STM32 STM32下发至电机控 制器 再由电机控制器发送PWM信号至电机执行系统 实现植保机器人沿田垄的精准调控与自主导航作业 2 垄面分割与导航线提取 2 1 图像获取及数据集构建 垄面图像采集于浙江省海宁市杨渡基地 选取设施 垄作种植较多的青菜为试验对象 采集的图像包含叶菜 发芽期 幼苗期和成熟期 根据相机的横向视角和底盘 高度 拍摄时相机固定安装在植保机器人近喷杆端的型 材支架上 距离地面约2 2 m 倾斜角约45 图像尺寸 第 4 期郑 航等 基于UWB和视觉组合导航的设施植保机器人叶菜垄作跟踪控制145 固定为640像素 480像素 相机安装如图3所示 为保 证数据集的丰富性 采集环境包括不同天气 不同光照 和不同垄面场景等 采集的图像数量为600张 部分图 像如图4所示 垄作区域 Ridge area 导航区域 Navigation area 平面投影 Plane projection 45 2 2 m 图3 图像采集 Fig 3 Image capture a 原图 a Original image b 强光 b Strong light c 旋转 c Rotate d 平移 d Translation 图像 1 Image 1 图像 2 Image 2 图像 3 Image 3 图4 田垄图像 Fig 4 Ridge image 2 2 垄面分割模型 在自然环境下 叶菜种植农田主要由叶菜 杂草和 垄坡组成 本文使用YOLOv8 Seg模型 对叶菜垄面进 行精准分割 其模型结构如图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 输入 Input 输出 Output 图5 YOLOv8 seg模型以及各模块结构图 Fig 5 YOLOv8 seg model and structure diagram of each module YOLOv8网络具有速度快和实时性好等优点 21 22 YOLOv8 Seg是其实例分割任务分支 主要由输入端 Input 主干 Backbone 颈部 Neck 和头部 Head 4个部分组成 其中 输入端主要实现对图像的加载和预处理 然 后将预处理后的图像送入主干网络 主干部分的作用是 对叶菜垄面的特征进行提取 主要包括了Conv C2f和 SPPF等模块 颈部由特征金字塔网络 feature pyramid networks FPN 和路径聚合网络 path aggregation networks PAN 两部分组成 用于对特征信息的融合 在Head部分使用解耦检测头 decoupled head 将分 类与检测任务分开 这有助于加速网络的收敛 同时 YOLOv8使用Task Aligned Assigner动态分配样本 有 效提升模型的精度和鲁棒性 2 3 模型训练 试验环境为 计算机处理器为Intel Core i5 10400f 16G 主频为2 6 GHz GPU为NVIDIA GeForce RTX2080Ti 采用Windows10操作系统 在Pytorch 1 11 0 CUDA11 1下实现叶菜垄分割模型的搭建及训练 参数训练采用随机梯度下降 stochastic gradient descent SGD 优化算法 参数设置如下 图像输入尺寸为 640 480 Batch大小为32 最大迭代次数为500 通过 Warmup进行预热训练 采用余弦退火策略动态调整学 习率 初始学习率为0 01 动量因子为0 937 权重衰减 系数为0 000 5 YOLOv8 Seg的损失主要由检测框损失 分类损失 分割掩膜损失和DFL distribution focal loss 损失组成 其中 分割损失采了结合对数的二值交叉熵损失函数 BCEwithLogitsLoss 21 将YOLOv8 seg网络模型在叶菜垄数据集上进行训 练 模型在验证集上的分割损失值变化曲线如图6所示 可以看出 验证损失在 250 轮之后逐渐趋于平缓 模型 在 500 轮时已经基本趋于稳定 0 10 0 08 0 06 0 04 0 02 0 0 50 100150200250300350400450500 迭代次数Iterations 损失 Loss 图6 分割损失变化曲线 Fig 6 Segmentation loss change curve 以评价该深度模型训练性能指标为准确率P 召回 率R 精度均值AP和平均精度均值mAP 22 23 模型在训练过程中的mAP变化如图7所示 从 mAP曲线可以看出 mAP值在250 轮后逐渐趋于稳定 模型的mAP值达到96 36 表明该算法模型能够准确 分割叶菜垄面 为进一步分析模型的性能 本文使用该模型对不同 时期的叶菜场景训练结果进行归纳整理 YOLOv8 seg分 割模型在处理发芽期 幼苗期和成熟期图像的AP值分 146农业工程学报 http www tcsae org 2025 年 别为96 1 95 4 和97 6 表1 从图8可看出 YOLOv8 seg分割模型能够准确识别目标田垄区域并对田 垄进行分割提取 具有较好的精度及鲁棒性 且在光影 变化明显等情况下 仍能获得较好的分割效果 0 50 100150200250300350400450500 迭代次数Iterations 100 80 60 40 20 0 平均精度均值 Me an a vera ge pre cisi on m AP 图7 mAP曲线 Fig 7 mAP curve 表 1 YOLOv8 seg的训练结果 Table 1 YOLOv8 seg training results 生长期 Growth period精度均值Average precision AP 发芽期 Germination period 96 1 幼苗期 Seedling stage 95 4 成形期 Maturation stage 97 6 发芽期 Germination period 幼苗期 Seedling stage 成熟期 Maturation stage a 原图 a Original image b 识别结果 b Identify result 图8 YOLOv8 seg分割结果 Fig 8 YOLOv8 seg segmentation results 通过YOLOv8 Seg网络对叶菜垄面进行精准分割后 进行植保机当前行驶垄面信息的提取 首先 遍历计算 所有垄面掩膜检测框的中心与图像中心的欧式距离 接 着 获取欧式距离最小的掩膜 该掩膜即为植保机当前 行驶的垄面 提取流程如图9所示 最后生成由叶菜垄 与背景构成的二值化图像 2 4 导航线提取 如图10所示 得到当前垄面图像后 对当前垄面图 像进行Canny边缘检测提取垄面两侧边缘 为了提高算 法的实时性 本文采用最小二乘法拟合得到直行导航线 通过计算中间两点坐标可得出导航线的表达式 a 原始垄面 a Original ridge b 垄面分割 b Ridge segmentation c 距离计算 c Distance calculation d 垄面二值化 d Binarization 图9 叶菜垄分割过程 Fig 9 Leafy vegetable ridge splitting process 设左右两条边线的上任意两点坐标是 xi yi 和 xt yt 随后求取中值 生成路径中心线散点图 计算式如下 y ax b 1 8 x xi xt2 y yi yt2 9 2 y x y xi yi 式中a b为拟合系数 x为拟合导航线横坐标 为拟 合导航线纵坐标 为和的均值 残差平方和 E为 E n i 1 axi b yi 2 3 残差平方和E越小越贴近中点 则应满足 8 E a 2 axi b yi xi 0 E b 2 axi b yi 0 4 b y a x 5 a b式中和为式 4 求解所得值 为避免在计算模拟数据时因为选取特征点的距离过 近出现误差 本文采用间隔5像素提取特征点 这种方 法不仅能有效减少图像处理时间 还能够提高算法的实 时性 a 边缘提取 a Edge extraction b 中点生成 b Midpoint generation c 导航线拟合 c Navigation line fitting 图10 导航线提取过程 Fig 10 Navigation line extraction process 2 5 导航线提取精度分析 将人工拟合导航线与算法拟合的导航线进行对比 验证该算法的可靠性 以人工拟合导航线向左和向右各 偏差 20 像素作为误差允许范围 若算法拟合导航线处于 该范围内 则表示该导航线拟合成功 若在此范围外 则表示导航线拟合失败 使用3种生长期的数据集作为验证集对导航线拟合 第 4 期郑 航等 基于UWB和视觉组合导航的设施植保机器人叶菜垄作跟踪控制147 精度进行测试 最终导航线拟合结果如图11所示 a 发芽期 a Grmination stage b 幼苗期 b Seedling stage c 成熟期 c Maturation stage 注 浅色虚线为人工标注导航线 深色实线为最终拟合导航线 Note Light dashed line represents the manually annotated navigation line dark solid line represents the final fitted navigation line 图11 不同生长时期的导航线拟合结果 Fig 11 Navigation line fitting results of different growth stages 从数据集中随机选取300张不同生长时期图像进行 导航线拟合精度试验 结果如表2所示 3个生长期的 导航线拟合平均精度均在93 以上 证明所提拟合方法 具有较好的环境适应性和稳定性 表 2 不同生长时期的导航线拟合精度 Table 2 Fitting accuracy of navigation lines in different growth stages 生长期 Growth stage拟合精度Fitting precision 发芽期 Germination stage 93 幼苗期 Seedling stage 95 成形期 Maturation stage 96 3 组合导航跟踪控制 3 1 导航跟踪控制模型 设施植保机器人采用四轮独立驱动转向的轮式移动 底盘 结构简单 易控制 移动与转向灵活 纯跟踪算 法是通过对移动底盘进行运动学建模 并建立直观的几 何模型进行公式推导 计算车辆移动到预设目标轨迹路 径点的曲率和转角 从而实现跟踪控制过程 该算法只 需要调整参数找到最合适的前视距离就可以达到良好的 跟踪效果 同时具有模型简单 计算量小 鲁棒性良好 等优点 因此本文采用纯跟踪控制来解决路径跟踪问题 设施温室内 多使用低车速工况 故选择同侧前后轮的 转角相等且方向相反的双阿克曼转向模式进行公式推导 如图12所示 假设AB线为预设轨迹 取预设轨迹上一 点P为下一时刻所期望到达的点 即前视点 车辆质心 位于轴距中点C 点即为期望转向中心 转向中心与前 视点的间距为前视距离 假定车辆行驶路面水平且完整 圆弧CP即为理想转向路径 车辆需要以转向半径R做 圆周运动从而到达期望前视点 根据前视点和车辆控制点 得到车辆期望轨迹 根 据几何数学关系有 Ld sin 2 R sin 2 6 tan f L2R 7 整理得 R Ld2sin 8 f arctan Lsin Ld 9 Ld前视距离由下式计算 Ld xP xC 2 yP yC 2 10 式 10 中 xP yP 为P点位置坐标 xC yC 为轴距中点位置坐标 车辆当前姿态和前视点P的横向误差d为 d Ld sin 11 式 9 表明 车辆前轮转角的大小受到多个因素的 影响 包括车辆的轴距 车身方向与前视点之间的夹角 以及前视距离 式 11 表明 横向误差受前视距离和 车辆轴距的影响 但在相同车型下 前视距离就是唯一 可控制的变量 因此选取合适的前视距离直接影响了车 辆跟踪控制的准确性 f r 2 Ld R R B A L C f d P x P y P f r L Ld 注 为车身方向与前视点P的夹角 为前轮转角 后轮转 角 为车辆底盘轴距 mm 为轴距中心点与预瞄点的距离 mm R为车辆转向半径 mm C为车辆轴距中点 AB为预设轨迹 P xP yP 为车辆前视点 d为当前车辆姿态与前视点 P 的横向误差 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 图12 移动底盘预瞄点跟踪模型 Fig 12 Moving chassis preview point tracking model 3 2 组合导航控制策略 借助UWB定位导航的起垄机能够按照规定路线进 行起垄作业 但由于信号波动以及作业时土壤对作业部 间施加的作用力 会产生起垄误差 导致垄面中心线会 在UWB规划导航线附近波动 因此 单纯沿UWB导 航线行走不能满足植保环节作业需求 需要结合机器视 觉技术实现对行走底盘的组合控制 组合导航控制策略 如图13所示 如图13所示 实际情况下 植保机沿垄体作业行驶 148农业工程学报 http www tcsae org 2025 年 中 其移动轨迹在UWB导航线附近一定范围内振荡分 布 当底盘驶出控制分界线时 导航控制系统切换为 UWB导航 当底盘在控制分界线中间时 切换至视觉导 航 为避免底盘从UWB导航控制区进入视觉导航控制 区时航向偏差过大 影响视觉导航精度 需要将目标线 设置在更靠近UWB导航线的位置 目标线与UWB导 航线的距离为R0 d1 R0 且继续使用视 觉导航 则导航控制器无法区分当前图像当下垄体中心 线是否为UWB导航线所跟踪垄体 这很可能导致底盘 转角过大破坏垄体 UWB导航可以帮助底盘回到UWB 导航线上 此时由于横向偏移较大 UWB导航控制有超 出精度范围的余量调整 因此 UWB导航更适合横向偏 移较大时的实际工况 UWB导航线 UWB navigation cable 垄面中线 Ridge curve 硬化路面 Hardened pavement B 控制分界线 Control boundary 目标线 Target lineR0 D R 0 R0 D 注 R0为UWB导航线与目标线的距离 mm D为UWB导航线与组合导 航控制分界线的距离 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 图13 组合导航控制策略 Fig 13 Combined navigation control strategy 当d1较小时 d1 R0视觉导航控制 视觉偏距d1视觉偏角a1 视觉导航 是否沿垄行走 图14 UWB和视觉组合导航控制流程 Fig 14 UWB and visual integrated navigation control flow 4 试验结果与分析 4 1 试验地点 试验场地在浙江省农业科学院杨渡试验基地内的垄 田区域 试验时间为2024年4月25日 温室内的试验 场地尺寸为30 m 30 m的四边形区域 UWB与视觉组 合导航布局如图15所示 试验场景如图16所示 垄作区域 Ridge area 基站 A3 Base station A3 基站 A1 Base station A1 基站 A0 Base station A0 温室墙壁 Greenhouse wall 硬化路面 Hardened pavement 植保机 Plant protection machine 基站 A2 Base station A2 图15 UWB布局 Fig 15 UWB cultra wide band layout 图16 导航跟踪控制试验场景 Fig 16 Navigation tracking control test scene UWB定位基站位于试验场地4个角落 每个UWB 基站距离地面的高度均为2 m 各基站坐标分别为 A0 0 0 A1 30 0 A2 0 30 A3 30 30 m UWB 定位标签安装在植保机器人顶部对称轴线上 植保机器 人UWB定位系统获得位置信息 采样频率为10 Hz 在 第 4 期郑 航等 基于UWB和视觉组合导航的设施植保机器人叶菜垄作跟踪控制149 行驶的过程中 上位机持续记录植保机器人的位置信息 4 2 试验方法 为测试组合导航精度 需对植保机进行组合导航和 使用单一传感器进行导航对比试验 前视距离设置为 2 m 在UWB局部坐标系下将叶菜垄的起点中心位置A 终点中心位置B的位置信息保存到组合导航控制系统中 将AB点的连线作为植保机器人UWB导航参考线 组 合导航试验的具体流程如下 1 摆放好UWB基站位置并连接电源 对植保机进 行上电检查 驾驶植保机沿着道路区域 行驶至田垄起 始点处停机 2 启动植保机电源 打开上位机与相机 UWB串 口 确保图像数据 UWB信号接收正常 3 启动植保机继续沿垄面中间行驶 调节速度稳定 到一定的范围内 4 组合导航以视觉导航为主 UWB导航为辅 首 先开启视觉导航 让植保机进入视觉导航行驶状态 此 时导航软件实时计算植保机与垄面中心线的偏距和偏角 当横向误差大于设定阈值时自动切换至UWB导航 5 关闭导航系统 保存试验数据 试验设施温室 其每一垄的长为20 000 mm 垄面 宽为1 450 mm 垄沟宽为300 mm 植保机器人从叶菜 垄的一端开始行驶 运行到垄尾时停止 前文已根据垄 面宽度和底盘结构尺寸计算得 植保机器人在垄间行走 的最大位置偏差为0 15 m 最大航向偏差为15 因此 本文取0 15 m 如图17所示 为了记录底盘行驶的中心位置 采用 与地面背景颜色对比鲜明的白色长方形胶带进行标记 同时在底盘底部对称轴线上固定2个平行型材 型材之 间的连线即为车体中心轴线 然后测量白色胶带与垄面 中心线的相对位置来计算横向偏差 如图17a所示 使 用卷尺测量型材相对于垄面中心的横向偏差 然后使用 量角器测量胶带与垄面面中心线的角度 如图17b所示 即为底盘在此位置的航向偏差 a 测量横向偏差 a Lateral deviation of measurement b 测量航向偏差 b Measuring course deviation 测量角度偏差 Measuring angular deviation 图17 测量车体位姿 Fig 17 Measure posture of vehicle 4 3 结果与分析 为验证组合导航策略的效果 在垄1和垄2进行组 合导航试验 在垄1设置前期车体与垄面中心线有较大 的偏差 植保机在垄2行驶过程中遮挡摄像头模拟视觉 导航出现失误情况 在垄3 垄4分别进行纯视觉和纯 UWB导航验证本文视觉算法和UWB导航算法的可靠性 试验垄田环境土质较为松软 有坑洼特征 为防止植保 机器人行走过程中机身抖动量过大 行走速度设定为 0 4 0 5 m s进行试验 导航试验轨迹如图18所示 28 24 20 16 12 8 4 0 1 2 3 4 5 6 X向距离X direction distance m Y向距离 Y direction distance m UWB导航 UWB navigation UWB导航 UWB navigation 横向误差过大 切换定位方式 Switch positioning mode when lateral error is too large切换 定位方式 Switch targeting method视觉导航Visual navigation 视觉导航 Visual navigation 组合导航路径1 Composite navigation path 1 组合导航路径2 Composite navigation path 2 视觉导航路径Visual navigation path UWB导航路径UWB navigation path 图18 机器人行驶轨迹 Fig 18 Robot traveling trajectory 从图18中对植保机导航作业行驶轨迹的结果可以明 显看出 纯视觉导航和UWB导航跟踪误差较小 为两 者结合提供了基础 同时 从图19中垄1和垄2的植保 机行驶轨迹可以看出组合导航策略视觉导航出现较大误 差时 系统能够及时切换到UWB定位 实现快速收敛 UWB导航控制在组合导航中发挥了正向调节作用 降低 了导航偏差和偏差波动 提高了导航精度和鲁棒性 验 证了组合导航策略的有效性 15 10 5 0 5 10 15 20 25 0 10 20 30 40 50 60 组合导航路径1 Composite navigation path 1 组合导航路径2 Composite navigation path 2 视觉导航路径Visual navigation path UWB导航路径UWB navigation path 时间Time s 横向偏差 La tera l de via tion cm 图19 横向偏差 Fig 19 Lateral deviation 为了准确量化组合导航算法植保作业导航作业性能 差异 分别将4组导航作业数据进行统计分析 试验结 果如表3和图20所示 从图19 20中可以看出 当植保机以0 4 0 5 m s 的速度行驶时 两组组合导航和视觉导航 UWB导航达 到稳态后的横向偏差和航向误差分别为15 5 cm和8 前期组合导航的最大偏差值较大是为了验证组合导航控 制系统的可靠性 人为设置了较大偏差 当控制系统检 测到当前偏差大于最大偏差时 从视觉导航切换至 UWB导航 误差迅速减小并趋于稳定 证明了组合导航 策略的有效性和稳定性 垄1 2组合导航系统中的 150农业工程学报 http www tcsae org 2025 年 UWB导航模块分别在视觉导航第5 s和第22 s误差大的 情况下发挥了积极作用 降低了导航偏差和偏差波动 表 3 路径跟踪数据统计 Table 3 ath tracking data statistics 组别 Group 横向偏差 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 组合导航路径1 Composite navigation path 1 组合导航路径2 Composite navigation path 2 视觉导航路径Visual navigation path UWB导航路径UWB n