丘陵山區(qū)田間道路自主行駛轉(zhuǎn)運車及其視覺導(dǎo)航系統(tǒng)研制

李云伍，徐俊杰，王銘楓，劉得雄，孫紅偉，王小娟

?

丘陵山區(qū)田間道路自主行駛轉(zhuǎn)運車及其視覺導(dǎo)航系統(tǒng)研制

李云伍1，徐俊杰1，王銘楓1，劉得雄2，孫紅偉1，王小娟1

（1. 西南大學(xué)工程技術(shù)學(xué)院，重慶 400716；2. 丘陵山區(qū)農(nóng)業(yè)裝備重慶市重點實驗室，重慶 400716）

自然條件的限制使得丘陵山區(qū)農(nóng)產(chǎn)品和物資的田間轉(zhuǎn)運難以實現(xiàn)高安全性的機(jī)械化作業(yè)。為此，該文研制了一種在丘陵山區(qū)田間道路上自主行駛的轉(zhuǎn)運車及其視覺導(dǎo)航系統(tǒng)。該系統(tǒng)采用RTK-GNSS（real-time kinematic-global navigation satellite system，實時動態(tài)-全球衛(wèi)星導(dǎo)航系統(tǒng)）進(jìn)行路網(wǎng)信息采集、實時定位和路徑規(guī)劃，利用機(jī)器視覺進(jìn)行田間道路識別并提取路徑跟蹤線；田間道路非路口區(qū)域由機(jī)器視覺系統(tǒng)進(jìn)行導(dǎo)航，路口區(qū)域采用RTK-GNSS實時定位進(jìn)行導(dǎo)航。全局路徑規(guī)劃中對A*算法估價函數(shù)進(jìn)行改進(jìn)，將路口節(jié)點處的道路曲率及道路起伏信息引入代價函數(shù)。圖像處理中強(qiáng)化道路上的陰影處理和信息融合，實現(xiàn)道路與背景的準(zhǔn)確分割；然后將道路區(qū)域分塊求取形心點，擬合后生成道路的虛擬中線作為局部路徑的導(dǎo)航線。路徑規(guī)劃仿真表明，改進(jìn)的A*算法能融合丘陵山地道路起伏變化的特征，規(guī)劃的路徑更合理。轉(zhuǎn)運車自主行駛測試表明，在直線路徑、多曲率復(fù)雜路徑以及地形起伏路徑3種工況下，自主行駛軌跡與實際道路中線的平均偏差分別為0.031、0.069和0.092 m，最大偏差分別為0.133、0.195和0.212 m；轉(zhuǎn)運車沿道路中線自主行駛的平均相對誤差分別為5.16%、11.5%和15.3%，滿足田間道路轉(zhuǎn)運車自主行駛的安全要求。

農(nóng)業(yè)機(jī)械；自動導(dǎo)航；機(jī)器視覺；RTK-GNSS；轉(zhuǎn)運車；丘陵山區(qū)

0 引 言

丘陵山區(qū)占中國國土面積的70%左右[1]，是中國糧油糖作物及薯類、果桑茶麻、蔬菜、青飼料等特色經(jīng)濟(jì)作物的重要生產(chǎn)基地。農(nóng)產(chǎn)品及農(nóng)用物資在田間的轉(zhuǎn)運是農(nóng)業(yè)生產(chǎn)中的重要環(huán)節(jié)，丘陵山區(qū)地勢起伏、坡度大、土地分散，田間道路狹窄曲折、陡升陡降，導(dǎo)致農(nóng)產(chǎn)品和農(nóng)用物資難以在田間道路上實現(xiàn)機(jī)械化運輸。目前丘陵山區(qū)田間轉(zhuǎn)運工具普遍為手推車、兩輪車等，這些轉(zhuǎn)運方式存在勞動強(qiáng)度大、安全性差、效率低等問題。在農(nóng)村勞動力日益缺乏、提高生產(chǎn)率需求日益迫切的情況下，丘陵山區(qū)亟需自動化程度高、安全性好的田間道路轉(zhuǎn)運機(jī)械。

近年來中國加強(qiáng)了丘陵山區(qū)農(nóng)田整治與基礎(chǔ)設(shè)施建設(shè)，在丘陵山區(qū)田間與居民點之間普遍建立起0.8~1.2 m寬的水泥硬化田間便道[2]，縱橫交錯的水泥便道使田塊與居民點之間建立了便捷的交通聯(lián)系，為開發(fā)高安全性、自主行駛的田間轉(zhuǎn)運機(jī)械提供了基礎(chǔ)條件。

轉(zhuǎn)運機(jī)械在田間道路上自主行駛的核心在于自動導(dǎo)航系統(tǒng)。目前農(nóng)業(yè)機(jī)械的自動導(dǎo)航主要用于播種、施肥、噴藥、收獲、整地及起壟等農(nóng)機(jī)作業(yè)過程[3-20]，采用全球衛(wèi)星導(dǎo)航系統(tǒng)（global navigation satellite system，GNSS）導(dǎo)航、激光雷達(dá)導(dǎo)航、機(jī)器視覺導(dǎo)航、慣性導(dǎo)航以及各種組合導(dǎo)航等方式。在國內(nèi)，張鐵民等[4]提出了基于電荷耦合器件（charge coupled device，CCD）圖像傳感器、加速度計、電子羅盤及超聲波等多傳感器信息融合的農(nóng)用小車導(dǎo)航系統(tǒng)及其控制方法。刁智華等[5]通過機(jī)器視覺系統(tǒng)檢測出玉米作物行的中心線，以此控制農(nóng)業(yè)機(jī)械的自動對準(zhǔn)或行走。劉兆朋等[6]針對高地隙噴桿噴霧機(jī)開發(fā)了基于GNSS的自動導(dǎo)航作業(yè)系統(tǒng)。張美娜等[7]將RTK-DGPS系統(tǒng)、慣性傳感器、絕對式光電編碼器和增量式光電編碼器相融合，實現(xiàn)農(nóng)用車輛的自動導(dǎo)航。劉軍等[8]通過全球定位系統(tǒng)/慣性導(dǎo)航系統(tǒng)（global positioning system/inertial navigation system，GPS/INS）組合獲得載體的實時位置信息，從而實現(xiàn)農(nóng)用車輛的自動駕駛。劉柯楠等[9]研制了太陽能驅(qū)動平移式噴灌機(jī)的基于GPS、電子羅盤的導(dǎo)航控制系統(tǒng)。陳艷等[10]構(gòu)建了一個基于GPS和機(jī)器視覺的多傳感器組合導(dǎo)航定位系統(tǒng)。彭順正等[11]提出了一種基于圖像處理的棗園導(dǎo)航基準(zhǔn)線生成算法。羅錫文等[12]、楊柳等[13]、張碩等[14]也分別研究了基于GPS的拖拉機(jī)自動導(dǎo)航控制系統(tǒng)。

在國外，Kurita等[15]在履帶式水稻收獲機(jī)上搭載視覺系統(tǒng)和GNSS系統(tǒng)，實現(xiàn)了其自動導(dǎo)航作業(yè)。Thanpattranon等[16]基于激光測距傳感器，研究了拖拉機(jī)牽引式掛車在作物行間自動行走的導(dǎo)航系統(tǒng)。Backman等[17]研究了一種新的農(nóng)業(yè)機(jī)械導(dǎo)航系統(tǒng)，采用二維激光雷達(dá)提取導(dǎo)航跟蹤線，采用GPS和慣性測量單元識別機(jī)械的前進(jìn)方位。Ball等[18]研究了農(nóng)業(yè)機(jī)器人的自動導(dǎo)航和障礙物識別，采用GPS、慣性測量單元和視覺系統(tǒng)進(jìn)行定位，立體視覺系統(tǒng)進(jìn)行障礙物探測。Garcia等[19]研究了玉米地作物行的機(jī)器視覺識別方法，準(zhǔn)確地提取了作物行的識別線，為自動導(dǎo)航提供了基準(zhǔn)。Radcliffe等[20]、Lyu等[21]也研究了果園行間的機(jī)器視覺導(dǎo)航問題。

上述研究主要是針對平整地形條件下的田間或作物行間的自主行駛問題，而針對丘陵山區(qū)田間道路特點進(jìn)行自主行駛的導(dǎo)航系統(tǒng)研究還很少?；诖耍疚难兄屏诉m于丘陵山區(qū)田間道路的自主行駛轉(zhuǎn)運車及其視覺導(dǎo)航系統(tǒng)，主要包括田間道路路網(wǎng)的獲取與路徑規(guī)劃，基于機(jī)器視覺的局部路徑導(dǎo)航線提取和路徑跟蹤控制策略，并進(jìn)行了轉(zhuǎn)運車在丘陵山區(qū)田間道路上的自主行駛試驗。

1 丘陵山區(qū)田間道路轉(zhuǎn)運車組成

本文所研制的丘陵山區(qū)田間道路自主行駛轉(zhuǎn)運車具有環(huán)境感知、動態(tài)規(guī)劃與決策、行為控制與執(zhí)行等多種功能，主要包括驅(qū)動及剎車系統(tǒng)、整車控制系統(tǒng)、自動導(dǎo)航系統(tǒng)、超聲波雷達(dá)避障系統(tǒng)、自動轉(zhuǎn)向系統(tǒng)等。整車組成如圖1所示。

圖1 自主行駛轉(zhuǎn)運車組成

1.1 整車結(jié)構(gòu)及控制系統(tǒng)

丘陵山區(qū)田間道路狹窄、起伏、曲折，考慮到運行安全性，結(jié)合田間道路上的運輸量、行駛速度以及連續(xù)工作時間要求，設(shè)計的自主行駛轉(zhuǎn)運車的基本參數(shù)如表1所示。

驅(qū)動系統(tǒng)采用電機(jī)驅(qū)動模式，直流電機(jī)通過減速器、差速器驅(qū)動后輪為轉(zhuǎn)運車提供動力。根據(jù)設(shè)計最大爬坡度下勻速行駛的最大需求功率進(jìn)行動力匹配，驅(qū)動電機(jī)的功率為700 W，2塊12 V、30 Ah的動力蓄電池作為動力源。

表1 自主行駛轉(zhuǎn)運車基本參數(shù)

剎車系統(tǒng)采用電磁剎車方式，在驅(qū)動電機(jī)輸出端安裝電磁剎車器，采用常閉式剎車模式，增加整車的安全性，且容易實現(xiàn)電控剎車。

整車控制系統(tǒng)具有啟停、全局路徑規(guī)劃、避障及轉(zhuǎn)向決策功能，由Raspberry Pi微型計算機(jī)執(zhí)行，根據(jù)超聲波雷達(dá)檢測的前方障礙物距離信息做出避障決策（前方一定范圍內(nèi)有障礙物則停下，障礙物移除則繼續(xù)前行）；根據(jù)儲存的路網(wǎng)信息、實時位置和目標(biāo)地進(jìn)行全局路徑規(guī)劃；根據(jù)自動導(dǎo)航系統(tǒng)確定的路徑跟蹤線和實時位置偏差做出轉(zhuǎn)向控制。整車控制系統(tǒng)架構(gòu)如圖2所示。

注：RTK-GNSS為實時動態(tài)-全球衛(wèi)星導(dǎo)航系統(tǒng)；RaspberryPi為樹莓派微型計算機(jī)。

1.2 自動轉(zhuǎn)向系統(tǒng)

基于采集田間道路路網(wǎng)信息的需要以及便于操作，轉(zhuǎn)向系統(tǒng)設(shè)有電控與手動2種模式，可自由切換。轉(zhuǎn)向舵機(jī)通過齒輪與轉(zhuǎn)向軸聯(lián)接，自主行駛時，轉(zhuǎn)向舵機(jī)切換到電控模式，整車控制器發(fā)出偏轉(zhuǎn)角度信息PWM信號（pulse-width modulation），舵機(jī)根據(jù)轉(zhuǎn)向指令旋轉(zhuǎn)一定的角度，從而驅(qū)動轉(zhuǎn)向軸旋轉(zhuǎn)，實現(xiàn)轉(zhuǎn)運車的電控轉(zhuǎn)向。手動轉(zhuǎn)向時，轉(zhuǎn)向舵機(jī)切換到自由狀態(tài)，此時手動操作轉(zhuǎn)向把手帶動轉(zhuǎn)向軸旋轉(zhuǎn)，實現(xiàn)轉(zhuǎn)向。

轉(zhuǎn)向舵機(jī)由控制電路、減速齒輪、直流電機(jī)等組成。根據(jù)滿載情況下前輪轉(zhuǎn)向的力矩要求，轉(zhuǎn)向舵機(jī)的啟動扭矩為11 N?m、保持扭矩為10 N?m、額定轉(zhuǎn)速為0.5(°)/ms。

1.3 自動導(dǎo)航系統(tǒng)

自動導(dǎo)航系統(tǒng)采用RTK-GNSS與機(jī)器視覺組合的導(dǎo)航模式。丘陵山區(qū)田間道路狹窄，由于道路兩旁作物及樹木的遮擋，田間道路上的GNSS信號易丟失，導(dǎo)致定位誤差大；而機(jī)器視覺導(dǎo)航具有較強(qiáng)的自主性和實時性，不依靠任何外界設(shè)備。因此，自主行駛時，非路口區(qū)域的田間道路由機(jī)器視覺系統(tǒng)進(jìn)行導(dǎo)航。但路口區(qū)域的田間道路往往彎道多且曲率大，機(jī)器視覺由于視角范圍的限制以及計算延遲，不能準(zhǔn)確預(yù)判道路的轉(zhuǎn)向及其尺度，而由RTK-GNSS預(yù)存的路徑信息則能做出這些預(yù)判。因此，路口區(qū)域采用RTK-GNSS預(yù)儲存的路徑信息以及實時定位進(jìn)行導(dǎo)航。

丘陵山區(qū)田間道路具有非規(guī)范化、狹窄、曲折不定、高低不平等特點，因此GNSS導(dǎo)航系統(tǒng)采用RTK載波相位差分定位技術(shù)，定位信號更新頻率最高為10 Hz，動態(tài)水平定位精度為±1 cm，動態(tài)垂直定位精度為±2 cm，選取單目攝像頭作為田間道路的圖像采集傳感器，分辨率為640×480像素，幀率為30 fps。

2 自主行駛?cè)致窂揭?guī)劃

2.1 路網(wǎng)采集及存貯

丘陵山區(qū)耕地單塊面積小、耕地分散，道路情況復(fù)雜，轉(zhuǎn)運車自主行駛時應(yīng)首先規(guī)劃出行駛的全局路徑。由于目前還沒有可用的田間道路路網(wǎng)地圖，因此本文采取人工操作轉(zhuǎn)運車在運行區(qū)域內(nèi)所有田間道路上行駛一次，利用搭載的RTK- GNSS系統(tǒng)采集所有道路的路徑信息并儲存起來。采集過程中，對道路路徑三維坐標(biāo)采用三次B樣條曲線進(jìn)行擬合修正，提取道路的拓?fù)渚W(wǎng)絡(luò)結(jié)構(gòu)，得到平滑可靠的GNSS軌跡地圖。將獲取的地圖坐標(biāo)數(shù)據(jù)以路段為對象，儲存其路徑信息。

存儲路徑信息時按路口節(jié)點、路段和網(wǎng)絡(luò)關(guān)系分別進(jìn)行描述：針對路口節(jié)點，采用一維數(shù)組結(jié)構(gòu)，儲存節(jié)點編號、三維坐標(biāo)以及關(guān)聯(lián)路徑段數(shù)；路段信息與節(jié)點存儲結(jié)構(gòu)相同，由多個采樣點一維數(shù)組組合為二維數(shù)組，儲存路段編號、路段內(nèi)所有采樣點坐標(biāo)以及路段起止節(jié)點編號；對于拓?fù)渚W(wǎng)絡(luò)關(guān)系，采用改進(jìn)鄰接矩陣存儲地圖數(shù)據(jù)[22]。

圖3為實地采集并提取的重慶市北碚區(qū)歇馬鎮(zhèn)農(nóng)嶸村果園道路網(wǎng)絡(luò)，圖中數(shù)字表示道路路口及關(guān)鍵節(jié)點，包括居民點8、22，田間倉庫25、26以及其他若干田塊路口。該區(qū)域為典型的丘陵山地地形，田間道路起伏曲折，全部為水泥硬化路面，支路寬度1.2 m，主路寬度2.5 m，坡度在0°~13.2°之間。

注：數(shù)字1~36表示道路路口及關(guān)鍵節(jié)點；X、Y為地理坐標(biāo)系中以該區(qū)域內(nèi)某一固定點為原點的東向、北向坐標(biāo)。

2.2 路徑規(guī)劃算法及其改進(jìn)

轉(zhuǎn)運車自主行駛時，設(shè)定目標(biāo)點后即可通過全局路徑規(guī)劃得到轉(zhuǎn)運車的行駛路徑。本文采用A*算法進(jìn)行全局路徑規(guī)劃[23]，其估價函數(shù)的通用表達(dá)式為

式中()是節(jié)點的估價函數(shù)；()為起始節(jié)點到節(jié)點的實際代價；()代表從節(jié)點到目標(biāo)節(jié)點的啟發(fā)估計代價。

()通過遞歸計算得到

為保證A*算法能搜素到最優(yōu)解，估價函數(shù)()必須滿足如下原則：

1）可接納性：()不能超過當(dāng)前節(jié)點到目標(biāo)節(jié)點路徑真實代價；

在田間道路地圖網(wǎng)絡(luò)中，為保證估價函數(shù)可接納性成立，采用歐幾里得距離作為距離估價函數(shù)。

式中(x,y,z)、(x,y,z)分別為當(dāng)前點和目標(biāo)點的三維坐標(biāo)。

A*算法中，相鄰2個節(jié)點間代價為該段路徑的實際距離，為兼顧轉(zhuǎn)運車在田間道路上行駛的安全性和經(jīng)濟(jì)性，對A*算法進(jìn)行改進(jìn)，引入路口道路曲率κ及節(jié)點到之間的道路起伏度C(,)到實際代價中。

1）路口道路曲率κ

田間道路路口不是規(guī)則十字或T形結(jié)構(gòu)，與路口相連的路徑往往為曲線，部分路口交叉角較大致使轉(zhuǎn)運車不能順利轉(zhuǎn)向；同時道路狹窄，轉(zhuǎn)運車在路口大角度轉(zhuǎn)向時容易發(fā)生側(cè)翻、偏離道路等危險情況。因此，本文將路口處的道路曲率作為路徑評價指標(biāo)之一，對當(dāng)前道路曲率進(jìn)行判斷，當(dāng)對應(yīng)曲率半徑小于轉(zhuǎn)運車最小轉(zhuǎn)彎半徑時，認(rèn)為當(dāng)前道路不可通行。

采用基于弦長的離散化點曲率計算方法計算路口處各方向的曲率，然后對當(dāng)前曲率與轉(zhuǎn)運車最小轉(zhuǎn)彎半徑對應(yīng)曲率比較，得到路口節(jié)點處曲率κ取值如式（4）所示。

式中為轉(zhuǎn)運車軸距，m；max為前輪最大偏轉(zhuǎn)角，rad；為道路曲率半徑，m。當(dāng)κ為∞時，此道路不可通行。

2）道路起伏度C(,)

丘陵山區(qū)田間道路陡升陡降，頻繁上下坡需要額外能量用于爬坡，不利于節(jié)能。當(dāng)2條道路水平路徑長度相同時，應(yīng)優(yōu)先選擇起伏變化較平坦的路段。因此，本文考慮路段內(nèi)連續(xù)上下坡時的海拔高程變化，通過道路起伏懲罰系數(shù)k與累計高程變化(,)之積來等效轉(zhuǎn)運車在起伏路段行駛時相比于水平路段的距離增長。道路起伏度C(,)定義為

式中z為采樣點海拔高度，m；為該段路徑采樣點個數(shù)，懲罰系數(shù)k的取值正相關(guān)于累計高程變化(,)與實際距離(,)之比。

3）綜合估價函數(shù)

考慮到道路曲率和道路起伏，改進(jìn)后起始點到當(dāng)前節(jié)點的實際代價表示為

3 機(jī)器視覺局部路徑規(guī)劃

丘陵山區(qū)田間道路狹窄曲折，沒有車道線，邊界模糊且不規(guī)則。轉(zhuǎn)運車行駛時，為防止偏離出道路，應(yīng)沿道路中線行駛。本文采用低成本圖像傳感器模塊（羅技C270），通過圖像分割和陰影處理，生成道路虛擬中線作為局部路徑的跟蹤導(dǎo)航線。

3.1 圖像分割及后處理

采集多種田間道路圖像在各個顏色空間中進(jìn)行分割處理，對比分割效果發(fā)現(xiàn)，HSV（hue-saturation-value）顏色空間[24]中的V分量能夠較好地適應(yīng)道路上水漬、雜草等因素的影響，S分量能夠很好地解決陰影對道路的影響。因此，采用HSV顏色空間V分量閾值進(jìn)行道路圖像的分割處理。由于圖像分割處理的目標(biāo)是道路區(qū)域，對象尺寸比較大，且沒有細(xì)小部分的細(xì)節(jié)要求，所以利用形態(tài)學(xué)濾波和連通域處理[25]對圖像進(jìn)行去噪，以更好地提取目標(biāo)區(qū)域。

形態(tài)學(xué)濾波中，選擇3×3的結(jié)構(gòu)元素對道路圖像先進(jìn)行開運算，再進(jìn)行閉運算。采用基于4鄰接的Seed-Filling進(jìn)行連通區(qū)域標(biāo)記，計算每個連通區(qū)域的面積，丟棄面積較小的輪廓，針對比較大的輪廓曲線進(jìn)行多邊形或凸包擬合，最后重新繪制輪廓，得到需要的道路區(qū)域。部分道路圖像處理效果如圖4所示。

圖4 部分道路圖像分割及后處理結(jié)果

3.2 陰影處理

田間道路典型的特征之一是道路兩旁的作物或者樹木在道路上留下形狀各異的陰影。HSV顏色空間中，V分量對道路的識別度較高，但很容易將陰影部分與背景部分混為一體，直接影響道路區(qū)域識別的準(zhǔn)確性，所以對陰影部分的恢復(fù)尤為重要。當(dāng)色度保持不變時，S、V分量決定了彩色圖像的總體效果，包括顏色信息和亮度信息，且S分量對陰影部分極其不敏感，基本不受陰影部分的影響。因此，為實現(xiàn)道路上陰影部分的檢測，對道路圖像S、V分量均進(jìn)行點運算，然后對變換后的S、V分量進(jìn)行加權(quán)融合，并利用Otsu閾值分割得到道路區(qū)域缺失的陰影部分，最后將陰影圖像與V分量閾值分割后的圖像進(jìn)行邏輯運算，將陰影部分恢復(fù)到道路區(qū)域，得到完整的道路區(qū)域信息。

圖像點運算通過變換函數(shù)對每個像素進(jìn)行轉(zhuǎn)換來改變圖像顯示效果，若輸入圖像為(,)，輸出圖像為(,)，則點運算表示為

式中表示變換函數(shù)的斜率，表示截距。通過調(diào)整、的取值來改變圖像的對比度、亮度等。

為了突出陰影部分，采用點運算增強(qiáng)對陰影不敏感的S分量的對比度，而對陰影敏感的V分量則減少其對比度。S、V分量經(jīng)過點運算后，即可將其融合，突出陰影部分的特征。采用像素加權(quán)平均法（weighted averaging，WA）進(jìn)行融合。

設(shè)V分量經(jīng)過點運算后的圖像為1，S分量經(jīng)過點運算后的圖像為2，加權(quán)融合后的圖像為，則圖像之間的數(shù)學(xué)表達(dá)式為：

式中是多維數(shù)組元素的索引值；為加權(quán)系數(shù)，為加入的常數(shù)項。

為了更好地得到S、V分量點運算時的值和加權(quán)融合時的、值，設(shè)計了如表2所示的參數(shù)對圖像S、V分量分別進(jìn)行點運算后加權(quán)融合，并進(jìn)行閾值分割處理獲取陰影區(qū)域。對分割結(jié)果進(jìn)行評價，用1~10表示，數(shù)值越大表示效果越好。通過對處理結(jié)果的分析比較，選擇合適的、、值。

表2 像素加權(quán)融合試驗設(shè)計及結(jié)果

注：為1矩陣的加權(quán)系數(shù)；為2矩陣的加權(quán)系數(shù)；1、2分別為V、S分量變換函數(shù)的斜率。

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

經(jīng)過多幅圖像的點運算和加權(quán)融合效果測試，最終選擇V分量變換函數(shù)斜率1=0.5，S分量變換函數(shù)斜率2=8，1矩陣加權(quán)系數(shù)=0.5，2矩陣加權(quán)系數(shù)=0.5來進(jìn)行道路的陰影處理，部分道路陰影識別結(jié)果如圖4c所示。

陰影部分提取后，需要將其還原到道路區(qū)域，保證道路的完整性。將經(jīng)過陰影處理的二值圖像與V分量分割處理的二值圖像按位進(jìn)行或運算，即可將陰影區(qū)域與道路區(qū)域合并。圖4d為合并后最終得到的完整道路區(qū)域。

3.3 導(dǎo)航線生成

圖像中識別出完整的道路區(qū)域后，即可提取導(dǎo)航線，其結(jié)果如圖5所示。根據(jù)攝像頭安裝位置和拍攝角度，選取靠近攝像頭三分之二的道路圖像作為感興趣區(qū)域（region of interest，ROI）[26]，對ROI進(jìn)行分塊操作。根據(jù)行駛速度及后續(xù)預(yù)瞄跟蹤控制的要求，以攝像頭正前方實際道路長度每30 cm為單元進(jìn)行分塊，總共分為12塊，對每塊的道路區(qū)域坐標(biāo)進(jìn)行提取，并利用式（10）求取目標(biāo)區(qū)域的形心點坐標(biāo)（x,y）。

式中、為像素坐標(biāo)，為每分塊道路區(qū)域像素點集合，為內(nèi)的像素點總個數(shù)。

將得到的形心用圓點在原圖像中表現(xiàn)出來，如圖5b所示。

圖5 田間道路區(qū)域的形心點及其擬合線

由圖5b可看出，由于存在雜草、陰影、水漬等不利因素的影響，有時會造成路徑信息提取錯誤甚至缺失。由于道路的曲率不會產(chǎn)生突變，為了保證路徑的連續(xù)性，對所提取的多個形心點進(jìn)行平滑處理，選擇最小二乘法對這些形心點進(jìn)行擬合，如圖5c所示，生成的擬合線即為田間道路的虛擬中線，代表了田間道路的實時走向，即轉(zhuǎn)運車局部路徑的跟蹤導(dǎo)航線。選取圖5a所示田間道路進(jìn)行測試，本文算法擬合的道路中線與實際道路中線的橫向偏差最大不超過5%。

4 路徑跟蹤控制

路徑跟蹤主要是控制轉(zhuǎn)運車的橫向運動，使其能夠沿著期望導(dǎo)航線行駛[27]。本文采用基于農(nóng)機(jī)運動學(xué)模型的路徑跟蹤控制方法，如圖6所示，將轉(zhuǎn)運車簡化為二輪車模型，并建立以后輪軸心為原點、后軸線為軸（向右為正）、前后軸心連線為軸（前進(jìn)方向為正）的坐標(biāo)系。

注：T(x, y)為導(dǎo)航線上的某點，l為轉(zhuǎn)運車后軸中心到點T(x, y)的距離，m；θ為點T(x, y)與后軸中心點的連線與前進(jìn)方向之間的夾角，rad；δ為前輪偏轉(zhuǎn)角，rad；R為轉(zhuǎn)彎半徑，m；L為軸距，m。

根據(jù)圖6幾何關(guān)系可得

式中、為導(dǎo)航線上點(,)的、方向坐標(biāo)值，m；為導(dǎo)航線上點(,)與后軸中心的連線與前進(jìn)方向之間的夾角，rad；為轉(zhuǎn)運車轉(zhuǎn)彎半徑，m。用曲率代替轉(zhuǎn)彎半徑，可得

轉(zhuǎn)運車前輪偏轉(zhuǎn)角與行駛軌跡曲率的關(guān)系為

式中為轉(zhuǎn)運車前輪偏轉(zhuǎn)角，rad；為轉(zhuǎn)運車軸距，m。

由式（12）和式（13）可得

式（14）表達(dá)了轉(zhuǎn)運車到達(dá)導(dǎo)航線上點(,)所需的前輪偏轉(zhuǎn)角與(,)點坐標(biāo)的關(guān)系。根據(jù)式（14），即可選取轉(zhuǎn)運車前方一定距離的導(dǎo)航線上的點作為跟蹤點，確定轉(zhuǎn)運車前輪偏轉(zhuǎn)角度，從而進(jìn)行路徑跟蹤的自動轉(zhuǎn)向控制。通過攝像頭的標(biāo)定可得到跟蹤點與轉(zhuǎn)運車的距離與其像素坐標(biāo)的對應(yīng)關(guān)系。本文根據(jù)轉(zhuǎn)運車的行駛速度，選取攝像頭前方3.8 m內(nèi)的形心點進(jìn)行預(yù)瞄跟蹤控制。對于前后2幀圖像之間的窗口銜接偏差問題，重疊部分采用前輪偏轉(zhuǎn)角融合的方法解決：第一幀時，取攝像頭前方1.0 m距離內(nèi)形心點對應(yīng)的前輪偏轉(zhuǎn)角的均值作為目標(biāo)轉(zhuǎn)角；第二幀時，取第一幀圖像1.0~2.0 m距離內(nèi)形心點對應(yīng)的前輪偏轉(zhuǎn)角和第二幀圖像1.0 m距離內(nèi)形心點對應(yīng)的前輪偏轉(zhuǎn)角的均值作為第二幀的目標(biāo)偏轉(zhuǎn)角，依次循環(huán)。

5 試驗測試

為驗證路徑規(guī)劃的可行性和測試轉(zhuǎn)運車自主行駛系統(tǒng)的性能，進(jìn)行了全局路徑規(guī)劃的仿真試驗以及直線路徑、多曲率復(fù)雜路徑和地形起伏路徑下的實車自主行駛試驗。試驗時間為2018年1月，試驗地點為圖3所示研究區(qū)域，首先根據(jù)采集的道路網(wǎng)絡(luò)進(jìn)行全局路徑規(guī)劃仿真試驗，然后進(jìn)行轉(zhuǎn)運車自主行駛實地試驗。圖7為試驗場景。

圖7 實車試驗

1）路徑規(guī)劃仿真試驗

以路口11到路口34的路徑規(guī)劃為例，Dijkstra算法規(guī)劃出的路徑為11-12-13-14-15-21-29-30-31-32-34，實際道路總長度為548.09 m，累計高程變化81.34 m；改進(jìn)A*算法規(guī)劃出的路徑為11-7-8-9-10-17-18-35-34，實際道路總長度為556.12 m，累計高程變化57.04 m。2條路徑的海拔高度變化對比如圖8所示，可以看出，雖然改進(jìn)A*算法規(guī)劃出的路徑比Dijkstra算法規(guī)劃的路徑長7.03 m，但道路起伏變化相對較平坦，累計高程變化減少24.3 m，相對減少29.87%。同時，根據(jù)行駛動力學(xué)計算，改進(jìn)A*算法規(guī)劃路徑下轉(zhuǎn)運車的總能耗比Dijkstra算法規(guī)劃路徑下的總能耗低29.4%，由此可知，改進(jìn)的A*算法融合了丘陵山地道路起伏變化的特征，規(guī)劃的路徑更合理。

圖8 改進(jìn)A*算法與Dijkstra算法規(guī)劃路徑海拔高度對比

2）自主行駛測試

在圖3所示的改進(jìn)A*算法規(guī)劃出的11-7-8-9-10-17- 18-35-34路段上進(jìn)行自主行駛測試，路面寬度為1.2 m，總長度為556.12 m。轉(zhuǎn)運車滿載情況下，以2 m/s的速度恒速行駛，在此道路上行駛3次，第一次在人工操作下利用RTK-GNSS采集實際道路中線的坐標(biāo)信息；第二次在機(jī)器視覺導(dǎo)航下完全自主行駛，同時RTK-GNSS采集自主行駛軌跡的坐標(biāo)信息；第三次在自主行駛模式下測試轉(zhuǎn)運車遇行人能否自動停止。

第一次人工采集道路實際中線坐標(biāo)時，在路面上標(biāo)識出實際中線，手動駕駛轉(zhuǎn)運車沿中線行駛，并對RTK-GNSS采集后的坐標(biāo)數(shù)據(jù)進(jìn)行平滑化處理；通過抽樣檢查，采集的中線坐標(biāo)與實際中線坐標(biāo)的偏差在0.06 m之內(nèi)。

第二次的完全自主行駛中，選擇此路段上直線路段、多曲率復(fù)雜路段、地形起伏路段3種路況的自主行駛軌跡進(jìn)行分析，其中多曲率復(fù)雜路段的曲率變化以及地形起伏路段的高程變化如圖9所示。3種路況下轉(zhuǎn)運車自主行駛的軌跡與RTK-GNSS采集的田間道路實際中線的偏差如圖10所示。

圖9 試驗道路曲率及高度變化曲線

由圖10可知，直線路徑工況下，自主行駛軌跡與實際道路中線基本重合，最大偏差為0.133 m，平均偏差為0.031 m；多曲率復(fù)雜路徑工況下，兩者最大偏差為0.195 m，平均偏差為0.069 m；地形起伏路徑工況下，兩者最大偏差為0.212 m，平均偏差為0.092 m。以道路邊緣至道路中線的距離為基準(zhǔn)，直線路徑、多曲率復(fù)雜路徑、地形起伏路徑3種工況下轉(zhuǎn)運車沿道路中線自主行駛的平均相對誤差分別為5.16%、11.5%和15.3%。相比于直線路況，多曲率復(fù)雜路徑和起伏路徑因彎道、坡度等不利因素的影響，轉(zhuǎn)運車自主行駛的軌跡偏差及平均相對誤差有所增大。

圖10 不同道路情況下轉(zhuǎn)運車自主行駛軌跡與道路中線的偏差

第三次行駛試驗時，行人站立于道路上，當(dāng)轉(zhuǎn)運車行駛至距離行人1.5 m時報警并自動停止，而當(dāng)行人移開后，轉(zhuǎn)運車?yán)^續(xù)前移。

在實際測試中，3種道路工況下轉(zhuǎn)運車都能在田間道路上可靠行駛，即使自主行駛軌跡與實際道路中線偏差最大時，轉(zhuǎn)運車的車輪外緣與道路邊緣仍有0.123 m的安全距離，結(jié)合遇障礙物自動停止的避障方式，說明研制的導(dǎo)航系統(tǒng)滿足轉(zhuǎn)運車在田間道路上自主行駛的安全要求。

分析轉(zhuǎn)運車自主行駛軌跡與道路中線產(chǎn)生偏差的原因，主要有：①道路兩邊雜草的影響。路邊雜草經(jīng)圖像處理后被歸為非道路區(qū)域，使得圖像處理后得到的虛擬中線并不是道路的實際中線；②轉(zhuǎn)運車行駛過程中車身姿態(tài)的實時變化導(dǎo)致圖像識別的道路虛擬中線實時變化，使得路徑跟蹤點實時改變；③路面起伏不平使車身發(fā)生抖動，RTK-GNSS的測量值發(fā)生波動。

6 結(jié) 論

研制了丘陵山區(qū)田間道路上自主行駛的轉(zhuǎn)運車以及基于RTK-GNSS和機(jī)器視覺的自動導(dǎo)航系統(tǒng)。RTK-GNSS實現(xiàn)全局路徑規(guī)劃和實時定位，機(jī)器視覺系統(tǒng)實現(xiàn)田間道路的識別并提取導(dǎo)航跟蹤線。進(jìn)行了仿真分析和實車試驗，得到以下結(jié)論。

1）基于改進(jìn)A*算法的路徑規(guī)劃更合理。全局路徑規(guī)劃中將路口節(jié)點處的彎曲率及道路起伏信息引入代價函數(shù)，對A*算法進(jìn)行了改進(jìn)。試驗路網(wǎng)的路徑規(guī)劃仿真結(jié)果表明，改進(jìn)A*算法規(guī)劃路徑下轉(zhuǎn)運車的總能耗比Dijkstra算法規(guī)劃路徑下的總能耗低29.4%，改進(jìn)的A*算法能融合丘陵山地道路起伏變化的特征。

2）通過圖像處理提取導(dǎo)航跟蹤線的方法可行。機(jī)器視覺系統(tǒng)對田間道路可行駛區(qū)域、路面陰影區(qū)域進(jìn)行識別，提取道路區(qū)域形心點并進(jìn)行擬合后得到道路的虛擬中線。采用的圖像處理方法能有效地將田間道路從背景中區(qū)分出來，提取的道路虛擬中線代表了道路的實時走向，與實際道路中線的橫向偏差最大不超過5%。

3）轉(zhuǎn)運車自動導(dǎo)航系統(tǒng)能滿足轉(zhuǎn)運車在田間道路上自主行駛的安全要求。轉(zhuǎn)運車自主行駛測試表明，在直線路徑、多曲率復(fù)雜路徑以及地形起伏路徑3種工況下，自主行駛路徑軌跡與道路中線的平均偏差分別為0.031、0.069和0.092 m，最大偏差分別為0.133、0.195和0.212 m；轉(zhuǎn)運車沿道路中線自主行駛的平均相對誤差分別為5.16%、11.5%和15.3%，滿足田間道路上轉(zhuǎn)運車自主行駛的安全要求。

[1] 李耀輝．淺議丘陵山區(qū)農(nóng)機(jī)化發(fā)展面臨的問題和對策[J]．中國農(nóng)學(xué)通報，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，劉得雄，等. 基于機(jī)器視覺的丘陵山區(qū)田間道路虛擬中線提取方法[J]. 西南大學(xué)學(xué)報：自然科學(xué)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] 胡靜濤，高雷，白曉平，等. 農(nóng)業(yè)機(jī)械自動導(dǎo)航技術(shù)研究進(jìn)展[J]. 農(nóng)業(yè)工程學(xué)報，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] 張鐵民，李輝輝，陳大為，等. 多源傳感器信息融合的農(nóng)用小車路徑跟蹤導(dǎo)航系統(tǒng)[J]. 農(nóng)業(yè)機(jī)械學(xué)報，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] 刁智華，趙明珍，宋寅卯，等. 基于機(jī)器視覺的玉米精準(zhǔn)施藥系統(tǒng)作物行識別算法及系統(tǒng)實現(xiàn)[J]. 農(nóng)業(yè)工程學(xué)報，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] 劉兆朋，張智剛，羅錫文，等. 雷沃ZP9500 高地隙噴霧機(jī)的GNSS自動導(dǎo)航作業(yè)系統(tǒng)設(shè)計[J]. 農(nóng)業(yè)工程學(xué)報，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] 張美娜，呂曉蘭，陶建平，等. 農(nóng)用車輛自動導(dǎo)航控制系統(tǒng)設(shè)計與試驗[J]. 農(nóng)業(yè)機(jī)械學(xué)報，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] 劉軍，袁俊，蔡駿宇，等. 基于GPS/INS和線控轉(zhuǎn)向的農(nóng)業(yè)機(jī)械自動駕駛系統(tǒng)[J]. 農(nóng)業(yè)工程學(xué)報，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] 劉柯楠，吳普特，朱德蘭，等. 基于 GPS 的太陽能平移式噴灌機(jī)自動導(dǎo)航系統(tǒng)設(shè)計與試驗[J]. 農(nóng)業(yè)工程學(xué)報，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] 陳艷，張漫，馬文強(qiáng)，等. 基于GPS和機(jī)器視覺的組合導(dǎo)航定位方法[J]. 農(nóng)業(yè)工程學(xué)報，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] 彭順正，坎雜，李景彬. 矮化密植棗園收獲作業(yè)視覺導(dǎo)航路徑提取[J]. 農(nóng)業(yè)工程學(xué)報，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] 羅錫文，張智剛，趙作喜，等. 東方紅 X-804 拖拉機(jī)的DGPS自動導(dǎo)航控制系統(tǒng)[J]. 農(nóng)業(yè)工程學(xué)報， 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] 楊柳，羅婷婷，程新榮，等. 基于Raspberry Pi的拖拉機(jī)通用自動駕駛系統(tǒng)[J]. 農(nóng)業(yè)工程學(xué)報，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] 張碩，劉進(jìn)一，杜岳峰，等. 基于速度自適應(yīng)的拖拉機(jī)自動導(dǎo)航控制方法[J]. 農(nóng)業(yè)工程學(xué)報，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] 唐彩紅. 基于方向優(yōu)先和對向搜索的改進(jìn)Dijkstra算法[J].計算機(jī)與現(xiàn)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] 崔寶俠，王淼弛，段勇. 基于可搜索24鄰域的A*算法路徑規(guī)劃[J]. 沈陽工業(yè)大學(xué)學(xué)報，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，高云龍，趙巖．基于RGB比例空間的立體匹配算法[J]．吉林大學(xué)學(xué)報：信息科學(xué)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] 郭艾俠，熊俊濤，肖德琴，等．融合Harris與SIFT算法的荔枝采摘點計算與立體匹配[J]．農(nóng)業(yè)機(jī)械學(xué)報，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，胡靜濤，高雷，等. 基于模糊自適應(yīng)純追蹤模型的農(nóng)業(yè)機(jī)械路徑跟蹤方法[J]. 農(nóng)業(yè)機(jī)械學(xué)報，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

國家自然科學(xué)基金青年科學(xué)基金項目（61304189）

李云伍，副教授，博士，主要從事智能農(nóng)業(yè)機(jī)械與動力系統(tǒng)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，王銘楓，劉得雄，孫紅偉，王小娟. 丘陵山區(qū)田間道路自主行駛轉(zhuǎn)運車及其視覺導(dǎo)航系統(tǒng)研制[J]. 農(nóng)業(yè)工程學(xué)報，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