农用车辆路径跟踪预瞄控制研究—基于免疫模糊PID算法和视觉导航

吴东林,张玉华

(漯河食品职业学院 信息工程系,河南 漯河 462300)

0 引言

近年来,随着视觉导航技术的不断发展,计算机视觉和智能控制技术被应用到农用车辆的路径规划系统中,在农业车辆进行自主导航时,首先利用计算机视觉技术获取道路的路况信息,然后利用智能算法对路径进行规划,最后利用控制算法让农用车辆沿着规划路线行走。但是,目前的研究大部分集中在反馈式控制上,只把当前路况信息作为控制依据,无法利用未来的环境信息,因此在控制和规划上仍然缺乏一定的智能性和鲁棒性。由于农业作业环境的复杂性,在农用车辆作业过程中会发生很多突发状况,为了保证车辆行驶的安全性,需要对这些情况进行预瞄,以提高农业车辆的控制精度。为此,通过模仿人工驾驶的方法,将人工智能控制算法引入到农业车辆的路径规划和跟踪预瞄控制上,对于提高车辆行驶的安全性及控制的智能性具有重要的意义。

1 基于追踪及预瞄的农业车辆行驶控制

随着人工智能技术不断被引入农业车辆的控制系统中,无人驾驶车辆开始被投入到农业生产过程中,特别是在作业面积较大的区域,无人驾驶车辆可以有效地提高农业作业的生产效率。在无人驾驶农用车辆作业的过程中,一般将其路径提前规划好,然后让车辆沿着既定的路径自主行走作业,但如遇到突发情况,无法保证车辆的安全行驶和准确控制。例如,在遇到急转弯时,如果车辆能够及时识别前方突然路况,调整作业姿态,可以顺利地避免事故的发生,这就需要引入预瞄加反馈控制器,其总体设计框架如图1所示。

图1 预瞄加反馈控制器框架结构Fig.1 The framework structure of preview and feedback controller

车辆行走时,模仿人的驾驶行为,如前方坡路、急转弯、障碍物等情况,人在驾驶时会提前做出预判,调整车速以避免事故的发生。与人的驾驶行为类似,当无人驾驶农用车辆遇到突发状况时,也可以通过预瞄路径来获得,然后采用反馈调节的方式提前做好路径规划,使农用车辆顺利地应对突发状况。

2 基于免疫模糊PID算法和跟踪预瞄的视觉导航技术

农用车辆在自主行走时会遇到一些急转弯等突发状况,为了提前做好准备可采用预瞄的方式跟踪这些路况,然后采用模糊控制器提前做好农业车辆的控制准备。进行控制时,为了提高控制精度还要对车轮或者履带的速度进行检测,将信息反馈给控制器,控制器控制舵机的动作调整转弯姿态,以提高转弯的安全性。控制系统模型如图2所示。

图2 免疫模糊PID控制模型Fig.2 Immune fuzzy PID control model

与普通的转弯略有不同,在急转弯或和车辆使用履带的形式时,还需要利用舵机来辅助转向。在转向过程中,为了提高转向控制的精度,还可以通过免疫遗传算法对模糊控制过程进行训练。在进行PID反馈调节控制时,由于无人驾驶车辆采用的是计算机控制,还需要对控制过程进行离散化处理。假设采样周期为T,将连续时间离散为一系列的时间点KT,积分可以等效为累加求和,微分可以等效为向后差分,其过程为

t=KT

(1)

(2)

(3)

其中,e(k)为采样系统的k时刻偏差;e(k-1)为采样系统的k-1时刻偏差,k为采样序列号,其值为k=0,1,2…。于是,可以得到离散化的PID表达式为

(4)

(5)

利用递推算法,考虑第k-1次采样时有

(6)

将式(5)和式(6)相减可得

(7)

整理后得

u(k)=u(k-1)+a0e(k)-a1e(k-1)+
a2e(k-2)

(8)

图3 播种机反馈调节控制流程Fig.3 The feedback regulation control flow of seeder

利用反馈调节机制,可以在保证转向安全的情况下,实现速度和转向的控制,在实际控制过程中,除了要保证转向的安全性,还需要提高控制的精度,本次引入了免疫遗传算法。以农用车辆速度的控制为例,假设t表示交叉次数,a表示初始车辆速度,依据免疫遗传算法首先产生一个遗传序列,则有

(9)

eval(ψm)=β(1-β)i-1
i=1,2,…,z, 0<β<1

(10)

其中,β是随机实数,且β∈[0,1]。利用免疫遗传算法对比例系数进行自适应概率选择,其过程为

(11)

(12)

其中,y是随机实数,且y∈[0,1]。对比例系数进行变异操作,则有

(13)

其中,N为变异种群的数目,s为变异系数,其具体流程如图4所示。

图4 农机制造装配工序遗传算法Fig.4 Genetic algorithms for assembly procedures of agricultural machinery manufacturing

为了提高PID模糊控制的精度,将免疫遗传算法引入控制系统,通过交叉和变异,使农用车辆的速度控制得到优化,降低控制误差,提高控制精度,实现智能化控制过程。

3 农用车辆跟踪预瞄控制系统仿真测试

随着我国农业现代化技术的不断发展,无人驾驶农机被应用到农业生产过程中。图5是农机展上中联重科生产的无人驾驶作业农机,可以实现自主导航和自动化作业。

无人驾驶拖拉机作业时,拖拉机可以自主行走,自动化完成作业。由于免疫模糊PID控制算法的复杂性,为了简化实验,以仿真模拟的方法对控制算法的控制精度和效率等进行验证,模拟图5的作业环境。本次选用的车速为18m/s,农用车轮角速度为50.68rad/s,通过仿真计算得到了如图6所示的仿真结果。

图6 预瞄规划路径和车辆行驶轨迹曲线Fig.6 The preview planning path and vehicle trajectory curve

由仿真结果可以看出：最大误差处小于0.1m,这说明采用免疫模糊PID算法具有较高的精度。

为了进一步研究跟踪预瞄系统的控制误差,对横向控制误差随时间的变化进行了统计,得到了如图7所示的变化曲线。由仿真结果可以看出：横向控制误差只有出现急转弯等突发状况时才会出现较大的波动,总体误差不超过0.15m,具有较高的控制精度。

图7 预瞄误差变化曲线Fig.7 The preview error curve

为了进一步验证算法的可靠性,将免疫模糊PID算法和其他算法进行了对比,结果如表1所示。由对比结果可以看出：采用免疫模糊PID算法的运算效率要明显比其他算法高,进一步验证了算法的可靠性。

表1 不同算法控制响应时间对比Table 1 The contrast of control response time of different algorithms ms

4 结论

为了提高无人驾驶农用车辆突发状况时的安全性和控制效率,将跟踪预瞄加反馈控制器使用到了车辆的控制系统上,并采用免疫模糊PID控制算法对系统进行优化,以提高PID算法的控制精度。为了验证方法的可行性,模拟无人驾驶农用车辆的作业环境,对控制算法的精度和效率进行了验证。测试结果表明：采用免疫模糊PID控制算法具有较高的控制精度,算法运算效率也很高,可以满足无人驾驶农用车辆控制系统的设计需求。