[发明专利]基于神经网络的农业机械路径跟踪控制方法

说明书

                         技术领域

本发明涉及导航控制技术，特别涉及一种基于神经网络的农业机械路径跟踪控制方法。

                         背景技术

精确导航是实现农业机械自主行走的关键技术之一，其导航控制算法直接影响农业机械进行路径自动跟踪的质量。国内外常用的导航控制方法有三种，即线性模型控制方法、最优控制方法和模糊控制方法。线性模型常用PID控制方法，PID控制参数一经调节完成，就固定下来，因而难以对农业机械的偏差变化以及运动特性的变化(如侧向滑移、纵向滑移等)做出在线调整，势必影响导航精度和稳定性。最优控制方法需要精确的农业机械运动学和动力学模型作为控制器设计依据，但农业机械在田间作业的运动学和动力学模型难以精确建立，因此，所谓的“最优控制”也只是理论上的。模糊控制方法虽然可以提高路径跟踪的稳定性，但稳态精度较差。田间作业时，随着农业机械、作业机具与地面相互作用的变化以及田间土壤特性的变化，农业机械运动特性必然是时变的，还有作业工况等引起的传感器测试干扰等，这些因素对导航控制系统的影响都较大。上述常规方法缺乏必要的自适应能力，不能根据农机运动状态变化、路径跟踪误差等反馈及时调节控制参数，因而难以精确控制农田作业机械自动导航和路径跟踪。

                         发明内容

本发明的目的在于克服现有技术中存在的缺点，提供一种基于神经网络的农业机械路径跟踪控制方法，采用神经网络学习熟练驾驶员的驾驶经验，建立神经网络导航控制器，充分利用神经网络的自适应能力和容错能力以提高农业机械对预定路线的跟踪精度。

本发明一种基于神经网络的农业机械路径跟踪控制方法，包括下述步骤：

(1)样本采集：将导航定位系统安装在农业机械上，由熟练驾驶员驾驶农业机械在田间按不同速度条件沿着预定路线行走，由导航定位系统采样、解算并记录当前时刻农业机械相对于预定路线的横向跟踪误差、纵向航向偏差、行进速度以及转向轮的操纵角，获得神经网络的训练样本；

(2)网络训练：采用BP神经网络构建的导航控制器由输入层、隐层和输出层组成，如图2所示；输入层神经元为横向跟踪误差、纵向航向偏差和行进速度；隐层神经元采用(ξ取0～9)的方式获得；输出层为控制输出量，即转向轮操纵角；在MATLAB中对所设计的BP神经网络导航控制器进行仿真训练，确定BP神经网络的权值和阈值，并进行神经网络精度T检验；

(3)网络应用：采用VC++调用MATLAB中的神经网络工具箱来实现导航控制器，将训练好的神经网络导航控制器应用于农业机械DGPS导航控制系统，实现农业机械对预定路线的跟踪。

步骤(1)中，所述的导航定位系统主要包括：导航传感器组合、便携计算机和数据传输线等。导航传感器组合包括伪距差分GPS、磁航向传感器等。导航定位系统结构如图3所示。伪距差分GPS可以采集农业机械在WGS-84坐标系下的定位坐标以及前进速度信息；磁航向传感器测量其航向角度信息。便携计算机与导航传感器组合通过多根数据传输线建立连接。便携计算机实现数据采集、数据预处理和信息融合定位软件系统的运行。将上述导航定位系统安装在农业机械上，然后用数据采集软件系统进行动态数据采集(采集频率为1Hz)，以获取神经网络训练样本。驾驶员通过驾驶操纵，快速修正位置偏差，将插秧机沿预定路线行驶的经验完全隐含在训练样本中，供神经网络学习。

步骤(1)中，当前时刻农业机械相对于预定路线的横向跟踪误差是指当前定位点到预定义路线的垂直距离。纵向航向偏差是指预定义路线的目标方向与当前农业机械航向角度之间的差值，其定义如图4所示。

步骤(2)中，在MATLAB中对所设计的BP神经网络导航控制器进行仿真训练，运用NNTool工具箱进行BP神经网络的训练分析，神经网络的参数设置如下：初始学习率为0.02，动量系数为0.98，网络的误差为0.01。采用带动量的批处理梯度下降法来训练BP神经网络。在模型精度的检验中，运用SPSS(Statistics Package for Social Science)统计分析软件，采用配对样本T检验的方法，对理论值和神经网络输出值进行比较。