基于主动扭矩分配的无人分布式驱动电力厂保护车辆的节能与稳定性提升控制

《Artificial Intelligence in Agriculture》：Energy-saving and stability-enhancing control for unmanned distributed drive electric plant protection vehicle based on active torque distribution

提出一种基于主动扭矩分配的分层控制策略，结合非线性模型预测控制（NMPC）和自适应加权多目标强化学习（AW-MO-TD3）算法，有效提升分布式驱动电动植物保护车辆（DDEPPV）在复杂农田环境中的路径跟踪精度、稳定性及能源效率。实验表明，该方法在干耕地和泥泞稻田场景下分别使稳定性提升29.1%和41.4%，能耗降低19.8%和21.1%，同时抑制轮胎滑移并优化负载分布。

　　分布式驱动电动植保车（DDEPPV）是一种在农业环境中表现出卓越路径跟踪能力和动态性能的新型农机。然而，在实际田间作业中，由于扭矩分配不当，常常出现严重的轮胎打滑、驾驶稳定性差、翻车风险高以及能量消耗大的问题。为此，本研究提出了一种基于主动扭矩分配的节能与稳定性增强控制方法，旨在提升作业安全性和系统效率。该方法采用分层控制架构，上层控制器使用非线性模型预测控制（NMPC）实现转向与横摆力矩的协调控制，以提高横向稳定性并确保操作安全；下层控制器则基于自适应权重多目标双延迟深度确定性策略梯度（AW-MO-TD3）算法，实现轮胎滑移率和能量消耗的联合优化。通过在两种典型田间条件下的实车测试，结果表明与传统方法相比，所提出的策略显著提高了关键性能指标，包括跟踪精度、车辆稳定性和能效。具体而言，在干翻地和泥泞稻田条件下，稳定性分别提高了29.1%和41.4%，而能量消耗分别降低了19.8%和21.1%。这项研究为分布式驱动电动农业车辆的智能控制提供了技术支持。

随着全球农业向现代化和智能化方向发展，电动农业设备在现代农业中扮演着重要角色。电动植保车不仅在能效和环境可持续性方面具有优势，还能够实现高精度控制，符合农业自动化和可持续发展的目标。植保车能够通过精确喷洒、有效防治病虫害和高效施用营养物质，显著提高作业效率，减少农药使用，并促进作物生长。与传统的燃油驱动和集中驱动的电动农业机械相比，分布式驱动系统在每个车轮上使用独立的轮毂电机，实现对所有四个车轮的驱动扭矩独立控制。四轮独立驱动不仅赋予农业机械优越的机动性和适应性，还为复杂农田环境下的路径跟踪、姿态稳定控制和能量优化提供了硬件基础。

路径跟踪是自动驾驶技术中的关键技术，也是电动农业机械研究的重要领域。路径跟踪和稳定性不仅能够防止植保车在喷洒作业过程中跑偏经济作物，还能确保高底盘车辆的驾驶安全。为了应对农业机械在复杂田间环境下的路径跟踪挑战，以及在轮毂打滑条件下的自主路径跟踪问题，Matveev 提出了一种滑模引导法，该方法结合了转向角约束，通过理论分析表明该方法在曲线轨迹上实现了全局收敛和鲁棒稳定性。He 提出了一种基于模型预测控制（MPC）的路径跟踪方法，结合姿态校正，有效抑制了由于执行器位置和姿态变化引起的突然横向偏差，从而提高控制精度，进一步提升土地利用效率和作业质量。Lipiński 研究了路径跟踪技术对土壤耕作设备作业精度的影响，强调高精度路径跟踪可以减少土壤压实和扰动，保持土壤结构稳定。Kayacan 提出了一种基于路径跟踪误差的鲁棒控制方法，结合线性模型预测控制、前馈和鲁棒控制，实现直行和曲线轨迹下的高精度跟踪。Hu 提出了一种用于分布式驱动履带式农业机械的无人纯追踪路径跟踪系统，显著提高了在不同环境条件下的跟踪精度。

目前，关于路径跟踪与驱动系统之间耦合和协调控制的研究仍较为有限。Xu 提出了一种基于多智能体协同的无人驾驶电动拖拉机控制方法，关注能量效率和路径跟踪性能。Nguyen 开发了一种集成了视觉自主喷洒系统与车辆控制系统的无人植保车，从而提高了喷洒精度和作业效率。Luo 提出了一种节能驱动控制方法，实现了滑移率和驱动电机扭矩的实时优化。对于自主车辆，Song 实现了纵向和横向方向的耦合和协调控制。为了克服现有方法在复杂地面条件下未能充分考虑稳定性和能效之间的权衡，本研究提出了基于主动扭矩分配的节能和稳定性增强控制方法。

本研究的分层控制系统如图1所示，由上层路径跟踪和稳定性控制器以及下层扭矩分配和能效优化控制器组成，通过状态估计器实现闭环控制。上层控制器（驾驶稳定性和路径跟踪控制）采用非线性模型预测控制器（NMPC）策略，结合主动前轮转向（AFS）和横摆稳定性控制（YSC），在路径误差坐标系下联合优化转向角和横摆力矩，提高横向稳定性和减少控制冲突。下层控制器（扭矩分配和能效优化）基于自适应权重多目标强化学习，其中四轮驱动扭矩为控制变量，优化轮胎滑移率、负载分布平衡和能效。

在干翻地条件下，轮胎滑移率通常线性近似为：F_xi = C_xi * sr_i。通过方程（11）对滑移率进行正则化处理，得到滑移率的表达式：sr_i = (r_w * w_i - v_xi) / (max(r_w * w_i, v_xi) + ε)。其中，ε ? 1 用于正则化。考虑到轮胎速度和纵向速度的测量误差，我们构建了一个自适应滑模观测器，基于车辆逆动力学获得的纵向力测量值来估计 C_xi。通过自适应滑模观测器，能够实现对每个轮胎的独立估计，捕捉负载转移效应。

本研究提出了基于 AW-MO-TD3 算法的节能主动扭矩分配控制方法。在下层控制中，AW-MO-TD3 算法用于优化轮胎滑移稳定性、负载分布平衡和能效三个相互冲突的目标。该方法采用自适应权重多目标网络，结合强化学习框架，通过实时调整权重，实现对不同操作条件下的稳定性和能效的优化。通过在不同操作条件下的测试，结果表明所提出的控制方法在提高路径跟踪精度和驾驶稳定性方面具有显著优势，同时有效降低了能量消耗。

本研究的分层控制策略在干翻地和泥泞稻田两种典型田间条件下进行了测试，结果表明与传统方法相比，所提出的控制方法在路径跟踪精度、车辆稳定性和能效方面均有显著提升。在干翻地条件下，稳定性提高了29.1%，能量消耗降低了19.8%；在泥泞稻田条件下，稳定性提高了41.4%，能量消耗降低了21.1%。这些结果验证了所提出的控制方法在复杂田间环境下的优越性和控制能力。

本研究提出了一种基于强化学习的新型控制框架，通过自适应权重多目标控制策略，实现对路径跟踪和稳定性控制的协同优化。该方法不仅能够提高路径跟踪精度和稳定性，还能够有效降低能量消耗，为农业机械在复杂农田环境中的高效、精准和安全作业提供了技术支持。未来的研究将关注算法的周期校准和其鲁棒性的增强，同时该控制框架可应用于其他类型的智能农业机械，如拖拉机和联合收割机，但需要根据不同机械的质量分布和动力传输方式，适当调整车辆模型、控制约束和奖励函数。