编辑推荐：
为解决农业自动驾驶车辆在未知迭代变扰动下跟踪重复轨迹时稳态和动态性能不足的问题，研究人员开展基于内模原理（IMP）的改进自适应迭代学习控制（AILC）策略研究，结果表明该策略有效，为相关控制提供新思路。
在农业生产迈向现代化的进程中，自动驾驶技术为农业车辆带来了新变革。农业自动驾驶车辆凭借解放劳动力、提升生产效率的优势，逐渐成为农业领域的焦点。然而，其行驶轨迹有着独特的复杂性。与常见陆地车辆不同，农业车辆的行驶轨迹多为交替的平行直线和大曲率曲线，且重复性极高。在实际作业时，农田的复杂环境更是一大挑战，温度、天气、农田松软程度等因素都会产生未知干扰，比如车轮打滑，这给轨迹跟踪控制带来极大困难。同时，传统的控制策略虽能在一定程度上完成任务，但却忽视了行驶轨迹的重复性这一关键特征，难以满足现代农业对精准作业的严格要求。在这样的背景下，开展针对农业自动驾驶车辆轨迹跟踪控制的深入研究显得尤为迫切。
来自未知研究机构的研究人员聚焦于此，展开了基于内模原理（IMP）的改进自适应迭代学习控制（AILC）策略的研究。他们的研究成果意义重大，为农业自动驾驶车辆在复杂工况下实现精准作业提供了有力支持，相关成果发表在《Computers and Electronics in Agriculture》上。
研究人员在此次研究中，运用了多种关键技术方法。首先构建了含有未知迭代变扰动的农业自动驾驶车辆行驶过程迭代系统，为后续研究奠定基础。接着，设计了融合自适应高阶内模（AHOIM）、IMP 和输入约束辅助变量设计系统的 AILC 框架，并通过自适应迭代学习更新律对 AHOIM 中未知时变参数进行估计。最后，利用 MATLAB/Simulink 环境进行仿真验证，检验控制策略的有效性。
下面具体来看研究结果：
- 改进 IMP - 基于 AILC 策略设计：研究人员构建了包含 AHOIM、AILC 更新律、IMP、迭代学习控制器和辅助变量设计系统的轨迹跟踪控制系统。AHOIM 用于估计未知迭代变扰动，AILC 更新律则负责估计 AHOIM 的未知时变参数。这一设计融合了多种优势，如 IMP 能提升轨迹跟踪控制的精度，确保对齐条件的应用，AILC 则加快了跟踪控制过程的收敛速度。
- 仿真验证：在 MATLAB/Simulink 环境下进行仿真，结果验证了改进后的 IMP - 基于 AILC 策略在跟踪复杂作业轨迹时的有效性和优势。该策略能够有效应对未知迭代变扰动，在稳态和动态性能方面都表现出色，相比传统策略有显著提升。
综合来看，研究人员通过 AHOIM 估计未知迭代变扰动，利用 AILC 更新律估计 AHOIM 的未知时变参数，并将 IMP 引入 AILC 框架。这一系列操作不仅大幅提高了轨迹跟踪控制的精度，还确保了快速收敛性能，AHOIM 的构建进一步加快了轨迹跟踪过程的收敛速度。此次研究成果为农业自动驾驶车辆轨迹跟踪控制提供了新的理论依据和实践指导，有力推动了农业自动驾驶技术在复杂作业环境下的发展，对实现农业生产的高效、精准作业具有重要意义，有望为现代农业的智能化升级注入新动力。
