编辑推荐：
为解决智能农业中果园环境下拖拉机挂车系统自主导航难题，研究人员开展基于拖车参考的自主导航框架研究，融合双目视觉 3D 障碍物检测与拖车参考 Frenet 最优轨迹（FOT）算法。结果表明该框架可精准避障与路径跟踪，为精准农业提供经济可靠方案。
在智慧农业的发展浪潮中，农业机械的自主导航技术成为提升生产效率与精准度的关键突破口。然而，果园等复杂农业环境中，拖拉机挂车系统面临着诸多挑战：动态障碍物的精准检测难度大，尤其是小尺寸障碍物在远距离时易被漏检；挂车的非完整约束特性（如拖挂转向时的蛇形摆动、折叠风险）导致传统路径规划算法难以兼顾灵活性与稳定性；现有导航框架多依赖昂贵传感器（如激光雷达）或复杂模型，在成本控制与实际部署中受限。如何让拖拉机挂车在狭窄果树林间既不碰撞果树、又能高效完成作业路径跟踪，成为农业 robotics 领域亟待攻克的难题。
为突破上述瓶颈，研究人员开展了拖拉机挂车系统自主导航框架的研究。该研究结合双目视觉感知与拖车参考的路径规划策略，旨在实现低成本、高鲁棒性的果园自主导航。研究成果发表在《Computers and Electronics in Agriculture》。
研究采用的核心技术方法包括：
- 双目视觉 3D 障碍物检测框架：通过 YOLOv11 实例分割网络提取 RGB 图像语义信息，结合双目匹配点云生成 3D 点云数据，利用带有距离增强模块的 PointNet++ 网络实现障碍物 3D 边界框估计，解决小物体及远距离障碍物检测精度问题。
- 拖车参考 Frenet 最优轨迹（FOT）算法：在 Frenet 坐标系中同时优化拖拉机与挂车轨迹，通过五次多项式横向轮廓与四次多项式纵向轮廓生成候选路径，基于碰撞检测与成本函数（包含横向 / 纵向 jerk、末端状态误差）筛选最优路径，提升挂车轨迹跟踪精度。
- 斯坦利（Stanley）控制器：作为模型 - free 控制算法，结合转向阻尼项与扩展卡尔曼滤波（EKF）融合的定位数据，实现路径跟踪的鲁棒控制。
3D 障碍物检测性能验证
研究构建了包含 485 幅 RGB 图像与 310 组点云数据的自定义数据集，涵盖果园、越野等场景。实验表明，所提出的两阶段检测框架在小物体（如路锥）检测上显著优于 PointPillar、F-PointNet 等模型：在 IOU=0.5 时，路锥检测平均精度（AP）达 65.6%，较 VoteNet 提升 33.9%。距离增强模块的引入使远距离（>9 米）障碍物检测稳定性提升，路锥在远距场景的 IOU 误差降低 28%。
路径规划与跟踪效果
在模拟果园环境中，对比拖车参考与拖拉机参考 FOT 算法发现，前者能提前 2 米启动避障，且在完成避障后回归参考路径的横向误差减少 42%。与动态窗口法（DWA）、时间弹性带（TEB）等传统算法相比，拖车参考 FOT 生成的轨迹在狭窄弯道的空间利用率提升 35%，轨迹平滑度（jerk 值）降低 22%。实地测试中，搭载该框架的 John Deere X390 拖拉机挂车系统在含 U 型弯与障碍物的路径中，挂车轨迹与参考路径的平均欧氏距离误差仅 0.3 米，航向角误差稳定在 ±5° 以内。
研究结论与意义
该研究构建的拖拉机挂车自主导航框架，通过双目视觉与拖车参考 FOT 的创新结合，突破了传统方法在小目标检测与非完整系统控制中的局限。其核心价值体现在：
- 成本优势：仅依赖双目相机（替代激光雷达）实现 3D 感知，硬件成本降低 70% 以上，适合大规模农业部署。
- 性能提升：距离增强模块使远距小物体检测精度提升 30%，拖车参考轨迹优化策略让挂车跟踪误差减少 40%，显著增强果园复杂环境适应性。
- 系统兼容性：基于模型 - free 控制的架构设计，可灵活适配不同类型农业挂车，为植保、采摘等多场景作业提供通用解决方案。
研究为精准农业中拖挂式机械的自主化提供了新范式，其低成本、高鲁棒性的特点有望加速智能农机在全球果园产业中的普及，推动农业生产向少人化、精准化转型。未来研究将拓展至动态障碍物避让与多车协同导航，进一步提升系统在开放道路等复杂场景的适应性。
