基于管状模型预测控制（tube MPC）和双通道ESA补偿技术，在复杂农田环境干扰下实现自主拖拉机的稳健轨迹跟踪控制

《Computers and Electronics in Agriculture》：Robust trajectory tracking control of autonomous tractors under complex farmland disturbances based on tube MPC and dual-channel ESO compensation

　　•开发了一种针对拖拉机的管型模型预测控制框架。
•使用双扩展状态观测器来估计纵向和横向干扰。
•补偿了土壤阻力和转向不确定性。
•在复合干扰下实现了精确的轨迹跟踪。
•该方法在复杂的农田条件下提高了系统的鲁棒性。

**引言**
农业对大多数国家的经济起着至关重要的作用。随着农业生产向规模化、精确化和智能化方向发展（Kwaghtyo和Eke, 2023），自动驾驶拖拉机已成为智能农业机械领域的一个重要研究方向（Liu等人, 2022; Tao等人, 2021; Tang等人, 2021; Ghazal等人, 2024）。轨迹跟踪控制是自动驾驶拖拉机操作系统中的关键技术，其性能直接影响田间作业质量、作业效率和运行稳定性（Ren等人, 2024）。

与通常在刚性路面上以相对较高且稳定的速度行驶、轮胎-路面相互作用较为可预测的自动驾驶车辆不同，自动驾驶拖拉机通常在可变形且空间分布不均匀的农田表面上以低至中等速度行驶。它们的动态响应受到轮胎-土壤相互作用、车轮打滑、牵引阻力变化、转向响应下降以及农业机械负载变化等因素的强烈影响。这些因素会同时改变有效的纵向驱动力和横向转向响应，导致名义车辆模型与实际拖拉机动力学之间存在更大且随时间变化的偏差。因此，专为道路车辆开发的轨迹跟踪策略不能直接应用于自动驾驶拖拉机，必须考虑农田特有的干扰机制。特别是在土壤阻力和转向效果在田间作业过程中发生变化时，基于模型的控制器可能会失去预测准确性；而仅关注横向路径跟踪的控制策略可能无法充分解决由牵引干扰引起的纵向速度滞后问题。这些特性使得在结合了纵向和横向农田干扰的情况下实现鲁棒轨迹跟踪成为自动驾驶拖拉机的一个独特控制问题（Li等人, 2023）。

现有的自动驾驶农业车辆轨迹跟踪方法包括几何控制、PID控制、滑模控制、线性二次调节和模型预测控制（MPC）（Albhaisi等人, 2026）。与道路车辆相比，农业车辆更容易受到轮胎-土壤相互作用、车轮打滑、牵引力变化、地形不规则性和转向响应不确定性的影响，这使得在变化的环境中保持精确跟踪变得更加困难。因此，最近的研究越来越注重提高农业车辆控制器的适应性和抗干扰能力。Sunusi等人（2020）研究了智能拖拉机的土壤-车轮相互作用和牵引控制，并强调了车轮打滑和牵引条件变化的重要性。S. Zhang等人（2025）将多参数优化反馈与非线性PID转向控制结合用于稻田中的无人履带式收割机，而Song等人（2025）在纯跟踪控制中引入了自适应前置调整以提高履带式拖拉机的跟踪精度和稳定性。Chen等人（2025）进一步加入转向角预测和反馈补偿以提升田间车辆跟踪性能。

对于基于模型和鲁棒控制的研究，Ji等人（2024）将干扰观测器与改进的超扭曲滑模控制器相结合，以补偿无人农业车辆中的外部干扰和参数不确定性。Xu等人（2026）采用NMPC和主动扭矩分配来协调电动植保车辆的稳定性、车轮打滑和能耗。Ren等人（2026）引入了模糊自适应ESO来补偿果园无人车辆中的复合干扰，Sun等人（2023）在固定时间鲁棒路径跟踪框架内考虑了模型非线性、未知干扰和车轮打滑问题。这些研究表明，农业轨迹跟踪技术已逐渐从名义路径跟随控制转向了具有干扰感知能力的鲁棒控制。然而，大多数现有方法仍然主要强调横向路径跟踪、转向控制或混合干扰抑制，而很少在统一的跟踪框架内同时考虑纵向牵引干扰和横向转向干扰的不同影响。

最近的研究还将MPC扩展为更具适应性和干扰感知能力的农业车辆控制方法。Hu等人开发了一种适应性MPC路径跟踪控制器，该控制器根据车辆速度和参考路径曲率在线调整预测和控制范围，从而提高了对变化田间操作条件的适应性（Ye等人, 2025; Wang等人, 2024）。针对在斜坡上行驶的自动驾驶农业车辆，还提出了一种数据驱动的管型MPC框架，将实时干扰预测纳入鲁棒约束处理机制（Wang和Yuan, 2025）。最近，基于干扰观测器的NMPC被应用于农业机械轨迹跟踪，以提高对模型不确定性和时变外部干扰的鲁棒性（Lv等人, 2026）。这些研究表明，在农业车辆应用中倾向于将预测控制与在线适应或干扰估计结合起来。

自动驾驶车辆、移动机器人、水下车辆和建筑机械的相关进展为鲁棒轨迹跟踪和干扰估计提供了有用的方法论基础。数据驱动的车辆建模已用于提高非线性操作条件下的预测精度（Spielberg等人, 2019），而基于观测器的非线性预测控制方法已被开发出来以补偿模型不确定性、转向滞后和未知干扰（Peng和Wang, 2018; Zhang等人, 2019; Li等人, 2024）。类似的干扰抑制概念也应用于在不确定或非线性条件下运行的建筑机械和移动机器人系统（Peng等人, 2023; Majd等人, 2020; Dong等人, 2026; Chen等人, 2017; Hu等人, 2025; Lv等人, 2024）。

MPC特别适用于自动驾驶车辆轨迹跟踪，因为它可以明确考虑系统动态、未来跟踪行为和执行器约束。近年来，MPC在农业应用中的适应性MPC和管型MPC进一步展示了预测控制在处理变化田间条件和有限干扰方面的潜力。然而，MPC的性能仍然很大程度上依赖于预测模型的准确性；当农业拖拉机在变化的土壤阻力、车轮打滑和转向效果下运行时，可能会出现较大的模型不匹配（Stano等人, 2023）。鲁棒MPC方法（包括管型MPC）通过反馈校正和约束收紧来限制实际系统响应，从而处理有限的模型不确定性。相比之下，基于ESO的方法将外部干扰、模型不确定性和未建模的动态视为一个等效的总干扰，可以从可测量的系统状态中在线估计（Sun和Liu, 2020）。这两种机制分别解决了干扰抑制问题的不同方面。管型MPC适用于处理有限的模型不匹配和保持受限的跟踪行为，而ESO提供了对预测模型中难以准确表示的等效干扰的在线估计和主动补偿。尽管如此，现有的农业车辆研究很少同时探讨这两种方法的协调使用，并明确区分纵向牵引干扰和横向转向干扰的不同物理效应。特别是，土壤阻力主要降低有效驱动力和纵向速度响应，而转向效率下降和转向偏差直接影响横向和偏航响应。这促使开发了一种以拖拉机为导向的控制框架，该框架结合了鲁棒受限轨迹跟踪与特定通道的干扰估计和补偿。

为了解决这些限制，本研究开发了一种以拖拉机为导向的鲁棒轨迹跟踪框架，该框架集成了管型MPC和双通道ESO补偿。主要的方法学贡献如下：
(1) 开发了一种以拖拉机为导向的纵向-横向干扰分解和特定通道补偿架构。根据其主要影响，将土壤阻力引起的纵向干扰和与转向相关的横向/偏航干扰区分开来，并分别通过加速度和前轮转向指令进行补偿。其贡献在于干扰分解和协调补偿架构，而不是修改基本的ESO拓扑结构。
(2) 建立了一种互补的管型MPC-ESO控制架构，其中管型MPC通过名义-实际状态分解、误差反馈和约束收紧来处理有限的模型不匹配和控制约束，而ESO估计并补偿预测模型中难以明确表示的等效干扰。
(3) 构建了一个纵向-横向复合干扰框架，用于表示变化的驱动力衰减和转向响应下降，为鲁棒性评估提供可重复的干扰条件。所提出的方法在无干扰和复合干扰条件下使用MATLAB/Simulink–CarSim联合仿真进行了评估。

**章节片段**
**自动驾驶拖拉机轨迹跟踪模型**
为了描述自动驾驶拖拉机在农田作业过程中的轨迹跟踪关系，并为后续设计的管型MPC控制器和基于ESO的干扰观测与补偿方法提供预测模型，建立了一个简化的轨迹跟踪模型。该模型旨在作为控制导向的预测模型，而不是对拖拉机-土壤动力学的完整表示。考虑到低至中等速度的作业环境……

**管型MPC和双通道ESO的集成控制**
为了验证所提出的管型MPC和双通道ESO补偿控制方法在复杂农田干扰下的有效性，基于MATLAB/Simulink和CarSim建立了一个自动驾驶拖拉机轨迹跟踪的联合仿真平台。在该平台中，Simulink主要用于构建参考轨迹生成模块、跟踪误差计算模块、纵向速度控制模块、MPC/管型MPC横向控制模块和纵向土壤阻力模块……

**无干扰条件下MPC、自适应MPC和管型MPC的基本跟踪性能比较**
在无干扰条件下，禁用了纵向土壤阻力干扰模块和横向转向干扰模块。该场景用于评估在相同参考轨迹和车辆模型下，传统MPC、自适应MPC和管型MPC的基本轨迹跟踪性能。对于自适应MPC基线，预测范围根据当前操作条件在线调整……

**结论**
本研究提出了一种适用于在时变纵向和横向干扰下运行的自动驾驶拖拉机的管型MPC–ESO轨迹跟踪框架。建立了MATLAB/Simulink–CarSim联合仿真平台，并在无干扰和随机复合干扰条件下评估了传统MPC、自适应MPC、管型MPC和管型MPC–ESO。

**作者贡献声明**
Yiwei Wu：撰写——审阅与编辑、初稿撰写。Kunjing Bao：撰写——审阅与编辑、初稿撰写。Jingyun Zhang：验证、监督。Hang Wang：验证、软件开发。Liyou Xu：资源支持、调查。Yonghong Liu：验证、调查。Xianghai Yan：验证、软件开发。

**关于生成式AI和AI辅助技术的声明**
在准备手稿过程中，作者使用了ChatGPT（GPT-5.6, OpenAI）协助进行英语编辑和选定段落的组织。所有由AI辅助的内容都经过作者的严格审查、验证和修订，作者对最终手稿负全责。

**关于利益冲突的声明**
作者声明他们没有已知的财务利益或个人关系可能会影响本文报告的工作。

**致谢**
作者衷心感谢中原科技创新青年人才计划（项目编号ZYQNBJRC2025-02）、河南省高校科技创新人才支持计划（项目编号25HASTIT037）、河南省高校重点研究项目（项目编号25B460004）以及河南省高等院校青年骨干教师培训计划（项目编号……）提供的财政支持。