丘陵小麦田履带式农用车辆路径跟踪控制的滑移感知模型预测控制（Slip-Aware Model Predictive Path Tracking Control for Tracked Agricultural Vehicles in Hilly Wheat Fields）

《Smart Agricultural Technology》：Slip-Aware Model Predictive Path Tracking Control for Tracked Agricultural Vehicles in Hilly Wheat Fields

　　

摘要：在丘陵小麦田小块破碎地块中自主作业的履带式农用车辆在旋耕作业期间，因地形不平整、地头频繁转向及高牵引负载而极易发生履带滑移（track slip）。此类滑移会显著降低路径跟踪精度，导致漏耕、过度重叠及耕作质量下降。为解决上述问题，本研究提出一种基于模型预测控制（Model Predictive Control, MPC）的滑移感知（slip-aware）路径跟踪控制方法，集成了滑模观测器（Sliding Mode Observer, SMO）、自适应建模及动态预测时域（prediction horizon）调整。具体而言，在MPC框架中引入复合约束与速度变化惩罚项以增强高滑移条件下的控制平滑性与稳定性；设计滑模观测器实时估计左右履带滑移率（slip ratio），并将其嵌入非线性运动学模型以构建滑移感知控制系统。仿真结果表明，所提滑移估计方法较固定滑移补偿模型使平均横向跟踪误差降低56.94%，显著改善耕作轨迹一致性。此外，研究人员开发模糊逻辑控制器根据路径曲率与车速动态调节MPC预测时域，在跟踪精度与计算效率间取得平衡。田间试验证实，与固定预测时域相比，所提方法使路径跟踪误差与计算负荷分别降低15.22%与30.29%，同时将有效作业覆盖率提升至96.8%，证明其适用于丘陵小麦田环境下的自主旋耕作业。

论文解读：丘陵小麦田履带式农用车辆滑移感知MPC路径跟踪控制研究

《Smart Agricultural Technology》刊载的此项研究，针对丘陵地区小麦田地块狭小破碎、旋耕作业中履带式农用车辆易发生左右履带非对称滑移（asymmetric track slip），从而导致路径跟踪横向偏差增大、漏耕与重叠、耕作质量下降的问题，指出传统几何路径跟踪法（如Pure Pursuit、Stanley）未充分考虑地形诱发滑移及履带系统非线性非对称动力学，模型预测控制（Model Predictive Control, MPC）虽能处理多变量耦合但精度高度依赖车辆状态模型保真度，且在非结构化农田中严重滑移条件下跟踪性能仍不理想，现有滑移参数估计方法（如贝叶斯扩展卡尔曼滤波EKF）计算复杂难以在资源受限农机平台部署。因此研究人员开展集成实时双侧履带滑移率（slip ratio, i_L, i_R）估计、滑移补偿运动学建模与自适应预测时域调整的MPC路径跟踪框架研究，通过仿真与田间试验验证其可显著提高耕作轨迹一致性（tilage trajectory consistency）与有效作业覆盖率，并在保证精度的前提下降低计算负荷，具有重要意义。

研究人员采用的主要关键技术方法包括：（1）基于理想无滑移运动学模型预测状态与实测位姿误差构造滑模面，通过最小二乘求解带边界约束的左右履带滑移率，并以饱和函数（saturation function）削弱抖振，用Lyapunov稳定性证明观测器收敛；（2）将实时估计滑移率代入考虑有效推进速度v^eff与有效角速度ω^eff的非线性离散运动学模型作为MPC预测模型，代价函数中加入速度增量（velocity variation/Δu）惩罚项与复合物理约束（速度上下限、加速度上限、恒速平衡、摩擦极限切向加速度）；（3）设计双输入（车速v_c、前方局部路径平均曲率κ）单输出（预测步长N）模糊控制器，按"高速或高曲率→增大N，低速或平滑路径→减小N"规则经重心法解模糊动态调节MPC预测时域。试验平台为西华大学自制差速驱动履带式农业机器人（track gauge 0.65 m，配备RTK-GNSS/IMU组合导航与后挂旋耕机），控制算法在MATLAB/Python实现，对比固定滑移模型、仅SMO-MPC及SMO+模糊自适应三种策略。

研究结果

2.1. Kinematic Model Correction Based on Slip Ratio Feedback——研究人员建立含左右履带滑移率的运动学模型，实际推进速度为v_L^eff=(1-i_L)v_L、v_R^eff=(1-i_R)v_R，代入中心速度v与角速度ω^eff表达式修正理想模型，为后续SMO在线更新提供预测基础。

2.2.1. Estimation of Track Slip Ratios Using Sliding Mode Observer——通过实际位姿(x,y,θ)与理想模型预测位姿(?x,?y,?θ)构造误差e_x,e_y,e_θ及一阶滑模面s_x,s_y,s_θ，推导含i_L,i_R线性方程组Ax=b并用(A^TA)^-1A^Tb求最小二乘解并施加0≤i_L,i_R<1边界约束，以饱和函数sat(·)替代符号函数抑制抖振，Lyapunov函数V=?s^Ts导数负定证系统渐近稳定，实现无需预先标定滑移参数的实时双侧滑移率估计。

2.2.2. Path Tracker Based on Model Predictive Control——将滑移修正后的连续模型Euler离散化，定义状态向量x_k=[x_k,y_k,θ_k]^T、控制量u_k=[v_L,k,v_R,k]^T，构建含状态跟踪误差加权矩阵Q、控制量加权矩阵R及速度增量惩罚项Δu^TR_ΔvΔu的代价函数J，施加履带速度上下限、最大加速度a_maxΔt、中心速度波动容限δ_v及摩擦极限√(¨x2+¨y2)≤μg等约束，滚动求解优化问题取首步控制量执行，并由SMO实时滑移率更新预测模型。

2.2.3. Adaptive Prediction Compensation Regulation Based on Fuzzy Control——按当前车速vc与前方N点平均曲率κ=1/(N-2)Σ|Δψ/‖P_i+1-P_i‖|划分模糊集，设计If-Then规则（如S车速+L曲率→S预测时域；L车速+H曲率→XL预测时域），重心法解模糊取整输出N反馈至MPC，直行段降计算量弯道增预测长度以兼顾精度与实时性。

3.2. Simulation-Based Analysis of Tillage Trajectory Consistency and Tracking Performance——仿真在变分段滑移率（0.2/0.3/0.4）复杂曲线路径下进行：不考虑滑移平均横向误差0.136 m，固定滑移0.072 m，SMO滑移估计0.031 m（较固定滑移降56.94%），SMO+模糊调整0.035 m且平均计算负荷由72.34%降至50.48%（降约30.29%），验证了速度变化惩罚项可平滑左右履带速度输出，SMO显著提升耕作轨迹一致性，模糊自适应有效缓解计算负担。

3.3. Field Experimental Validation of Tillage Trajectory Consistency——成都丘陵麦田回形路径（总长约110 m，含直行与不同曲率转弯段，旋耕机持续入土加载）田间试验表明：固定滑移策略平均横向误差0.058 m，有效作业覆盖率92.8%；仅SMO策略平均横向误差降至0.046 m（降46.51%），覆盖率96.2%，但计算负荷升至84.62%；SMO+模糊自适应策略平均横向误差进一步降至0.039 m（较固定滑移降约32.76%，较仅SMO降15.22%），最大横向误差0.063 m，RMS 0.043 m，有效作业覆盖率96.8%，平均计算负荷降至54.33%（较仅SMO降30.29%），在转弯高滑移区仍保持轨迹平滑，证明该方法适合实车丘陵麦田旋耕场景。

讨论与结论（翻译浓缩）

本研究提出一种面向履带式农用车辆旋耕作业、考虑滑移感知与预测时域自适应的MPC路径跟踪控制方法。研究人员在无理想假设运动学模型中引入实时滑模观测器估计左右履带滑移率，并在MPC代价函数中加入速度增量惩罚与复合约束，同时以模糊逻辑根据车速与路径曲率动态调节预测时域。仿真与田间试验表明滑移建模与速度变化惩罚对高滑移下稳定精确运动至关重要；滑模观测器实时滑移估计显著减小横向跟踪误差从而改善耕作轨迹一致性；模糊预测时域调整在高曲率段维持大时域保证精度，低曲率段缩减时域降低计算量，整体在跟踪精度、轨迹一致性与实时计算效率间取得良好平衡，适用于丘陵小麦田自主旋耕作业。局限含模糊规则依经验制定缺自适应学习能力，未来将在嵌入式平台进一步优化并拓展至不同坡度、土壤与作业阻力条件，对比扩展卡尔曼滤波及学习类滑移估计方法以评估泛化能力。

—发表于 Smart Agricultural Technology