农业拖拉机机器人的模糊模型辨识与轨迹控制：一种最优混合方法

《Machine Learning and Knowledge Extraction》：Fuzzy Model Identification and Trajectory Control for Agricultural Tractor Robots: An Optimal Hybrid Methodology

　　

自主农业机器人需要精确的轨迹跟踪能力以执行播种、施肥和修剪等精准农田作业。经典运动学模型难以刻画真实田间条件固有的非线性动力学，限制了基于模型的控制策略性能。研究人员提出一种最优混合方法，在粒子群优化（PSO）框架下将Takagi–Sugeno（T–S）模糊模型辨识与纯追踪（Pure Pursuit，PP）控制相集成，应用于仿真修剪拖拉机。采用模糊C均值（Fuzzy C-Means，FCM）辨识增量位移?Δx与?Δy的数据驱动T–S模糊模型，并通过PSO参数化。这些模糊模型被嵌入PP反馈控制方案，配合离散时间比例–积分（PI）速度控制器与比例–微分（PD）转向控制器，其四个增益由第二个PSO实例整定。模糊模型辨识均方根误差（Root-Mean-Square Error，RMSE）分别为10.598×10?3 m与8.125×10?3 m。集成至控制回路后，系统在训练路径上横向RMSE为6.6×10?3 m，并在十二条复杂农业覆盖轨迹上有效泛化，横向RMSE低于12×10?3 m，航向RMSE小于1度。这种可解释的基于模糊规则的方法为未来物理平台实验实现提供了准确且可复现的仿真基线。

研究背景方面，全球农业面临增产降本与减人工压力，自主农业机械是精准农业基石，拖拉机机器人因通用性强尤为关键，而轨迹跟踪精度决定作业质量。农田地面不平、轮土作用不确定、动态条件多变使车辆行为高度非线性，经典自行车/单轮运动学模型假设无滑移平面运动，在低俗平地外失效，无法表征轮胎滑移与执行器动力学。现有文献常把系统辨识与控制分开处理，且MPC（Model Predictive Control，模型预测控制）与Stanley控制器依赖显式模型或假设动力学已知，在真实田间受限。因此研究人员以仿真修剪拖拉机为对象，开展数据驱动T–S模糊辨识与PP控制联合PSO优化研究，发表于《Machine Learning and Knowledge Extraction》，旨在提供可解释、可复现的仿真基线。

关键技术方法上，研究人员采用两阶段解耦框架：第一阶段用离散时间运动学模型（Corke公式）生成N个时空训练样本，以PSO耦合FCM聚类和全局加权最小二乘（Global Weighted Least Squares，GWLS）辨识两个解耦MISO T–S模糊模型?_Δx、?_Δy，PSO同时优化聚类数c与模糊指数m，适应度取辨识RMSE；第二阶段将模糊模型作虚拟预测器嵌入PP控制环，纵向速度用离散PI、转向角用离散PD，均加一阶执行器滞后，四个增益由第二独立PSO以全程横向RMSE为目标整定，采样周期0.1 s、参考路径为五直行沟垄加半圆地头转弯的boustrophedon轨迹。

研究结果部分，第二节材料与方法建立非完整轮式车辆自行车模型，给出连续与离散状态方程，明确T–S规则结构（4输入：当前与上一拍速度、航向；输出Δx、Δy），FCM划分前件、GWLS估后件，在线预测省略归一化分母降计算量，PP采用非线性凹调度前瞻距离L_d=L_min+K√v，控制环严格两阶段防止数据泄漏。第三节结果显示，聚类敏感性分析跨七种c上限配置，Δx模型c=2到c=3降RMSE 16.9%（0.012763 m至0.010598 m），Δy降62.4%（0.021585 m至0.008125 m），最终选优c与m；PSO收敛后?_Δx RMSE 10.598×10^?3 m、?_Δy 8.125×10^?3 m；嵌入控制环后在训练轨迹横向RMSE 6.6×10^?3 m，较运动学基线更优；在十二额外覆盖轨迹（变沟长、间距、垄数）上横向RMSE全低于12×10^?3 m、航向RMSE<1°，证明增益无需重整定即泛化。第四节讨论指出，T–S规则数少具可解释性便于安全验证，PSO双实例避免解析模型误配，混合架构中位置由模糊模型更新、航向保留运动学方程（因IMU可连续供航向、RTK–GNSS易遮断），为GNSS掉点死算冗余提供支持；局限在于仅仿真、未含真实滑移与土壤参数。

结论部分翻译：本研究提出一种最优混合方法，在统一PSO框架内集成T–S模糊辨识与PP PI–PD控制，用于农业拖拉机机器人仿真。研究人员通过FCM+PSO辨识增量位移模糊模型，RMSE达毫米级；以第二PSO整定四增益，训练路径横向RMSE 6.6×10^?3 m，在十三条覆盖轨迹中横向RMSE<12×10^?3 m、航向RMSE<1°，显示泛化稳健。该可解释模糊规则方法消除显式解析建模需求，提供准确可复现仿真基线，未来可在物理拖拉机平台实验验证。