《Information Processing in Agriculture》：A feedforward model predictive controller for path following of autonomous tractors in Paddy field
编辑推荐：
自动驾驶技术在拖拉机中的集成标志着现代农业的一大进步，提高了效率和精度。然而，像水田这样的湿滑地形带来了挑战，需要可靠的路径跟踪算法来处理不确定性和非线性动力学。在本研究中，研究人员提出了一种增强的路径跟踪控制方法，通过将前馈补偿与模型预测控制（FFC-MPC
自动驾驶技术在拖拉机中的集成标志着现代农业的一大进步，提高了效率和精度。然而，像水田这样的湿滑地形带来了挑战，需要可靠的路径跟踪算法来处理不确定性和非线性动力学。在本研究中，研究人员提出了一种增强的路径跟踪控制方法，通过将前馈补偿与模型预测控制（FFC-MPC）相结合，用于在低附着力水田中运行的自动拖拉机。该算法集成了土壤引起的侧滑效应来调整车轮转向角，目的是最小化轨迹跟踪误差。为了评估所提算法的性能，在多体动力学仿真框架内进行了比较评估。此外，进行了田间试验以评估该算法在实际操作条件下的性能。结果表明，在直线轨迹跟踪期间，所提出的FFC-MPC算法相对于模型无关的纯追踪控制（PPC）算法实现了64.6%的跟踪误差减少，相对于基于模型的线性二次调节器（LQR）方法减少了35.5%。在涉及曲线和过渡路段更复杂的场景中，FFC-MPC算法相比PPC实现了86.8%的跟踪误差减少，相对于LQR减少了55.8%。性能提升提高了水田中自动拖拉机的效率和稳定性，并显示出在其他高滑移环境中更广泛应用潜力。
近年来，自主导航技术在农业拖拉机中的集成显著提升了耕作效率与作业精度，成为现代农业发展的重要方向。然而，水田等湿滑地形中，土壤饱和变形、轮胎与地面之间滑移率高，导致路径跟踪精度严重下降。现有路径跟踪算法主要分为模型无关和模型相关两类：模型无关算法（如PID、模糊控制、深度强化学习）依赖专家经验或大量训练；模型相关算法（如纯追踪控制PPC、线性二次调节器LQR、模型预测控制MPC）中，PPC在大曲率路径下易出现“切角”问题，LQR基于简化运动学模型，精度有限，MPC虽能处理约束，但多数模型未考虑土壤动态特性，例如水稻插秧机在曲线路径上最大偏差可达0.58 m。在水田作业时，车轮转向会挤压土壤产生侧向力，引发侧滑，使拖拉机偏离预期轨迹。因此，亟需一种能够适应高滑移环境并集成土壤特性的路径跟踪控制方法。
针对上述问题，研究人员提出了将前馈补偿与模型预测控制相结合（FFC-MPC）的路径跟踪算法。该算法通过建立考虑土壤侧向力的拖拉机动力学模型，并采用Frenet坐标系构建轨迹跟踪误差模型，实现了对横向误差和航向误差的精确描述。控制器框架由转角刚度计算器、模型预测控制器和前馈控制器三部分组成。在Isaac Sim仿真平台和广东省江门市典型水稻田（0.5 ha，沙质粘壤土，泥深22 cm，水层3 cm）中进行了对比试验，以验证算法在直线、U形转弯、圆形和Ω形转弯等典型路径下的性能。
主要技术方法包括：建立拖拉机动力学模型，将土壤对车轮的侧向力表示为侧偏刚度、滑移角和侧向力偏移的函数；基于Frenet坐标系推导轨迹跟踪误差模型，利用投影点描述横向偏差；通过分段线性拟合实测转角特性曲线，获得不同滑移角范围内的线性侧偏刚度和非线性侧偏刚度，并构建转角刚度计算器；模型预测控制器以最小化横向误差和转向角增量为目标，在转向角和转向角速度约束下进行滚动优化；前馈控制器利用参考路径曲率等几何特征，预先计算补偿转向角，以抑制横向误差增长率。仿真与田间试验均选取PPC（优化前视距离的纯追踪控制）、LQR（基于运动学模型的线性二次调节器）和FFC-MPC三种算法进行性能比较，纵向控制采用传统PID控制器。
仿真结果部分，在U形转弯路径（4.1节）中，PPC在直线与曲线过渡段产生较大横向误差（平均2.65 cm），LQR响应滞后，FFC-MPC保持了最优的跟踪精度和稳定性，平均横向误差较LQR降低55%。在圆形路径（4.2节）中，恒定曲率下PPC稳态误差最大（4.76 cm），LQR虽稳态误差较小但动态响应慢，FFC-MPC综合性能最优，最大横向误差较PPC降低83.8%。在Ω形转弯路径（4.3节）中，所有算法在曲率突变处均产生较大误差，PPC最大横向误差达10.49 cm，FFC-MPC为1.60 cm，较LQR降低51.87%，峰值航向误差较PPC降低65.16%。
田间试验结果表明，在U形转弯路径（5.1节）中，PPC平均横向误差为5.95 cm，LQR在弯道至直线过渡段出现4.51 cm的超调，FFC-MPC最大横向误差较LQR降低39.25%。在圆形路径（5.2节）中，PPC稳态误差达到9.69 cm，LQR为3.10 cm，FFC-MPC稳态误差较LQR降低61%。在Ω形转弯路径（5.3节）中，曲率突变时PPC横向误差振荡最严重，LQR和FFC-MPC最大横向误差分别较PPC降低71.56%和75.65%，FFC-MPC整体平均横向误差最低。受定位传感器精度限制，田间试验中的航向误差分析未作为独立指标深入讨论。
总结讨论部分，研究结论指出，FFC-MPC算法在直线跟踪时平均横向误差为1.16 cm，相对于PPC降低64.6%，相对于LQR降低35.5%；在曲线和过渡段平均横向误差为1.29 cm，相对于PPC降低86.8%，相对于LQR降低55.8%，展示了优越的跟踪精度和响应速度。然而，该算法在急剧曲率变化区域（如U形和Ω形转弯过渡）仍存在轻微超调现象，这可能与转向执行器物理响应速度限制有关。此外，FFC-MPC相比LQR和PPC需要更完整的系统建模和更高的实时计算资源，但其计算负载仍适用于主流自动驾驶拖拉机硬件平台。未来改进方向包括：引入曲率感知滤波机制以降低对急剧曲率变化的敏感性；将执行器动态特性纳入控制优化中以提高响应能力；简化模型预测过程或采用分层控制策略以适应资源受限平台。该研究提出的算法不仅显著提升了水田环境中自动拖拉机的路径跟踪精度和稳定性，也为其他高滑移环境（如泥泞田块、坡地）的自主导航提供了有价值的参考。该论文发表于《Information Processing in Agriculture》。
