遥感图像分割中旋转鲁棒性的系统性研究：RICM 与随机旋转增强的对比

《Sensors》：A Systematic Study of Rotation Robustness in Remote Sensing Image Segmentation: RICM Versus Random Rotation Augmentation

　　

在类温室环境中作业的自主履带式农业机器人，准确且平滑的路径跟踪十分重要。现有自适应前视纯跟踪（pure pursuit）方法主要依据车速或路径几何调整前视距离，而时变定位可靠性的影响未得到充分考虑。研究人员提出一种噪声感知自适应纯跟踪控制器，将扩展卡尔曼滤波（Extended Kalman Filter, EKF）估计与因果萨维茨基-戈莱（Savitzky–Golay, SG）端点平滑相结合。通过联合考虑归一化车速、横向误差、路径曲率以及由新息导出的定位噪声指标，设计有界前视律。在给定定位扰动下，于直线、圆形、S形和U形参考路径开展数值仿真。在0.5 m位置噪声条件下，所提方法的位置均方根误差（root mean square error, RMSE）为0.087 m，角速度均方根（angular-velocity root mean square, RMS）为0.28 rad/s；传统固定前视纯跟踪分别为0.112 m与0.36 rad/s。与比例-积分-微分（Proportional-Integral-Derivative, PID）控制器、Stanley控制器、模型预测控制（Model Predictive Control, MPC）及常规纯跟踪相比，所提方法在跟踪精度与控制平滑性之间取得较优平衡，且比MPC计算效率更高，同时保留几何控制的低计算负担优势。灵敏度分析中，位置噪声由0.1 m增至0.8 m时，所提方法RMSE相对增幅为36.5%，常规纯跟踪为103.4%。结果表明，该轻量级噪声感知控制策略可在所述数值条件下提升跟踪精度、控制平滑性与对定位扰动的容忍度，为低速温室农业机器人提供实用设计参考。

研究背景方面，受智能化和自动化设施农业发展的推动，温室环境对自主导航与精准作业移动机器人需求上升。与开放道路或结构化工业场景不同，温室具有通道狭窄、路径曲率频繁变化、作物遮挡严重以及金属骨架强多径反射等特征。履带式农业机器人受非完整约束限制，不能通过直接产生横向速度实现转向，而必须依靠左右履带差速耦合完成转弯，因此路径跟踪控制器需适应复杂路径几何、环境感知噪声与底盘非线性动态响应。作为最经典且应用广泛的几何控制方法，纯跟踪（pure pursuit, PP）因原理简单、几何意义清晰、计算负担低和实时性强，被广泛用于低速平台与农业车辆导航。但传统纯跟踪通常采用固定前视距离，难以满足复杂温室环境与变曲率路径下的精确跟踪需求。现有替代方案中，Stanley控制器利用横向与航向误差改进几何校正，但在噪声误差、侧滑和速度升高时易出现转向振荡；PID控制器简单，但微分作用会放大高频测量噪声，在复杂路径上产生超调与抖动；MPC可纳入预览信息并显式处理状态与控制约束，但在嵌入式农业平台上在线优化会增加计算与调参负担；既有自适应纯跟踪多按车速、路径曲率等运动变量调整前视距离，而定位可靠性对前视调节的直接影响在类温室履带平台中仍研究不足。因此，研究人员开展一项基于仿真的可行性评估，将位姿预处理与由新息导出的定位噪声指标引入有界自适应纯跟踪框架。

论文发表在《Sensors》。研究人员开展的研究是：提出一种面向类温室履带式农业机器人的多因子噪声感知自适应纯跟踪控制器，并在直线、圆形、S形和U形理想化参考路径、给定定位扰动下进行数值仿真，与常规固定前视纯跟踪、Stanley、PID和MPC比较。得出的结论包括：所提方法在0.5 m位置噪声下RMSE为0.087 m、角速度RMS为0.28 rad/s，优于常规纯跟踪的0.112 m与0.36 rad/s；从0.1 m到0.8 m位置噪声，RMSE相对增幅为36.5%，小于常规纯跟踪的103.4%；计算负担低于MPC，且保留纯跟踪的结构简单与实时特性。重要意义在于为低速温室农业机器人提供了一种在跟踪精度、控制平滑性和定位扰动鲁棒性之间取得平衡的轻量级控制设计思路。

关键技术方法上，研究人员采用MATLAB R2021b/Simulink建立闭环路径跟踪仿真系统，底盘使用差速驱动履带式运动学模型，线速度0.5 m/s，角速度指令限幅1.2 rad/s，采样周期0.02 s；定位观测加入高斯位置噪声、航向噪声及间歇非视距脉冲扰动。位姿预处理采用EKF预测-校正后再接因果11点三阶SG端点平滑。前视距离由归一化车速、横向误差、路径曲率和EKF新息平方归一化得到的定位噪声指标共同决定，并有上下界约束。控制律采用标准纯跟踪圆弧曲率指令，并给出基于李雅普诺夫（Lyapunov）函数的稳定性说明。无真实温室现场数据或硬件实验，均为理想化数值基准。

研究结果如下。

1. 2.
   Method
   研究人员建立定位信号源与噪声表征，将观测模型写为标称位姿加测量噪声与间歇扰动；随后给出噪声鲁棒位姿估计框架：状态含位置、线速度与航向角，离散状态转移用于EKF预测，观测模型用于EKF校正，EKF新息与新息协方差被保留用于后续定位质量评估；EKF后处理为因果SG平滑，仅用当前与过去10个样本，故不需未来测量。多因子动态自适应前视距离设计中，车速、横向误差、曲率先归一化，定位质量指标由新息平方归一化后以低通记忆系数0.92与更新系数0.08递推得到；自适应前视距离由基值加各归一化项加权构成，并用上下界截断，速度项与噪声项增大前视以抑制波动，横向误差项与曲率项减小前视以提高局部校正与转向响应。自适应纯跟踪控制律与稳定性分析部分，曲率指令为κ=2 sin(θ_e)/L_d，其中θ_e为航向误差、L_d为自适应前视距离；取横向误差e与航向误差θ_e为状态，构造正定李雅普诺夫函数V=1/2 e²+1/2 k θ_e²，在参考曲率有界、车速有限、前视距离有界的假设下，自适应纯跟踪对横向与航向误差形成负反馈，李雅普诺夫函数非增，依LaSalle不变原理误差有界并趋近平衡点。
2. 3.
   Simulation Experiments and Results
   仿真平台与参数设置中，研究人员在MATLAB R2021b/Simulink搭建定位输出、EKF–SG预处理、动态前视调整与自适应纯跟踪四大模块；路径为直线、圆形、S形、U形理想化轨迹，主比较位置噪声标准差0.5 m，灵敏度条件为0.1、0.3、0.5、0.8 m，位置扰动独立加于x与y坐标，航向噪声2°即0.0349 rad，脉冲扰动概率0.02。典型路径跟踪结果中，直线路径上所提方法快速回靠参考线且角速度变化小；圆形路径上依局部曲率自动缩短前视，转角连续无尖峰；S形路径上入弯前缩短前视、出弯后增大前视，曲率切换点无明显振荡；U形路径上大角度掉头更紧凑，出弯后及时恢复大前视，优于Stanley的剧烈角速度变化和PID的收敛不足；EKF–SG使原始含高斯与脉冲扰动的位姿更连续，转折段高频波动显著降低。
3. 4.
   Performance Evaluation and Robustness Validation
   跟踪性能比较中，在0.5 m位置噪声下，所提方法RMSE 0.087 m、最大横向误差0.198 m、角速度RMS 0.28 rad/s，常规纯跟踪为0.112 m、0.267 m、0.36 rad/s；MPC精度接近但单步计算时间毫秒级且高于所提方法。定位噪声鲁棒性中，0.1至0.8 m位置噪声下相对RMSE增幅：PID、Stanley、MPC、常规纯跟踪、所提方法依次递减，所提方法36.5%最小，常规纯跟踪103.4%最大；机制是新息残差增大会提高噪声指标并增大前视，降低对短时测量波动的敏感。前视距离动态特征中，S形路径上速度恒定0.5 m/s，高曲率区前视减小以提高响应，曲率减小时前视增大以平滑修正，横向误差与噪声估计进一步调制前视且始终在界内。消融研究中，完整模型RMSE与角速度RMS最低；去曲率项RMSE升幅最大，去定位噪声项角速度RMS升幅最大，说明速度、横向误差、曲率、噪声四项互补，但原文强调这是单运行描述性结果，非重复试验统计结论。

讨论与结论部分总结：研究人员指出本工作仅为数值仿真，路径为理想化基准，噪声为规定灵敏度条件，而非真实温室测量分布；机器人用简化差速履带运动学模型，未建详细的履带滑移、地形交互、执行器动态与底盘振动；因果SG可能引入处理延迟，性能依赖归一化值、权重与前视边界；结果基于单次仿真记录，无重复试验不确定区间与统计显著性检验；所提方法不含障碍检测、预测、避障与在线重规划，实际部署需接入感知与局部规划模块；高速场景需重新整定参数与模型。

结论部分翻译：本研究通过类温室理想化参考路径上的数值仿真，研究了一种用于履带式农业机器人的噪声感知自适应纯跟踪策略。该控制器结合EKF位姿估计、因果SG端点平滑，以及综合考虑车速、横向误差、路径曲率和由新息导出的定位噪声指标的有界前视律。主要结论如下：在规定的数值定位扰动条件下，EKF–SG位姿处理流水线提供更平滑的位姿反馈，降低所建模随机与间歇测量扰动对后续控制输入的影响，但这仅证明该预处理方案在仿真模型中的行为，不构成真实温室定位数据验证。多因子自适应前视机制根据仿真车辆状态、路径几何、跟踪误差与定位噪声指标调整前视距离；在保留的0.5 m位置噪声条件下，所提方法RMSE为0.087 m、角速度RMS为0.28 rad/s，常规固定前视纯跟踪为0.112 m与0.36 rad/s；保留的灵敏度分析中，0.1 m到0.8 m的RMSE相对增幅所提方法为36.5%、常规纯跟踪为103.4%，表明在规定数值扰动下敏感度更低，但属单次运行描述性结果而非统计验证。记录的计算时间表明所提控制器在所述仿真实现中比MPC比较器计算负担更低，因而保留纯跟踪结构简洁性并具实时温室导航潜力，但是否适合实际部署仍须在真实履带机器人上验证。需承认若干局限：无真实温室田间实验或实测定位数据集；四类路径为理想化数值参考，0.1、0.3、0.5、0.8 m为规定灵敏度条件而非实测误差分布；机器人用简化差速履带运动学模型，未建履带滑移、地形交互、执行器动态与底盘振动；因果SG可能引入处理延迟，性能依赖归一化值、权重、前视边界与比较器参数；现有结果基于单独仿真记录，无重复试验不确定区间或统计显著性检验。未来工作应包括实测温室定位数据、硬件实验、详细滑移与动态建模、参数灵敏度分析和重复试验统计评估。