基于Optuna优化与SHAP解释的深度信念网络水稻插秧机侧滑辨识及自适应路径跟踪控制

《Agriculture》：Research on Sideslip Identification and Adaptive Path Tracking Control of Deep Belief Network Rice Transplanter Based on Optuna Optimization and SHAP Interpretation

　　

针对复杂农田环境下导航农业机械因侧滑导致的路径跟踪振荡问题，研究人员以Yanmar YR-70D插秧机为研究对象，提出一种基于深度信念网络（DBN）侧滑辨识的自适应控制方法。该方法基于预瞄跟踪模型，通过DBN实时辨识侧滑状态并动态调整预瞄距离。研究中采用Optuna框架优化DBN模型，并引入SHAP框架量化特征贡献。结果表明，在兼顾实时性与准确性时，采用“横向偏差+航向偏差”且数据长度为20的组合变量，模型预测准确率达88.04%，其中航向偏差（HD）贡献最高，SHAP值为0.957。对比实验显示，DBN精度与LSTM、Transformer等主流模型相当，但其前向传播速度（0.0487 ms）优于其他模型。旱地实验表明，在不同车速与坡度下，自适应控制组的入线时间（1.83–5.60 s）、入线距离（1.46–5.07 m）与最大超调量（0.32–15.75 cm）均优于固定参数控制组。水田实验进一步证实，在1.0 m/s车速与15°坡度工况下，实验组上述三项指标分别为0.85–3.1 s、0.75–3.14 m与0–7.44 cm，均优于控制组。所提方法在被测水稻插秧机作业条件下表现出更优路径跟踪性能，表明其在侧滑感知自适应导航控制中具有应用潜力，但需在不同插秧机类型、田间环境与工况下进一步验证通用性。

研究背景方面，农业机械导航是智能农机的基础核心，自主导航与路径跟踪技术关乎作业精度与自主性。常见路径跟踪控制方法包括比例-积分-微分控制（PID）、模糊控制、纯追踪、预瞄控制、滑模控制（SMC）、最优控制与模型预测控制（MPC）等。但农田复杂地面易引发侧滑位移，使机具难以沿预定路径行驶。现有自适应控制研究集中于侧滑主动感知补偿、现代控制理论动态参数优化、神经网络驱动非线性映射三类，仍面临算法复杂、参数依赖、环境干扰与实时部署难题。因此，研究人员在团队仿真研究基础上，开展实测数据支撑与实际机车闭环验证，提出轻量、快速响应的侧滑辨识与自适应预瞄控制方案。

论文发表于《Agriculture》。研究人员以Yanmar YR-70D插秧机与GNSS农机导航系统为平台，构建基于阿克曼转向几何的两轮运动学模型与预瞄控制模型，提出由DBN侧滑等级辨识与自适应动态预瞄距离调节器组成的控制架构，并通过旱地与水田实车实验验证。

关键技术方法上，研究人员使用2024年12月与2025年6月江西南昌新建区石埠镇农田实测样本队列；以DBN（深度信念网络，由多层受限玻尔兹曼机（RBM）堆叠的无监督预训练+微调分类网络）为侧滑等级辨识器；用Optuna（基于树状Parzen估计（TPE）采样与中位数剪枝的自动超参数优化框架）寻优；用SHAP（基于合作博弈论的特征边际贡献解释方法）量化航向偏差（HD）、横向偏差（PD）、轮角（WA）、横摆率（HBR）等贡献；以预瞄控制公式为基，按侧滑等级动态输出总预瞄距离L_d=L_base+k·O并延长干预时间T。

研究结果如下。

材料与方法：研究人员搭建YR-70D插秧机导航平台，定义侧滑等级按最大侧滑角分四类，用MATLAB对24组原始导航数据做峰值周期切片与滚动时间窗标注，按原始文件编号做K折交叉验证，每类2000组样本，无独立外测试集；建立DBN结构、Optuna优化、准确率/精确率/F1评价指标与SHAP公式φ_i。

侧滑辨识特征分析与模型对比评估：通过10组变量组合与长度10/20/30交叉验证，发现PD&HD长度20时准确率88.04%±0.89%，HD的SHAP值0.957最高，PD为0.384，WA为0.356，HBR仅0.069；DBN与LSTM、Transformer、TCN、MLP对比中，LSTM准确率88.79%最高，DBN为88.04%，但DBN单步前向0.0487 ms远快于Transformer的1.1025 ms、LSTM的1.1711 ms、TCN的0.7333 ms与MLP的0.88 ms，故选DBN兼顾精度与实时性。

旱地验证实验：在0.8/1.0/1.2 m/s与10°/15°/20°坡道诱导侧滑，实验组动态调预瞄距离。结果显示实验组入线时间1.83–5.60 s、入线距离1.46–5.07 m、最大超调0.32–15.75 cm，均低于对照组；1.0 m/s+15°时实验组入线时间1.83 s、距离1.91 m、超调2.97 cm，较对照组降64.3%、49.5%、78.34%；DBN可及时辨识侧滑，实验组增大预瞄距离以降低期望轮角，缩短轮角跟踪滞后。

水田验证实验：1.0 m/s+15°坡，实验组入线时间0.85–3.1 s、距离0.75–3.14 m、最大超调0–7.44 cm，对照组为3.5–5.75 s、3.42–4.30 m、12.1–18.16 cm；实验组位置偏差曲线更平滑、无明显超调。

讨论部分总结：PD+HD长度20在精度与实时性间权衡最优；DBN优势是推理短而非精度最高；SHAP证航向状态先变、横向偏差累积滞后的物理先验合理；自适应法靠“侧滑辨识+预瞄距调节”降振荡，不增加控制器复杂度；相较团队仿真文献，本文补实测数据、Optuna、SHAP、实机旱/水田闭环；局限为仅YR-70D、等级分类仍有错分、未测其他农机与环境，未来加车速控制与多机型验证。

结论部分翻译：本研究针对复杂田间插秧机侧滑扰动致路径跟踪异常问题，设计基于深度信念网络（DBN）侧滑辨识与预瞄跟踪耦合的自适应控制算法，经仿真与实车验证有效。主要结论如下：（1）辨识模型对比中，经变量优化与SHAP解释，确定“航向偏差（HD）+横向偏差（PD）、时序长度20”为最优特征输入；DBN侧滑状态分类准确率88.04%，单步前向推理时延0.0487 ms，计算时延与分类精度满足导航控制系统实时作业要求。（2）田间闭环对比中，在所设作业车速下，自适应预瞄策略路径跟踪优于固定参数组；插秧机受侧滑扰动时，自适应组入线时间、入线距离、最大位置偏差与最大超调均更低，有效削弱侧滑后轨迹振荡、缩短过渡过程、提升系统稳定性。（3）田间试验证实，用DBN动态辨识侧滑态并实时调预瞄距离，可改善固定参数算法在特定扰动下适应性不足问题，为复杂扰动环境插秧机路径跟踪稳定性提升提供可行方案。