《Artificial Intelligence in Agriculture》:Adaptive compensation method for navigation positioning errors considering the vibration characteristics of a combine harvester
编辑推荐:
为解决联合收割机在复杂田间作业中因振动导致GNSS定位精度下降的问题,本研究提出了一种考虑振动特性的导航定位误差自适应补偿方法。通过WOA-LightGBM模型识别作业阶段,并利用XGBoost-MLP框架建立定位误差回归预测模型,结合ESKF融合GNSS/INS数据。实验结果表明,该方法在直线路径跟踪中最大横向偏差仅为0.039 m,在自主收割作业中平均横向偏差为0.087 m,显著提升了导航系统的抗干扰能力和稳定性,为地面农业机械的高精度抗干扰定位技术提供了新思路。
在精准农业飞速发展的今天,联合收割机的自动导航技术已成为提升作业效率与质量的关键手段。然而,理想很丰满,现实却很骨感。在复杂的田间环境中,各种干扰因素——例如树木遮挡、地形起伏,尤其是作业过程中产生的剧烈振动——如同隐形杀手,悄无声息地侵蚀着导航系统的定位精度。研究表明,频率在10 Hz左右、振幅数毫米的振动足以导致GNSS(全球导航卫星系统)出现2.5至5厘米的可测量定位误差。更令人担忧的是,初步测量发现,与静止状态相比,安装在联合收割机上的GNSS接收机受振动干扰后,其定位精度可能下降高达30%。这种精度的下降绝非小事,它可能导致路径偏离、重复作业、漏收,甚至导航系统完全失灵,严重威胁着自动导航系统的可靠性。
面对这一严峻挑战,传统的补偿方法往往显得力不从心。它们大多基于单一作业阶段的振动特性,未能充分考虑联合收割机在不同作业阶段(如怠速、田间转移、田间收割)下振动特性及其对GNSS数据影响的显著差异,因而缺乏对动态田间环境的适应性。此外,振动对GNSS定位精度的影响机制尚未被深入探究,缺乏精确的误差建模和实时补偿策略,使得现有方法难以满足联合收割机多阶段导航的实际需求。
正是在这样的背景下,一篇发表在《Artificial Intelligence in Agriculture》上的研究论文《Adaptive compensation method for navigation positioning errors considering the vibration characteristics of a combine harvester》为我们带来了新的曙光。该研究由南京农业大学工学院的魏文博、王辉、肖茂华等人完成,他们独辟蹊径,将目光投向了联合收割机自身的“心跳”——振动特性,旨在开发一种能够自适应补偿导航定位误差的新方法,从而提升全自主收割作业中的抗干扰定位精度。
为了攻克这一难题,研究人员巧妙地构建了一个技术闭环。首先,他们开发了一个混合鲸鱼优化算法(WOA)与轻量梯度提升机(LightGBM)的模型,用于在线识别联合收割机的作业阶段。该模型基于15秒内以100 Hz频率采集的振动数据(共1500个时间帧样本)进行训练。接着,他们建立了一个基于极端梯度提升(XGBoost)与多层感知器(MLP)框架的定位误差回归预测模型。该模型利用175秒内以5 Hz频率记录的GNSS/INS误差数据(共875个时间帧样本)构建。最后,研究人员将经过预测定位误差补偿的GNSS数据,与惯性导航系统(INS)数据在同一本地平面坐标系内,使用误差状态卡尔曼滤波器(ESKF)进行融合,从而实现自适应误差补偿。这项研究的数据来源于在江苏省南京市泰和稻米农场水稻收获期间进行的田间试验。
研究结果
3.1. 确定振动数据采集的最佳位置
为了给作业阶段识别模型找到最理想的“听诊器”安装位置,研究人员比较了联合收割机四个关键部位(驾驶室顶部、座椅支架、割台、底盘框架)在不同作业阶段的振动强度。结果表明,割台部位的振动强度最大,但其动态变化的不稳定性增加了信号处理的复杂性。相比之下,驾驶室顶部的振动强度仅次于割台,且能清晰区分不同作业阶段,更重要的是其坐标系稳定,不受作业环境变化影响。综合振动强度和稳定性考虑,驾驶室顶部被确定为构建作业阶段识别模型的最佳数据采集点。
3.2. 收割机作业阶段识别测试
研究人员基于驾驶室顶部的振动数据,构建了包含10个关键特征的作业阶段特征向量。通过相关性分析,剔除了与阶段标签线性相关性较低的特征(峰度、谱熵、频率方差)。利用优化后的特征向量训练的WOA-LightGBM识别模型,在测试集上表现出色,整体识别准确率达到95.91%,精确率为95.93%,召回率为95.92%。田间在线识别测试进一步验证了该模型的实用性,其对怠速、田间转移和田间收割三个阶段的在线识别准确率分别达到95.0%、94.0%和91.0%,表现出良好的稳定性和可靠性。
3.3. 基于XGBoost-MLP的定位误差回归模型的建立与性能评估
定位误差回归是本研究的核心环节。研究人员利用XGBoost进行特征重要性排序,筛选出关键特征,然后输入MLP网络进行误差预测。结果显示,XGBoost-MLP混合模型在预测横向偏差和航向偏差方面均表现优异。横向偏差预测模型的确定系数(R2)为0.9525,均方误差(MSE)为0.0007 m,平均绝对误差(MAE)为0.0205 m。航向偏差预测模型的R2高达0.9609,MSE为0.05°,MAE为0.15°。这表明该模型能够有效捕捉实际误差模式,预测值与真实值之间差异很小。
3.4. 路径跟踪性能测试
3.4.1. 基于直线路径跟踪的定位补偿验证实验
在150米长的田间道路上进行的直线路径跟踪对比实验,充分展示了所提方法的优越性。与传统的RTK-GNSS定位方法和RTK-GNSS/INS组合导航系统相比,本研究提出的RTK-ESKF-GINS自适应定位误差补偿方法在稳态阶段(约10-100秒)的表现最佳。其最大横向偏差绝对值仅为0.039 m,标准差为0.010 m;最大航向偏差绝对值为0.963°,标准差为0.384°,各项指标均显著优于对比方法。
3.4.2. 全自主收割作业中的定位误差自适应补偿实验
在全自主导航收割实验中,该系统经历了怠速启动、田间转移和作物收割等多个典型阶段。尽管在作业阶段转换的短暂瞬间(如从田间转移进入收割时)出现了识别概率下降和短暂的路径跟踪误差增大,但系统能快速适应并恢复稳定。在整个收割阶段,横向偏差绝对值的平均值为0.087 m(标准差0.042 m),航向偏差绝对值的平均值为3.632°(标准差2.234°)。这证明了该导航系统在持续振动干扰下仍能保持良好的姿态稳定性和路径跟踪能力。
研究结论与意义
本研究成功提出并验证了一种考虑联合收割机振动特性的导航定位误差自适应补偿方法。该方法通过构建作业阶段特征向量,利用WOA优化的LightGBM模型准确识别作业阶段,为模型切换提供了稳定依据。进而,结合XGBoost和MLP算法优势建立的定位误差回归模型,能够有效预测并补偿定位误差。最终,将误差补偿结果集成到具有作业阶段感知能力的ESKF-GINS系统中,显著提升了定位精度。
与现有方法相比,该自适应补偿框架的优势在于它明确考虑了不同作业阶段振动特性的差异,并据此进行针对性的误差建模与补偿,避免了混合数据带来的模型干扰。实验结果表明,该方法能显著提高联合收割机自动导航系统在复杂作业环境下的抗干扰能力和路径跟踪精度,为解决农业机械因振动导致的定位误差问题提供了一种全新的有效方案,为全流程无人化收割作业的实现提供了有力的技术支撑。
当然,该研究也存在一些局限性,例如系统计算复杂度相对较高,以及在作业阶段转换瞬间存在短暂的适应期。未来的研究可探索在阶段转换时引入过渡模型或预测缓冲机制,并开发轻量化的自适应架构,以在保持性能优势的同时平衡计算效率。
综上所述,这项研究不仅是将人工智能与农业工程深度融合的一次成功实践,更是朝着实现高可靠性、高精度的智能农业装备迈出的坚实一步,对推动精准农业的发展具有重要的理论和实践意义。