综述:自主拖拉机-挂车系统路径跟踪与运动控制的最新进展

《Electronics》:Recent Advances in Path-Tracking and Motion Control for Autonomous Tractor–Trailer Systems

【字体: 大 中 小 】 时间:2026年07月21日 来源:Electronics 2.9

编辑推荐:

  自主拖拉机-挂车系统(TTSs)在非结构化越野环境中的路径跟踪与运动控制已成为智能装备的重要研究课题。传统控制架构面临多种物理约束的挑战,例如时变土壤流变学、时变车轮滑移、多体非线性耦合以及车辆稳定性约束。该综述概述了针对越野环境下自主TTS的先进控制技术。首

  
自主拖拉机-挂车系统(TTSs)在非结构化越野环境中的路径跟踪与运动控制已成为智能装备的重要研究课题。传统控制架构面临多种物理约束的挑战,例如时变土壤流变学、时变车轮滑移、多体非线性耦合以及车辆稳定性约束。该综述概述了针对越野环境下自主TTS的先进控制技术。首先,该综述分析了用于时变地形分类、全轮滑移率估计和铰接角的多源传感器与联合状态估计框架。其次,针对同轴挂接(on-axle)和异轴挂接(off-axle)构型,解析了非完整运动学、多体三维空间动力学以及轮胎-土壤相互作用力学模型。在此基础上,横向比较了自适应运动控制、模型预测控制(MPC)、鲁棒抗扰和分布式电驱动控制策略,并详细阐述了主动挂车转向、扭矩矢量分配(torque vectoring)以及集成底盘协同控制(implemented chassis cooperative control)在主动安全中的应用。最后,讨论了新兴研究方向,包括在线轮胎-土壤相互作用学习、具身智能基础模型(embodied AI foundation models)以及基于V2X的多车协同编队(V2X-enabled multi-vehicle cooperative platooning),为下一代全自主越野拖拉机-挂车系统的发展提供见解。
论文主体部分围绕自主拖拉机-挂车系统(TTS)在非结构化越野环境中的路径跟踪与运动控制展开,系统阐述了硬件架构、状态估计、建模方法、控制策略、主动安全系统及工程实现等关键环节。

**2. Hardware Architecture and Multi-Source State Estimation of Intelligent TTSs**
该部分首先介绍了智能TTS的多源传感器架构。在非结构化越野环境中,系统通常依赖RTK-GNSS/INS组合导航实现高精度位姿估计,但森林、果园等场景下GNSS信号易受遮挡。为解决弱GNSS问题,三维激光雷达(LiDAR)、单目/立体视觉、多光谱成像及毫米波雷达被广泛融合。其中,YOLO系列目标检测算法通过引入注意力机制(如CBAM)和轻量化特征提取模块(如BiFPN、Ghost卷积),提升了复杂场景下的障碍物和作物行检测鲁棒性。非接触式姿态传感器、多场相机及嵌入式智能轮胎传感器可实时采集胎侧应变、胎体位移及地面振动信号,避免传统编码器在泥泞环境中的机械故障。其次,论文分析了越野环境地形感知与土壤-车辆相互作用参数识别。通过提取纯电动或分布式驱动智能拖拉机的轮毂电机电流、转速及高频振动信号,结合随机森林(RF)和支持向量机(SVM)等轻量化机器学习模型,可实现毫秒级地形分类,动态标定最优土壤滑移极限区。滑模观测器与动态补偿理论进一步用于识别时变土壤力学参数,为上层路径跟踪控制提供自适应先验物理量。在车辆运动状态估计方面,针对软土纵向滑移和重载横向侧滑,论文介绍了基于全轮轮速与RTK-GNSS速度差值的纵向滑移率实时估计方法,以及利用低成本IMU实现滑移时序特征表征。对于强耦合的侧偏角估计,采用BP神经网络与时频分解融合视觉边界信息与车辆动态参数,预测低附着条件下的底盘摩擦边界。最后,针对铰接角与拖车摆振识别,现有方案包括安装固体角度传感器或非接触视觉/激光雷达(LiDAR)位姿估计硬件。为降低拖车端感知成本,无传感器估计机制基于拖拉机横摆状态与速度构建动态增益矩阵,在线被动识别拖车状态。在极端工况下,双轨迹协同预测模型可解耦拖车在多维滑移、倾斜及土壤阻力约束下的空间位姿演化,实时输出预补偿约束。多源数据融合方面,扩展卡尔曼滤波器(EKF)和无迹卡尔曼滤波器(UKF)是主流状态融合方法,自适应无迹卡尔曼滤波器(DAUKF)和强跟踪自适应无迹卡尔曼滤波器(ASTUKF)通过动态调整估计参数解决了时变噪声和模型失配问题。混合估计范式结合非线性滤波与轻量化神经网络(如自适应径向基函数神经网络ARBFNN),在线拟合未建模非线性项,提升状态估计适应性。

**3. Kinematic and Dynamic Modeling of Tractor–Trailer Systems**
该部分首先阐述了非完整运动学模型,重点分析了挂接构型的影响。同轴挂接(on-axle hitching)构型下铰接点与拖拉机后轴中心重合,运动学耦合简单、可控性强;异轴挂接(off-axle hitching)构型下铰接点存在固定偏移,产生非线性微分耦合,易导致拖车轨迹超调。对于多段拖车场景,可扩展为广义N拖车(GNT)运动学模型,但仅靠拖拉机单端执行器控制易导致轨迹误差逐级累积。其次,论文介绍了非线性多体动力学模型。纯运动学模型在高速、重载等越野场景下预测偏差严重,需构建高保真多体动力学模型。采用拉格朗日形式或多体动力学理论推导包含拖拉机纵横向横摆、拖车相对铰接运动及车辆侧倾俯仰的强非线性空间耦合动力学方程。在车辆振动传递与载荷交互方面,精炼多刚体振动模型可量化路面随机激励对转向极限和轮胎接地载荷的影响,结合真实载荷谱编译技术提升模型保真度。重载作业中,犁耕等产生的周期性阻力通过悬架连杆引起车辆重心动态位移和轴荷非线性重分布,导致轨迹振荡。基于RecurDyn与MATLAB联合仿真平台可精确求解多体系统稳定包络域。轮胎-土壤相互作用建模部分,经典Pacejka魔术公式不适用于可压缩软土,需建立基于地面力学(Terramechanics)的轮胎-土壤相互作用模型。主要分为三类:经验/半经验地面力学模型(基于Bekker和Wong理论及Janosi Hanamoto剪切公式)、刷子-土壤力学融合模型(结合胎面弹性变形与摩尔-库仑剪切极限)以及轮胎表面结构增强参数模型(集成支持向量机SVM、粒子群优化PSO及离散元仿真,量化胎缘剪切、胎刺贯入等效应)。

**4. Advanced Path-Tracking and Motion Control Strategies for TTSs**
该部分首先介绍了基于运动学模型的自适应跟踪控制。经典Pure Pursuit和Stanley算法采用固定前视距离和恒定增益,在越野工况下易出现响应滞后和高频振荡。先进方案通过模糊逻辑或多目标自适应决策引擎动态优化前视距离,并引入神经网络、强化学习等人工智能(AI)算法提取速度、曲率、航向偏差及地形扰动等非线性特征,自适应调整控制器参数。针对TTS欠驱动非线性跟踪问题,反步控制(Backstepping Control)结合自适应前视和神经补偿技术,以机具阵列中心或拖车质心为参考,通过级联速度分解构建虚拟控制量,可抑制滑移和地形变化导致的轨迹超调。其次,论文综述了基于模型的控制策略,包括模型预测控制(MPC)和鲁棒抗扰控制。MPC框架中引入遗传算法(GA)、粒子群优化(PSO)等元启发式优化算法在线优化预测时域、控制时域和权重矩阵,以适应不同越野环境。双层纵横向协同MPC架构利用上层LTV-MPC求解前轮转向角和附加横摆力矩,下层通过二次规划或深度强化学习(DRL)分配最优目标转矩,平衡跟踪精度与动态稳定性。鲁棒抗扰控制方面,滑模控制(SMC)和基于扰动观测器的方法被广泛采用。超扭曲算法(Super-Twisting)的二阶和三阶滑模控制(SOSM/TOSM)可将不连续控制项嵌入高阶积分项,有效抑制抖振并保证有限时间收敛。高阶扰动观测器(DOB/ESO)与自适应滑模级联结构实现精确扰动补偿。学习型与智能控制策略方面,分布式电驱动底盘集成DRL和神经网络在线优化四轮转矩分配,提高牵引效率和能量利用率。基于长短期记忆网络(LSTM)和自注意力机制的SAC、TD3强化学习算法,以轮边载荷、路径曲率和跟踪误差为输入,构建多目标帕累托奖励函数,在线求解最优滑移率和转矩分配策略,可降低能耗5.6%至9.7%。多算法融合与元启发式优化方法(如动态规划DP、PSO、等效氢/油耗最小化策略ECMS)结合MPC框架,动态调整燃料电池输出功率和电池功率放电速率,提升重载续航和经济性。最后,论文横向比较了不同控制策略:自适应运动控制器计算成本低但抗干扰能力有限;基于模型的控制策略(MPC、SMC)在复杂工况下精度高但需精确模型和计算资源;学习型方法提供强非线性适应性但可靠性和可解释性仍是挑战。

**5. Coordinated Chassis Control and Active Safety Systems**
该部分首先介绍了主动挂车转向系统(ATS)。ATS通过分层多体多轴协同主动控制设计,采用线性二次调节器(LQR)或LTV-MPC级联架构,结合带遗忘因子的递推最小二乘算法识别拖车轮胎侧偏刚度,求解最优拖车转向角,实现拖车与拖拉机轮迹精确重合。结合后轮主动转向(RWS)或四轮全独立主动转向(4WSS),在双移线(DLC)测试和田间评估中减小了扫掠宽度和峰值横向偏差,将拖车后向放大率(RA)维持在1.0以下,抑制拖车摆振。分布式电驱动、扭矩矢量分配与差动制动部分,直接横摆力矩控制(DYC)通过动态调节拖拉机两侧车轮及拖车电驱动轮毂的纵向驱动力产生横摆力矩。上层采用LQR或MPC实时计算期望横摆力矩,下层扭矩矢量控制器(TVC)结合垂直载荷分布策略与约束二次规划(QP)算法分配控制指令,在低附着泥泞工况下可在几毫秒内切断打滑车轮动力并重新分配驱动力,减少轮胎磨损和横向跟踪误差。防折叠与防侧翻策略方面,针对折叠(jackknifing)和侧翻(rollover)两种失稳形式,现有研究采用多维底盘协同主动控制架构,如算术优化算法(AOA)全局优化参数,当铰接角变化率超过安全阈值时同步激活主动前轮转向(AFS)、扭矩矢量控制(TVC)和拖车单侧脉冲差动制动,形成多执行器协同约束。单框架控制力矩陀螺(SGCMG)系统在车轮离地前输出反向抗倾覆力矩,结合主动前轮转向(AS)协调调节,将车辆安全行驶范围扩大一倍。车辆底盘与作业机具协调控制方面,电液悬挂系统(EHHS)结合动力总成工况动态调度技术,采用基于双变量滑模微分观测器(SOSM)的三维集成协调调节引擎,在轮胎打滑时快速提升机具并平稳返回目标工作层,确保路径跟踪精度与作业质量。

**6. Embedded Deployment and Engineering Implementation of Intelligent Agricultural Machinery Control Algorithms**
该部分首先讨论了嵌入式计算架构与算法软件实现。农业机械控制系统通常由感知层、决策层、控制层和执行层组成,底层驱动使用C/C++,实时任务调度层依赖RTOS或嵌入式Linux,算法应用层利用MATLAB/Simulink自动代码生成或ROS框架部署。基于微控制器(MCU)的方案可满足低延迟控制需求,如电动自动转向系统采用数字PID算法跟踪目标角度。对于电液比例阀等非线性执行器,需建立AMESim仿真模型并通过实验数据优化控制参数。其次,分析了控制算法计算需求与实时性能。模糊控制及其与比例-微分(PD)控制结合的方法具有强非线性适应性和低计算复杂度,已用于农机自动导航系统优化PID参数,实现厘米级路径跟踪精度。MPC需在线求解优化问题,对处理器性能要求较高,通常需要高性能边缘计算平台。滑模控制(SMC)与扩展状态观测器结合可补偿外部扰动,但嵌入式实时部署仍需优化。纵横向解耦控制策略结合改进Smith预测控制可减少系统延迟。工程实现现状方面,已部署的算法主要集中在自动转向、执行器控制和导航辅助,如电液比例阀控制参数实验分析、自动导航与变量作业系统。而滑模预测控制等先进算法仍处于仿真或实验平台阶段,大规模田间应用需进一步验证。最后,论文指出了智能农机控制系统集成面临的挑战,包括数据驱动方法的高计算需求需依赖边缘计算和模型压缩技术、多模块机械系统的稳定控制、智能执行器的发展以及土壤-机械-环境多物理场耦合效应。未来方向是构建基于感知、计算、控制和执行协同优化的工程系统。

**7. Open Challenges and Future Perspectives**
该部分总结了当前开放挑战与未来方向。首先,高保真在线轮胎-土壤相互作用学习方面,传统模型参数在有限土壤条件下获取,难以反映动态变化。未来应开发结合物理知识与数据驱动方法的在线学习框架,利用轮毂电机高频电流反馈、智能轮胎三维应变数据和LiDAR点云信息,结合物理信息神经网络(PINNs)在线估计土壤刚度和附着极限。其次,视觉-语言-动作(VLA)模型与具身智能方面,现有分层架构存在模块间信息脱节和误差累积问题,未来部署轻量级VLA模型,融合全景视觉、红外感知、车辆动力载荷信号和农业领域知识,减少对人工设计规则的依赖。最后,边缘计算与V2X多车协同编队方面,未来构建基于边缘计算和车联网(V2X)的分布式协同控制架构,依靠5G Advanced/6G专网实现多车位置、铰接角和机具牵引力的高频同步,采用分布式模型预测控制(DMPC)和多智能体强化学习算法实现滚动优化,降低单机感知和计算能力限制。

**8. Conclusions**
该综述总结了自主TTS在非结构化越野环境中路径跟踪与运动控制的核心技术。在状态估计层面,RTK-GNSS/INS与LiDAR、立体视觉的多源融合构建了越野感知基本框架,自适应卡尔曼滤波(ASTUKF、DAUKF)和ARBFNN数据驱动观测器提高了复杂工况下状态和轮胎-土壤参数估计精度。在建模与控制策略层面,传统运动学控制难以适应大滑移、重载等极端工况,当前研究将非线性车辆动力学、地面力学和机具干扰纳入LTV-MPC、NMPC和高阶滑模等先进控制框架,结合智能优化算法、自适应预测时域调整技术以及ATS、扭矩矢量控制(TVC)和机电液悬挂协同控制,有效补偿执行器延迟,保证路径跟踪精度,抑制折叠和侧翻失稳。尽管现有分层模块化控制架构已趋于成熟,但在非均匀土壤动态流变和复杂极端工况下的泛化能力仍有限。未来自主农机研究有望进一步探索基于物理的轮胎-土壤交互学习、基于人工智能的决策与控制框架,以及边缘计算和先进通信技术实现的分布式多车协同,但在模型泛化、计算效率、安全验证和大规模田间部署方面仍需大量努力。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号