拖拉機自動駕駛關鍵技術綜述*

徐廣飛，陳美舟，金誠謙，苗河泉，逄煥曉，刁培松

(1. 山東理工大學農業工程與食品科學學院，山東淄博，255000； 2. 聊城市農業科學院，山東聊城，252000；3. 農業農村部南京農業機械化研究所，南京市，210014)

0 引言

智能化拖拉機是實施精準作業、發展現代農業的重要支撐手段，智能化農機裝備技術的應用對我國農業結構調整、技術升級、新興產業培育具有重大意義。《中國制造2025》明確，“在農機裝備領域，加快發展大型拖拉機及其復式作業機具、大型高效聯合收割機等高端農業裝備及關鍵核心零部件。提高農機裝備信息收集、智能決策和精準作業能力，推進形成面向農業生產的信息化整體解決方案”。因此，自動駕駛拖拉機在近幾年越來越成為研究熱點。目前，拖拉機作業已經可以實現基于導航的直線、曲線、地頭轉彎行駛控制以及基于激光雷達的避障控制[1]，對于自動駕駛拖拉機而言，一些關鍵技術成為自動駕駛程度的重要體現。自動駕駛領域應用的主要關鍵技術包括轉向控制、制動控制以及決策等。通過關鍵技術的討論研究，總結我國自動駕駛技術的發展現狀，發現我國自動駕駛拖拉機存在的問題，促進我國自動駕駛拖拉機的進一步發展，對于提高我國大型農機裝備的智能化水平具有重要意義。

1 自動駕駛拖拉機研究現狀

1.1 自動駕駛拖拉機國內研究現狀

目前，國內的自動駕駛拖拉機產品眾多。東方紅LX904自動駕駛拖拉機基于“衛導+慣導+激光雷達(微波雷達)+相機”的高精度、多源組合導航技術，能夠實現2.5 cm以內的精準作業，完成從播種、中耕到收獲的全過程自動作業；“超級拖拉機1號”是國內首款無駕駛室的純電動拖拉機，于2018年10月23日在洛陽下線，該產品包括無人駕駛系統、動力電池系統、智能控制系統、中置電機及驅動系統、智能網聯系統等，能夠實現對機具控制、PTO線控(電控執行機構)、提升/耕深控制、定速巡航、無人駕駛、路徑規劃、整車狀態監控等；東方紅LF1104-C無人駕駛拖拉機的無人駕駛系統由差分基準站、遠程遙控干預系統、車載農機無人駕駛系統、農機監測和信息管理系統4部分組成，具備在規定區域內的自動路徑規劃及導航、自動換向、自動剎車、遠程啟動、遠程熄火、自動后動力輸出、發動機轉速的自動控制、農具的自動控制、障礙物的主動避讓和遠程控制等功能。

雷沃歐豹系列無人駕駛導航拖拉機配套旋耕機雙機實現了無人駕駛協同旋耕作業，集全球衛星定位、GPS自動導航、電控液壓自動轉向、作業機具自動升降、油門開度自動調節和緊急遙控熄火等多項自動化功能為一體，實現了拖拉機自動控制精密播種、施肥、起壟等作業。阿波斯無人駕駛高地隙植保機能夠實現作業路徑規劃、自動田間轉向、自動對接行、車輛姿態控制，保證直線導航跟蹤精度小于1.25 cm，自動對行精度小于2.5 cm，轉向輪偏角控制精度小于1°。

近幾年，自動駕駛技術與高精度定位技術結合，基于各類導航的高精度自動駕駛技術得到不斷研究和發展。黑龍江八一農墾大學基于GPS/GIS進行了直線導航控制器設計，具有良好的控制效果。華南農業大學在東方紅X-804拖拉機上開發了基于RTK-DGPS的自動導航控制系統，基于PID算法的導航控制器具有較好的控制精度，之后提出了雙閉環轉向控制方法，將拖拉機直線跟蹤平均誤差從0.03 m降低到0.019 m[2-3]。隨著我國北斗衛星導航技術的應用，江蘇大學進行了基于北斗衛星導航的拖拉機路徑跟蹤控制研究，獲得了較好的直線跟蹤精度[4]。

為了解決單一導航信號不穩定以及精度低的問題，組合導航技術的研究逐漸進入自動駕駛技術研究的視野。中國農業大學基于自適應卡爾曼濾波方法對慣性導航系統(INS)和全球導航衛星系統(GNSS)航向信息進行融合，有效解決了農機自動導航系統在田間作業過程中因防風樹林等對衛星信號的遮擋與干擾，大大提高了導航精度[5]；之后基于速度自適應進行了自動導航控制研究，進一步提高了控制精度[6-7]。江蘇大學通過將GPS/INS組合導航技術與線控轉向技術相結合實現了農用車輛的路徑跟蹤自動駕駛[8]。

西北農林科技大學采用激光導航方式以激光掃描儀為檢測設備對果樹位置信息實時采集，采用最小二乘法規劃拖拉機導航路徑，實現了拖拉機在果園環境下的直線行走控制[9]。首都師范大學論述了基于激光測距傳感器的自動導航拖拉機行進前方障礙物檢測與識別方法，能夠有效識別障礙物特征信息，在此基礎上，基于機器視覺的自動駕駛技術得到了研究。中國農業大學提出了基于機器視覺的農業車輛—農具組合導航系統路徑識別方法并進行了控制研究，通過圖像處理技術對作業路徑及作業行進行快速檢測，輔助拖拉機完成自動路徑跟蹤作業[10]。為進一步提高識別精度和速度，又進行了基于雙目視覺的田間導航路徑識別方法研究，設計了路徑跟蹤控制策略以實現多種類型的路徑跟蹤[11]。

自動駕駛技術以不同形式應用在無人駕駛拖拉機上，一定程度上推動了智能化農機裝備的發展。但是國內自動駕駛拖拉機仍存在控制精度低、控制技術單一、傳感器可靠性差、傳感器融合率低等問題。同時，人工智能、大數據、5G通訊等高端技術以及先進控制算法等應用較少，導致我國拖拉機的自動駕駛智能化程度偏低。

1.2 自動駕駛拖拉機國外研究現狀

國外進行自動駕駛拖拉機研究的國家有俄羅斯、美國、日本等。俄羅斯的無人駕駛拖拉機AgroBot，控制中心通過拖拉機配備的計算機信息傳輸，可同時監視幾十臺設備的運行。美國某公司推出了無人駕駛拖拉機Spirit，無駕駛室，能完成直行、轉彎、避障、作業等動作，被譽為“履帶上的變電站”。美國某公司推出電動無人駕駛拖拉機GridCON，全自主運行，依靠拖曳電纜來驅動，具備導航系統、轉彎系統和避障系統等功能，其原型是約翰迪爾6210R拖拉機。此外，配備的智能導航系統可以避免拖拉機越過或者是撞上障礙物。

美國某公司生產出全球第一輛自動駕駛果園噴霧機，通過筆記本電腦和蜂窩網絡可以實現8臺自動駕駛噴霧機的同時操控；高精度定位技術可以有效地節約肥料、農藥，保障工作人員的安全，節省大量的人力，適用于柑橘、核桃等開闊果園。日本推出自動駕駛電動拖拉機X tractor通過鋰離子電池組和太陽能電池板的組合完全供電，4個Mattracks形狀的“爬行器”替代了車輪，可以在各種地形中實現最佳牽引力。各“爬行器”各由獨立集成電動機控制，可以以不同的速度獨立地旋轉，從而獲得非常緊湊的轉彎半徑。通過GPS、車載傳感器(如攝像頭)的配合和基于人工智能的制導系統應用，實現在常規田地和稻田中的自動行駛；AI系統可監控天氣和農作物生長率。

美國NH驅動概念拖拉機使用了自動駕駛的軟硬件設施。內置軟件通過對拖拉機形狀、體積以及拖拉機負載機具尺寸的評估，計算出最優效率的運行路徑；激光雷達或者攝像頭檢測障礙物后，系統會通知工作人員，并尋求該如何處理這些障礙物；系統在大屏幕上顯示了路徑運行軌跡及4個攝像頭采集的實時畫面，發動機功率以及燃油水平等數據也能實時顯示；駕駛員可通過播種間距、播種速度等作業參數的設置與監測，實現自動播種。

田間作業環境復雜，單純依靠導航技術尚不能滿足所有作業情況，拖拉機需要具有自主“辨識”能力。早在1995年明尼蘇達大學介紹了一種基于多處理器、多任務體系結構的地面車輛嵌入式實時控制系統，通過視覺系統自動跟蹤道路，借助距離傳感器執行障礙檢測和避碰，并設計了視覺感知、路徑跟蹤、障礙物檢測和避碰的算法[12]。丹麥皇家獸醫和農業大學開發了一種能夠遵循預定路線計劃的自動駕駛拖拉機，通過改裝方向盤、油門和自動轉向系統控制的連續可變傳動執行器，以一種確定的方式遵循預定義的指令，對未知的障礙和情況做出及時反應[13]。比利時魯汶大學為了實現自動牽引—掛車系統軌跡跟蹤的自動化，提高其轉向精度，提出了一種非線性模型預測控制方法，控制精度和效率較高[14]。日本筑波大學提出了一種利用激光測距儀(LRF)完成各種現場作業(如產品裝卸)的牽引—掛車停止控制方案，這種基于激光的路標導航系統，以及SHB單元，可以進行自動牽引—拖車系統的應用[15]。

國外自動駕駛技術研究較早，多傳感器融合技術的應用能夠有效地獲取環境信息以及拖拉機自身狀態信息，人工智能、通訊、高效控制、圖像識別等技術有效解決了更多更復雜的田間作業難題。但國外自動駕駛拖拉機更加適用于控制難度較低的大型農場及牧場，目前尚不適合我國的小地塊及復雜地形的應用。

2 自動駕駛轉向控制技術研究現狀

導航以及視覺傳感器采集的信息能夠為自動駕駛提供位置參考，但自動駕駛需要通過轉向系統的控制實現路徑跟蹤，因此，基于液壓的轉向系統控制方法得到廣泛深入的研究，主要針對電磁比例換向、電液耦合轉向助力以及電液耦合轉向自動駕駛控制等。

電磁比例換向既能根據輸入信號的極性對液流方向進行控制，又能根據輸入信號的大小控制流量大小，最終實現對轉向的控制。圖1為常用的電磁比例換向閥組。基于電磁比例換向控制，中國農業大學為滿足鋤草機器人執行機構運動需求，對除草機器人配套動力——東方紅804拖拉機進行了電液伺服運動控制研究，有效提高了拖拉機的轉向精度[16]。國立首爾大學考慮現有的液壓閥重疊或死區，提出了一種電液比例閥和電子控制單元結合的電液轉向控制系統[17-18]。山東大學針對傳統的全液壓轉向系統在轉向過程中易發生轉向沉重、失靈等狀況，提出一種拖拉機線控液壓轉向系統，然而，由于全液壓自動轉向系統是基于電磁比例換向閥進行控制，通用性差，改裝成本過高，控制精度并不理想[19-22]。

各類新型電液耦合的自動駕駛轉向系統得到了研究。江蘇大學進行了大客車新型電控液壓轉向系統的研究，將新型電液比例閥內置于傳統動力轉向器，通過隨速調節比例閥開度實現可變助力，有效提高了大客車高速行駛時的操縱安全性，降低了轉向系統在不轉向時的無效能耗[23]。山東理工大學設計了一套電液耦合轉向試驗臺(圖2)，能夠較好地實現拖拉機自動駕駛轉向模擬[24]。湖南大學、清華大學和吉林大學先后設計了電液耦合助力轉向控制策略，對電液耦合轉向系統控制進行了初步研究，主要應用于大中型商用車或者工程車[25-28]。

圖1 電磁比例換向閥

圖2 電液耦合轉向試驗臺

南京航空航天大學提出了一種集電動助力和電動液壓助力轉向功能于一體的電液復合轉向系統，該轉向系統具有復雜的機電液耦合關系，通過選擇主要耦合參數作為設計變量，以轉向能耗、轉向路感和方向盤回差為優化目標設計了電液耦合轉向改進的競爭多目標粒子群優化算法，轉向經濟性更優越，轉向路感更好，方向盤回差更小[29]。為了獲得更好的電液轉向系統的信號響應，索非亞技術大學提出了一種最優調諧比例積分微分(PID)系統，通過計算開關閥的驅動信號來實現轉向軌跡跟蹤[30]。為了考察電液耦合轉向油缸驅動轉矩與輪胎樞軸轉向阻力轉矩的匹配度，集美大學建立了模塊化的慣性軸承的穩態運動—機械耦合模型，提出了連桿力和轉向液壓的計算方法[31-32]。

綜上所述，自動駕駛拖拉機轉向控制研究主要經歷了電磁比例換向控制、電液耦合轉向助力控制以及電液耦合轉向自動駕駛控制等方面。電控液壓系統和電液耦合系統為主要的控制結構，兩者均涉及機械、電氣、液壓三系統的相互作用，在電機、液壓管路、液壓閥、動力缸等與機械轉向結構間存在耦合關系，因此協同控制比較困難，尤其是轉向過程中還會受到車速、液壓油液溫度、液壓供油壓力、土壤不平、震動、機械連接間隙等因素的影響，導致控制存在很大的不確定性以及干擾，因此，需要建立較為合理精確的模型并設計更為有效的控制器來實現有效控制。

在自動駕駛實現過程中，由于農田的空間約束以及高效的作業要求，拖拉機需要進行快速轉彎，單純的轉向控制已無法滿足農業生產需求，通過增加橫擺力矩能夠有效實現拖拉機快速轉彎，因此，需要加強對轉向制動控制的深入研究。

3 自動駕駛制動控制技術研究現狀

日本在農業機械自動化領域發展較快，尤其是農機自動駕駛方面。自動駕駛控制研究主要集中在制動力分配控制、穩定性制動控制及可再生制動控制等。日本京都大學考慮到拖拉機在旋耕時的側向運動會受到耕作土壤和耕層空間變化所產生的反作用力干擾，進行了拖拉機制動力分配控制研究[33-34]。

農用拖拉機與重型車輛的底盤類似，因此，我國對制動系統的研究始于重型車輛。吉林大學考慮了在轉彎過程中的側翻風險，設計了對重型車輛的轉彎制動控制策略，通過控制制動力顯著提高了彎道制動的方向穩定性[35]。之后利用差動制動控制來提高重型車輛穩定性，如圖3所示，顯著提高了車輛在暫態機動過程中的穩定性[36]。伊朗科技大學通過使用制動力分布可變的制動系統，改善制動性能和車輛穩定性，提出了一種創新的制動力分配策略，該策略能顯著提高車輛在不同減速等級下的曲線制動穩定性[37]。劍橋大學總結了由劍橋汽車動力學協會(CVDC)開發的新型氣動滑控制動系統的三軸重型貨車(HGV)半掛車緊急制動性能測試，設計了雙穩態閥門和滑模滑動控制器，能夠在極端操縱時更精確地控制車輪力[38]。

圖3 制動控制示意圖

吉林大學在傳統的半掛車制動系統的基礎上進行了改進，設計了一種基于前饋與反饋相結合的氣動主動制動壓力控制策略，通過PWM控制信號精確控制主動制動系統所需的輪缸制動壓力，控制策略實用可靠，能準確控制車輛的制動壓力[39]。

由于重型車輛重心位置高、重量大、體積大，容易發生側翻，文獻[40]又進一步考慮重型車輛的橫搖穩定性和橫擺穩定性機理，研究了基于仿真和差動制動技術的重型車輛穩定性控制方法，提高了車輛的行駛安全性和制動穩定性。為了進一步解決制動安全性、制動經濟性和舒適性之間的耦合問題，綜合主制動系統和輔助制動系統、電子控制制動系統(EBS)，提出了一種制動力分配控制策略，如圖4所示。該策略根據制動強度、制動墊磨損程度和制動規程的限制來分配制動力，在不同的負載條件下，保證了相同的制動距離，減小了制動時的牽引力，提高了制動安全性與經濟性，提高了駕駛員的舒適性[41]。

圖4 制動力分配控制示意圖

為了進一步研究制動過程的影響因素，并對制動能量進行回收控制，烏克蘭哈爾科夫國立技術大學研究了液壓機控制參數對帶GMT的輪式拖拉機制動過程的影響，確定了HMG液壓機在制動過程中控制參數變化的形式與輪式拖拉機的運動學、功率、能耗之間的關系，從而減少了制動距離，不足之處在于需要通過試驗驗證理論結果[42]。齊魯工業大學通過分析制動過程中的載荷轉移和牽引座縱向力，提出了半掛汽車列車的再生制動方法，在理想制動力分配的基礎上，制訂了適合半掛汽車列車的再生制動控制策略[43]。

集成式電子液壓制動系統為非線性時變系統，易受到溫度、濕度、載荷擾動等多重不確定因素的影響而產生振蕩現象[35]。拖拉機在大田作業時，各類不確定性因素顯著增加。因此在數學建模過程中需要考慮模型不確定性與干擾噪聲等。

綜上可知，制動控制技術的研究主要經歷了考慮土層變化制動力分配控制、考慮車輛穩定性制動力分配控制以及可再生制動控制研究。與汽車具有ABS、ESC等成熟的制動力矩控制系統不同，拖拉機制動力分配控制系統研發尚未出現，制動力分配控制技術可以提高拖拉機的機動性及轉向能力。由于拖拉機需要在土壤高低不平、硬度不均勻的惡劣環境下進行中高速作業，制動力分配控制系統需要實現強振動下的魯棒性，且拖拉機質量通常較大，重心偏高，在中高速情況下采取的制動分配會對車輛的穩定性造成影響，甚至引發側翻。因此，需要設計一種具有魯棒性以及防側翻的橫擺力矩控制方案。

4 自動駕駛決策技術研究現狀

駕駛行為決策是智能系統在一個連續的時間序列上，根據當前移動載體狀態合理地選擇操縱行為，以實現最終駕駛目標，屬于序貫決策問題，可詳細描述為：在每一個時序點上，智能系統根據當前時刻的狀態信息選擇響應的動作(如制動、轉向等)，執行決策的動作后，車輛的狀態向新的狀態遷移，智能系統根據反饋的狀態信息，在新的時序點上再次進行行駛行為決策，每一步動作均與最終的行駛目標有關。

機器學習在車輛、水下自主機器人等行為的決策應用上相對廣泛與深入，而在拖拉機的駕駛行為決策方面應用較少，使得拖拉機的基于機器學習的決策研究具有更大的研究空間。機器學習主要包括強化學習、模仿學習、深度學習以及深度強化學習等。其中，強化學習因存在與環境實時交互的在線學習特點，而被普遍應用于環境未知的學習場景中[44]，原理如圖5所示。

圖5 強化學習原理圖

強化學習是智能體以“試錯”的方式進行學習，以與環境進行交互獲得最大獎賞為目標的指導行為，具有很好的環境適用性。哈爾濱工程大學對基于行為主義的智能體技術在自主式水下機器人(Autonomous underwater vehicle，簡稱AUV)運動規劃中的應用進行了深入研究，極大提高了AUV自主作業過程中對環境的適應性、反應的快速性以及決策的有效性[45]。江蘇大學以智能汽車為研究對象，針對緊急變道問題，利用hp自適應偽譜法對初始階段和切換階段的切換點進行銜接，優化跟蹤階段軌跡，在滿足各項約束的情況下成功避開障礙物，同時縮短了需要優化的軌跡[46]。隨后，針對自主水下機器人在水下未知環境下的避障過程中存在的參數不確定性、干擾或模型不匹配問題，文獻[47]提出了一種改進的基于Q學習的控制方法，利用神經網絡進行函數逼近，克服了控制器設計中出現的連續狀態和大狀態空間問題，取得了很好的避障效果。文獻[48]通過強化學習進行車輛變道訓練得到較好的變道曲線以及變道效率。清華大學提出了一種基于自適應徑向基函數網絡滑模控制(ARBFNSMC)的車輛動力學穩定性控制策略，采用了參考模型層、偏航力矩控制層、制動力矩分配層和執行層的遞階控制結構，通過對不同層的運動決策分配來提高控制性能[49]。克蘭菲爾德大學提出了一種基于無監督和有監督混合學習方法對駕駛員制動強度進行識別[50]。清華大學通過神經網絡逼近最優參數及不確定性的方法分別進行自動駕駛車輛緊急制動控制以及側向動力學研究[51-52]。

然而，強化學習過于依賴環境的交互，使得學習過程漫長，而模仿學習，以優秀專家庫為對象進行模仿，可以大大提高學習效率，因此，斯坦福大學通過模仿學習將單智能體推廣到多智能體領域駕駛場景[53]。卡耐基梅隆大學研究了基于學習的道路自主駕駛仿人車道跟蹤與行為改變方法，分別提出基于視覺的道路駕駛端到端學習系統；基于注意力的分層動作空間學習結構并利用深度強化學習算法獲得變道行為，同時，利用LSTM對車輛進行軌跡預測，并演示人的行駛軌跡[54]。文獻[55-56]進一步通過LSTM對高速車輛的運動軌跡進行了有效預測。慕尼黑工業大學及北京聯合大學等將深度強化學習應用于車輛的縱向預測控制中，取得了很好預測效果[57-58]。

由于深度神經網絡具有強大的表示大規模動態信息的能力，并且RL可以有效地與動態環境交互以尋找最優策略。深度強化學習有效的結合了兩者的優勢。因此，中南大學針對智能車輛運動規劃過程中的模型誤差和跟蹤依賴問題，提出了一種基于深度強化學習的智能車輛模型轉移軌跡規劃方法，該方法能夠直接獲得有效的控制動作序列，解決連續輸入和連續輸出的智能車輛軌跡規劃問題。與傳統的軌跡規劃方法相比，該方法能夠輸出連續的轉角控制序列，減小了橫向控制誤差[59]。斯坦福大學利用深度Q學習進行車輛控制，采用各種獎勵函數來誘導特定的駕駛行為、雙Q學習、梯度更新規則和其他超參數，成功學會了并進行了轉彎操作[60]。

綜上可知，智能決策技術經歷了強化學習、模仿學習以及深度強化學習3個主要階段。而自動駕駛拖拉機在作業過程中與周邊動、靜態場景進行交互，要確保轉彎時不能發生碰撞或側翻，保證路徑跟蹤精度及最大作業效率，同時面臨能耗約束、轉彎半徑約束及地面滑移率約束等，可以借鑒智能汽車、水下機器人等的決策研究，設計更好的智能決策技術來解決上述問題。另外，同樣可以將智能決策技術應用到拖拉機的執行系統：電液耦合轉向系統、制動系統、作業系統等，使得拖拉機的系統運行能夠更加合理高效。

5 存在問題

通過分析國內外自動駕駛拖拉機的發展與研究現狀以及拖拉機自動駕駛關鍵技術：轉向、制動及決策技術，可以看出，我國的拖拉機自動駕駛研究仍未成熟，一些制約自動駕駛拖拉機進一步發展的關鍵技術問題仍然亟待解決，主要體現在以下幾個方面。

1) 多傳感器融合技術欠缺。隨著北斗導航、高速攝像等多傳感器的應用技術的成熟發展，如何更好地將傳感器獲得的多方位數據信息進行整合處理，為自動駕駛提供更好的保障是亟待解決的難點之一。拖拉機進行田間作業時，傳感器進行各類信息獲取的過程中會面臨各類干擾噪聲的影響，嚴重影響自動駕駛質量，同時，傳感器可能面臨失效風險，一旦傳感器失效，自動駕駛拖拉機就會出現失控，出現安全隱患。

2) 現有的自動駕駛實施方案主要有兩種：一種是在原有拖拉機液壓助力系統基礎上改裝并聯電磁閥等液壓控制部分，還有一種是不改變原來的液壓系統在轉向管柱或方向盤上增加電機控制部分，由于并聯電磁閥需改變原有油路且改裝成本較高，實施困難。因此，第二種方案采用較多。該方案由電機以及液壓組合提供轉向動力，而電機與液壓提供的動力比例關系需要依據不同的拖拉機進行調整；轉向系統為機械系統、電氣系統、液壓系統的耦合，內在轉向耦合機理尚未深入發掘，這給轉向控制帶來很大困難。由于拖拉機作業環境復雜，轉向過程容易受到土壤不平、振動、機械連接間隙等影響，導致行駛控制精度下降，作業效果較差。

3) 拖拉機制動系統的控制研究較少，尚未形成系統的制動方案，如制動力分配技術等高效制動技術也未見應用。制動控制系統內部由于管路設置及結構影響，使得制動發生時，輪胎的制動力分配不均進而產生附加橫擺力矩，增大了拖拉機的側翻風險。同時，制動液壓或氣壓在拖拉機高速作業情況下受到農田環境中的不確定性以及擾動的影響，造成流量不穩，進而影響制動控制效果。

4) 自動駕駛拖拉機在田間作業過程中面臨的是動態變化環境，在實現精準以及高效作業的同時，還要處理能耗、安全等問題。同時，自動駕駛拖拉機的控制涉及多個執行系統：轉向系統、制動系統、感知系統等，這些系統之間的相互配合完成拖拉機的整體控制也是難點。上述兩個問題可歸納為多目標多約束問題，而人工智能的興起為自動駕駛拖拉機解決問題提供了重要參考。在保證自動駕駛拖拉機作業安全的條件下更好地完成作業。

綜上所述，自動駕駛拖拉機在多傳感器融合、電液耦合轉向控制、制動控制以及作業場景下的智能決策方面具有較大的研究空間。

6 展望

自動駕駛拖拉機是自動化、智能化技術集成度比較高的機械系統。隨著對控制精度、智能化水平要求的不斷提高，待解決的技術問題不計其數，本文僅僅從關鍵技術中總結出近年來研究領域較為關注的一些熱點問題，重點分析了自動駕駛拖拉機在國內外的發展現狀及趨勢，并主要從轉向控制、制動控制、智能決策3個層面對實現自動駕駛拖拉機的關鍵技術進行了歸納整理。轉向控制以電控液壓轉向為主，在原有全液壓轉向系統基礎上加裝轉向電機成本較低、效果較好，是目前采用較多的方案；自動駕駛拖拉機制動控制主要集中在高速作業下的制動力分配上；智能決策目前對于自動駕駛拖拉機的研究主要集中于障礙物識別及避障。集成以上關鍵技術，未來自動駕駛拖拉機會有更大的發展潛力，主要包括以下幾個方面。

1) 多傳感器融合技術會得到更大的發展應用，北斗導航、攝像頭、激光雷達、毫米波雷達等會更大范圍的應用到自動駕駛拖拉機上，通過對多傳感器信息融合得到全方位的周邊環境信息，隨著傳感器技術的發展以及各類信息融合算法的應用，拖拉機的狀態參數信息獲取會更為精確快速，能夠為拖拉機自動駕駛提供各類信息參考，從而提高控制精度。

2) 在對電液耦合轉向技術及制動控制技術自身特性研究的基礎上，轉向控制技術與制動控制技術需要進行集成控制，進一步進行技術整合，一方面能夠提高中央控制器的運算速率，提高拖拉機整體的響應能力；另一方面，通過轉向制動集成控制，可以有效提高拖拉機的橫、縱向運動控制，最終，實現自動駕駛高效轉向，提高作業效率，保證作業安全。

3) 綜合性能較優的控制算法會得到越來越廣泛的研究應用。通過高性能控制算法的設計來解決多傳感器信息融合及應用、多執行機構的綜合精確控制等問題，同時，控制算法本身需要具備良好的響應能力、抵抗作業環境及系統本身帶來的干擾及不確定性等能力。通過高性能算法提高拖拉機自動駕駛的綜合控制能力。

4) 隨著我國土地流轉合并的推進及大型農場的發展，智能決策技術將會得到更多的應用。通過智能決策技術能夠使自動拖拉機根據“自身”條件及外界的環境條件、作業要求等，綜合考慮多控制目標、多控制約束，通過智能決策技術的“學習”方式，最終決策出當前環境及作業要求下的最優作業速度、作業路徑、轉向及制動控制方案等等，提高作業效率、減少作業損失及作業能耗、提高作業安全，為下一步多智能農機進行協同作業發展打下基礎。