基于自適應(yīng)模糊控制的拖拉機自動導(dǎo)航系統(tǒng)

1、基于自適應(yīng)模糊控制的拖拉機自動導(dǎo)航系統(tǒng)摘要：闡述了一種基于自適應(yīng)模糊控制的拖拉機自動導(dǎo)航系統(tǒng)。由PLC、電控開關(guān)液壓閥和比例方向液壓閥組成自動轉(zhuǎn)向控制系統(tǒng)，設(shè)計了PD轉(zhuǎn)向控制算法；為提高拖拉機自動導(dǎo)航的精度和穩(wěn)定性，提出了一種基于遺傳算法的自適應(yīng)模糊控制方法，采用遺傳算法在線優(yōu)化模糊控制規(guī)則以及輸出比例因子，既保留了傳統(tǒng)模糊控制的優(yōu)點，又有效了改善了系統(tǒng)的控制品質(zhì)；仿真和田間實驗結(jié)果表明，該方法可以迅速消除跟蹤誤差，相應(yīng)速度快，超調(diào)小，系統(tǒng)工作穩(wěn)定，穩(wěn)態(tài)跟蹤誤差不超過10cm。關(guān)鍵詞：拖拉機；模糊控制；遺傳算法；自動導(dǎo)航；自適應(yīng)控制引言為提高農(nóng)用車輛自動導(dǎo)航的精度和穩(wěn)定性，許多學(xué)者對其導(dǎo)航方法

2、進行了研究。文獻111分別對線性模糊控制方法、模糊控制方法、最優(yōu)控制方法、神經(jīng)網(wǎng)絡(luò)控制方法以及純追蹤算法進行了研究?？傮w來說，目前對于自適應(yīng)導(dǎo)航控制方法研究較少。 模糊控制具有不依賴精確的數(shù)學(xué)模型、魯棒性好等特點。對于一個確定的模糊控制器，當(dāng)被控對象受到參數(shù)攝動和外部干擾等不確定因素影響時，仍可以保證系統(tǒng)最終趨于穩(wěn)定，但是會降低系統(tǒng)的控制品質(zhì)，出現(xiàn)諸如振蕩加劇、過渡時間過長等缺點。因此有必要研究自適應(yīng)模糊控制方法，在控制過程中的不同階段，對模糊控制器進行自動調(diào)整。拖拉機本身是一個具有大延遲、高度非線性以及時變性和不確定性的復(fù)雜系統(tǒng)，而且農(nóng)田地況較差，輪胎和地面作用過程復(fù)雜，難以建立精確的數(shù)學(xué)模

3、型，因此應(yīng)避免運用車輛模型進行控制，但是也應(yīng)該充分挖掘車輛模型所蘊含的車輛狀態(tài)信息，以改善導(dǎo)航系統(tǒng)性能。 本文提出一種基于遺傳算法的自適應(yīng)模糊控制算法，以RTK-DGPS為導(dǎo)航傳感器，構(gòu)建拖拉機自動導(dǎo)航系統(tǒng)，并進行拖拉機田間自動導(dǎo)航實驗。1 拖拉機自動導(dǎo)航控制系統(tǒng)研究平臺為福田雷沃FT704拖拉機，前輪轉(zhuǎn)向，后輪驅(qū)動。自動導(dǎo)航控制系統(tǒng)如圖1所示。 圖1 導(dǎo)航控制系統(tǒng)系統(tǒng)采用分層控制策略，兩層之間通過CAN總線（ISO11783協(xié)議標(biāo)準(zhǔn)）同信。PPC-3710GS型工控機作為上層控制器，通過串口接受RTK-DGPS輸出的GGA和VTG兩種數(shù)據(jù)格式（輸出頻率5Hz），獲取車輛的位置、航向和速度信息

4、，經(jīng)過導(dǎo)航控制算法輸出期望前輪轉(zhuǎn)角。KSC-10PLC作為下層控制器，實時采集角度傳感器數(shù)據(jù)，獲取當(dāng)前前輪轉(zhuǎn)角，與期望轉(zhuǎn)角相比較，通過轉(zhuǎn)向控制算法，輸出功率PWM信號和功率開關(guān)信號，驅(qū)動開關(guān)閥和比例方向閥，實現(xiàn)前輪轉(zhuǎn)向動作，并實時檢測壓力傳感器的輸出信號，實現(xiàn)自動駕駛模式和人工駕駛模式的自動切換。2 基于遺傳算法的自適應(yīng)模糊導(dǎo)航控制器 采用拖拉機的橫向偏差E和航向偏差作為模糊控制器的輸入，輸出量為期望前輪轉(zhuǎn)角U。橫向偏差E基本論域選擇為-30cm,30cm，量化因子為Ke=0.5，航向偏差基本論域選擇為-15°，15°，量化因子為K=1，即兩輸入變量的模糊論域均為-15,1

5、5，同時令輸出變量的模糊論域與輸入相等。模糊控制器可以用解析式概括為12 U=-(E+(1-) （0,1） （1）其中，為規(guī)則修正因子，又稱為加權(quán)因子。通過調(diào)整值，可以調(diào)整控制規(guī)則。這種基于解析式的模糊控制器可以將變量的基本論域劃分得很細，不僅有利于提高控制精度，而且易于計算機實現(xiàn)，避免了常規(guī)模糊控制器規(guī)則繁瑣的缺點。采用模擬生物進化過程的遺傳算法對模糊控制的修正因子以及輸出比例因子進行在線整定，以達到自適應(yīng)控制。控制算法原理如圖2所示。 圖2 基于GA的導(dǎo)航控制原理圖遺傳算法具有魯棒性強、并行搜索和群體尋優(yōu)等優(yōu)點，是一種有效的參數(shù)優(yōu)化手段。其基本操作主要包括編碼、解碼、選擇、交叉和變異，設(shè)計

6、如下：（1）編碼和解碼考慮到拖拉機前輪轉(zhuǎn)向范圍為-25°，30°，模糊控制器輸出比例因子大小范圍選擇為Kµ0.2,1.67。編碼方式采用搜索能力較強的二進制編碼，染色體是長度為10位的二進制串，占6位，Kµ占4位。相應(yīng)的解碼方式為 （2）式中 binrep()6位字符串表示的二進制整數(shù) binrep(Kµ)4位字符串表示的二進制整數(shù) （2）適應(yīng)度函數(shù)的構(gòu)造適應(yīng)度函數(shù)的選取直接影響GA的收斂速度以及能否找到最優(yōu)解。由于根據(jù)ITAE指標(biāo)設(shè)計的系統(tǒng)超調(diào)量小，阻尼適中，具有良好的動態(tài)特性，而且在農(nóng)用車輛自動導(dǎo)航中，橫向跟蹤偏差是衡量控制效果的首要指標(biāo)，

7、故選擇橫向跟蹤偏的ITAE指標(biāo)的倒數(shù)為適應(yīng)度函數(shù)，即為 （3）式中 y(t)t時刻的橫向跟蹤偏差，m在實際尋優(yōu)中，為提高算法運算速度，保證控制的實時性，改進為 （4）式中 t分段積分區(qū)間長度，為0.1s Y（k)kt時刻的橫向跟蹤偏差，m 拖拉機前進速度，m/s round對結(jié)果取整為計算適應(yīng)度函數(shù)，采用簡化的兩輪車運動學(xué)模型推算y(k)，由于不考慮車輛離心力和側(cè)滑，兩輪車模型雖然在實際過程中不能完全精確描述車輛的運動狀態(tài)，但是在很大程度上還是能夠反映車輛真實運動變化趨勢的。同時將液壓轉(zhuǎn)向系統(tǒng)簡化為一階慣性環(huán)節(jié)13，以預(yù)定直線路徑為橫軸建立跟蹤坐標(biāo)系，前進方向為橫軸正方向，跟蹤起點橫坐標(biāo)為零，

8、則可得如圖3所示的非線性運動學(xué)模型為 圖3 兩輪車運動學(xué)模型 （5） 式中 x跟蹤距離，m v速度，m/s y橫向跟蹤偏差，m L軸距，m 航向跟蹤偏差，rad 前輪轉(zhuǎn)向角，rad 慣性時間常數(shù)，s d期望前輪轉(zhuǎn)角，rad （3）選擇策略采用按適應(yīng)度比例分配的輪盤賭選擇法，即利用個體適應(yīng)度比例的概率決定其后代留存的可能。若個體i的適應(yīng)度為fi，則其被選中的概率為 （6） (4) 遺傳算子主要包括交叉和變異兩個遺傳算子。交叉算子采用單點交叉方式；變異算子，以變異概率對染色體的每個二進制位進行邏輯取反。遺傳算法的流程如圖4所示。 、Kµ參數(shù)編碼 隨機產(chǎn)生初始群體 解碼并計算適應(yīng)度 產(chǎn)生群

9、體 滿足終止條件？ 選擇、交叉、變異 輸出、Kµ 圖4 基于GA的、Kµ參數(shù)優(yōu)化流程3 前輪轉(zhuǎn)向控制器由于KSC-10型PLC支持多任務(wù)運行模式，所以將下層控制器的任務(wù)劃分為：任務(wù)1，按照ISO11783規(guī)定的時間周期向?qū)Ш娇刂破鲌蟾媲拜嗈D(zhuǎn)角；任務(wù)2，負責(zé)前輪轉(zhuǎn)向控制以及駕駛模式的切換和上報。任務(wù)1的優(yōu)先級高于任務(wù)2。前輪自動轉(zhuǎn)向控制是通過轉(zhuǎn)向控制算法輸出一定的功率型號，控制比例閥門的開度，通過調(diào)節(jié)流量來調(diào)節(jié)前輪的轉(zhuǎn)向速度，從而實現(xiàn)轉(zhuǎn)角的控制。本文采用位置式數(shù)字PD控制器實現(xiàn)前輪轉(zhuǎn)角控制，期望轉(zhuǎn)角與當(dāng)前轉(zhuǎn)角之差作為控制器輸入。轉(zhuǎn)向控制原理如圖5所示。 圖5 轉(zhuǎn)向控制結(jié)構(gòu)考慮

10、到比例方向閥有兩路PWM輸入，而且有700mA的電流死區(qū)，控制算法改進為 (7)式中 IpdPD算法輸出值 Kp比例系數(shù) ek當(dāng)前角度誤差 KD微分系數(shù) ek-1前一次角度誤差 Iout控制器最終輸出值Iout的正負極性分別代表左路和右路PWM輸入，相應(yīng)代表前輪的兩個轉(zhuǎn)動方向。在轉(zhuǎn)向過程中的某一時刻，必然有一路PWM輸入需要置為0。4 算法與系統(tǒng)實驗4.1 前輪轉(zhuǎn)向控制實驗為盡可能考慮農(nóng)田地面狀況對前輪轉(zhuǎn)向控制的影響，找了一塊剛秋收后的玉米地進行轉(zhuǎn)向控制實驗。選擇頻率為0.2Hz，幅值為15°方波指令曲線和正弦指令曲線對轉(zhuǎn)向控制器進行測試。經(jīng)過多次調(diào)試，當(dāng)Kp=250，KD=20時，

11、轉(zhuǎn)向控制效果較佳。測試結(jié)果如圖6所示。 圖 6 指令曲線跟蹤 (a) 方波曲線跟蹤 (b) 正弦曲線跟蹤可見，轉(zhuǎn)向控制系統(tǒng)可以較好地完成信號跟蹤任務(wù)。對于方波信號，跟蹤一個30°的階躍信號（從-15°到15°或反之）大約需要1.21.4s，對于正弦波，跟蹤延遲約為0.20.4s，可滿足實際自動導(dǎo)航需求。另外，在正負峰值處，跟蹤曲線并不完全對稱，這是由于左右轉(zhuǎn)向時執(zhí)行機構(gòu)參數(shù)不同造成的。4.2 導(dǎo)航控制算法仿真首先在Matlab環(huán)境下，采用式(5)所描述的兩輪車模型，對設(shè)計的自適應(yīng)導(dǎo)航控制算法進行仿真驗證，仿真程序采用M語言編寫。運動學(xué)參數(shù)為：=2m/s，L=2.3

12、m，=0.1s。遺傳算法的種群大小為40，進化代數(shù)為40代，交叉概率為0.6，變異概率為0.02.拖拉機初始狀態(tài)為3.5m,0.4rad,0.2rad，分別代表橫向偏差、航向偏差和前輪轉(zhuǎn)向偏差，導(dǎo)航控制周期為200ms。與之對比，常規(guī)模糊控制的規(guī)則因子選擇為0.6，輸出比例因子為1。仿真結(jié)果如圖7所示。 圖7 直線跟蹤仿真由圖可見，基于GA的自適應(yīng)模糊控制與常規(guī)模糊控制相比，消除誤差的速度更快，幾乎沒有超調(diào)和振蕩，具有良好的動態(tài)性能，在理論上是可行的。通過大量仿真發(fā)現(xiàn)，在GA每步進化中，基本不超過10代即可尋找到最優(yōu)解，其中一步的進化過程如圖8所示 圖8 適應(yīng)度曲線另外，在拖拉機自動導(dǎo)航過程中

13、，導(dǎo)航控制算法的實時性問題也是必須考慮的問題。將上述自適應(yīng)控制方法在工控機的Visual C +6.0環(huán)境下進行驗證，進化代數(shù)設(shè)置為10代，經(jīng)統(tǒng)計發(fā)現(xiàn)，美不優(yōu)化平均耗時10ms左右，與200ms的導(dǎo)航控制周期相比，其算法延時造成的影響可以忽略不計。4.3 田間自動導(dǎo)航試驗試驗地點選擇在一塊秋收后的玉米地，地面顛簸不平。轉(zhuǎn)向控制器采用上述設(shè)計的數(shù)字PD控制器，拖拉機速度為2m/s左右，分別對常規(guī)模糊控制方法和基于GA的自適應(yīng)模糊控制方法進行試驗，實驗結(jié)果如圖9所示。 （a） （b） 圖9 自動導(dǎo)航系統(tǒng)跟蹤（a）常規(guī)模糊控制 （b）基于GA的自適應(yīng)模糊控制由圖可見，基礎(chǔ)常規(guī)模糊控制的直線跟蹤，存在

14、一定的超調(diào)和振蕩，穩(wěn)態(tài)時最大偏差為20cm左右，而基于自適應(yīng)模糊控制的直線跟蹤可以迅速消除橫向偏差，超調(diào)較小，振蕩也較小，穩(wěn)態(tài)時最大橫向偏差為10cm左右，跟蹤曲線變化相對平緩，具有良好的動態(tài)特性?？紤]到地面顛簸不平對GPS天線造成一定定位誤差情況下，這個跟蹤精度是可以接受的。5 結(jié)論(1)對電控液壓轉(zhuǎn)向機構(gòu)進行了研究，設(shè)計的位置數(shù)字PD轉(zhuǎn)向控制器，具有良好的動態(tài)性能，可以滿足農(nóng)業(yè)機械自動導(dǎo)航的需求。(2)對拖拉機自動導(dǎo)航控制算法進行了研究，設(shè)計的基于遺傳算法的自適應(yīng)模糊控制器，可以顯著提高拖拉機自動導(dǎo)航時的跟蹤精度，改善系統(tǒng)的控制品質(zhì)。 參考文獻1 Noguchi N,Will J,Reid

15、 J,et al. Development of a master-slave robot system for farm operationsJ. Computer and Electronics in Agriculture,2004,44(1):119.2 Kaizu Y,Yokoyama S,Imou K,et al. Vision-based navigation of a rice transplanter C/2004 CIGR International Confenrence,Vol.2,Beijing,2004:III 147.3周建軍，張漫.基于模糊控制的農(nóng)用車輛路線跟蹤

16、J.農(nóng)業(yè)機械學(xué)報，2009,40（4）：151156.4周俊，姬長英.視覺導(dǎo)航輪式移動機器人橫向預(yù)測模糊控制J.農(nóng)業(yè)機械學(xué)報，2002,33（6）：7679.5呂安濤，毛恩榮，宋正河，等.一種拖拉機自動駕駛復(fù)合模糊控制方法J.農(nóng)業(yè)機械學(xué)報，2006，37（4）： 1720.6呂安濤，宋正河，毛恩榮.拖拉機自動轉(zhuǎn)向最優(yōu)控制方法的研究J.農(nóng)業(yè)工程學(xué)報，2006，22（8）：116 119.7朱忠祥，宋正河，謝斌，等.拖拉機隊列自動控制系統(tǒng)J.農(nóng)業(yè)機械學(xué)報，2009,40（8）：149154.8陳軍，朱忠祥，鳥巢諒，等.拖拉機沿曲線路徑的跟蹤控制J.農(nóng)業(yè)工程學(xué)報，2006,22（11）：108111

17、.9周俊，姬長英，劉成良.農(nóng)用輪式移動機器人視覺導(dǎo)航系統(tǒng)J.農(nóng)業(yè)機械學(xué)報，2005,36（3）：9094.10陳軍，朱忠祥，鳥巢諒，等.基于神經(jīng)網(wǎng)絡(luò)的農(nóng)用車輛自動跟蹤控制J.農(nóng)業(yè)機械學(xué)報，2007,38（5）： 131133.11張智剛，羅錫文.基于Kalman濾波和純追蹤模型的農(nóng)業(yè)機械導(dǎo)航控制J.農(nóng)業(yè)機械學(xué) 報，2009,40（增 刊）：612.12李士勇.模糊控制、神經(jīng)控制和智能控制論M.哈爾濱：哈爾濱工業(yè)大學(xué)出版社，1998.13呂安濤.基于GPS/IMU的拖拉機自動駕駛方法的研究D.北京：中國農(nóng)業(yè)大學(xué)，2006. Matlab仿真代碼%fuzzy tunning PID control

18、clear all;clear all; a=newfis('fuzzpid'); a=addvar(a,'input','e',-3,3); %parameter ea=addmf(a,'input',1,'NB','zmf',-3,-1);a=addmf(a,'input',1,'NM','trimf',-3,-2,0);a=addmf(a,'input',1,'NS','trimf',-3,-1,1

19、);a=addmf(a,'input',1,'Z','trimf',-2,0,2);a=addmf(a,'input',1,'PS','trimf',-1,1,3);a=addmf(a,'input',1,'PM','trimf',0,2,3);a=addmf(a,'input',1,'PB','smf',1,3); a=addvar(a,'input','ec',-3,3

20、); %parameter eca=addmf(a,'input',2,'NB','zmf',-3,-1);a=addmf(a,'input',2,'NM','trimf',-3,-2,0);a=addmf(a,'input',2,'NS','trimf',-3,-1,1);a=addmf(a,'input',2,'Z','trimf',-2,0,2);a=addmf(a,'input',

21、2,'PS','trimf',-1,1,3);a=addmf(a,'input',2,'PM','trimf',0,2,3);a=addmf(a,'input',2,'PB','smf',1,3); a=addvar(a,'output','kp',-0.3,0.3); %parameter kpa=addmf(a,'output',1,'NB','zmf',-0.3,-0.1);a=ad

22、dmf(a,'output',1,'NM','trimf',-0.3,-0.2,0);a=addmf(a,'output',1,'NS','trimf',-0.3,-0.1,0.1);a=addmf(a,'output',1,'Z','trimf',-0.2,0,0.2);a=addmf(a,'output',1,'PS','trimf',-0.1,0.1,0.3);a=addmf(a,'outp

23、ut',1,'PM','trimf',0,0.2,0.3);a=addmf(a,'output',1,'PB','smf',0.1,0.3); a=addvar(a,'output','ki',-0.06,0.06); %parameter kia=addmf(a,'output',2,'NB','zmf',-0.06,-0.02);a=addmf(a,'output',2,'NM','t

24、rimf',-0.06,-0.04,0);a=addmf(a,'output',2,'NS','trimf',-0.06,-0.02,0.02);a=addmf(a,'output',2,'Z','trimf',-0.04,0,0.04);a=addmf(a,'output',2,'PS','trimf',-0.02,0.02,0.06);a=addmf(a,'output',2,'PM','trimf&

25、#39;,0,0.04,0.06);a=addmf(a,'output',2,'PB','smf',0.02,0.06); a=addvar(a,'output','kd',-3,3); %parameter kda=addmf(a,'output',3,'NB','zmf',-3,-1);a=addmf(a,'output',3,'NM','trimf',-3,-2,0);a=addmf(a,'output&#

26、39;,3,'NS','trimf',-3,-1,1);a=addmf(a,'output',3,'Z','trimf',-2,0,2);a=addmf(a,'output',3,'PS','trimf',-1,1,3);a=addmf(a,'output',3,'PM','trimf',0,2,3);a=addmf(a,'output',3,'PB','smf',1,3)

27、; rulelist=1 1 7 1 5 1 1; 1 2 7 1 3 1 1; 1 3 6 2 1 1 1; 1 4 6 2 1 1 1; 1 5 5 3 1 1 1; 1 6 4 4 2 1 1; 1 7 4 4 5 1 1; 2 1 7 1 5 1 1; 2 2 7 1 3 1 1; 2 3 6 2 1 1 1; 2 4 5 3 2 1 1; 2 5 5 3 2 1 1; 2 6 4 4 3 1 1; 2 7 3 4 4 1 1; 3 1 6 1 4 1 1; 3 2 6 2 3 1 1; 3 3 6 3 2 1 1; 3 4 5 3 2 1 1; 3 5 4 4 3 1 1; 3 6

28、3 5 3 1 1; 3 7 3 5 4 1 1; 4 1 6 2 4 1 1; 4 2 6 2 3 1 1; 4 3 5 3 3 1 1; 4 4 4 4 3 1 1; 4 5 3 5 3 1 1; 4 6 2 6 3 1 1; 4 7 2 6 4 1 1; 5 1 5 2 4 1 1; 5 2 5 3 4 1 1; 5 3 4 4 4 1 1; 5 4 3 5 4 1 1; 5 5 3 5 4 1 1; 5 6 2 6 4 1 1; 5 7 2 7 4 1 1; 6 1 5 4 7 1 1; 6 2 4 4 5 1 1; 6 3 3 5 5 1 1; 6 4 2 5 5 1 1; 6 5

29、2 6 5 1 1; 6 6 2 7 5 1 1; 6 7 1 7 7 1 1; 7 1 4 4 7 1 1; 7 2 4 4 6 1 1; 7 3 2 5 6 1 1; 7 4 2 6 6 1 1; 7 5 2 6 5 1 1; 7 6 1 7 5 1 1; 7 7 1 7 7 1 1; a=addrule(a,rulelist);a=setfis(a,'DefuzzMethod','mom');writefis(a,'fuzzpid'); a=readfis('fuzzpid'); %PID controllerts=0.00

30、1;sys=tf(5.235e005,1,87.35,1.047e004,0);dsys=c2d(sys,ts,'tustin');num,den=tfdata(dsys,'v'); u_1=0.0;u_2=0.0;u_3=0.0; y_1=0;y_2=0;y_3=0; x=0,0,0' error_1=0;e_1=0.0;ec_1=0.0; kp0=0.40;kd0=1.0;ki0=0.0; for k=1:1:500time(k)=k*ts; rin(k)=1; %using fuzzy inference to tunning PIDk_pid=e

31、valfis(e_1,ec_1,a);kp(k)=kp0+k_pid(1);ki(k)=ki0+k_pid(2);kd(k)=kd0+k_pid(3); u(k)=kp(k)*x(1)+kd(k)*x(2)+ki(k)*x(3); if k=300 %adding disturbance(1.0v at time 0.3s) u(k)=u(k)+1.0;endif u(k)>=10 u(k)=10;endif u(k)<=-10 u(k)=-10;end yout(k)=-den(2)*y_1-den(3)*y_2-den(4)*y_3+num(1)*u(k)+num(2)*u_1+num(3)*u_2+num(4)*u_3;error(k)=r