基于小区育种路径自对齐的小麦小区播种机改进

引用本文

王浩, 唐勇伟, 董振振, 王茂励, 赵景波. 基于小区育种路径自对齐的小麦小区播种机改进[J]. 浙江农业学报, 2019,31(10): 1709-1716.
WANG Hao, TANG Yongwei, DONG Zhenzhen, WANG Maoli, ZHAO Jingbo. Self-alignment algorithm of wheat plot breeding path based on Beidou satellite positioning[J]. ACTA AGRICULTURAE ZHEJIANGENSIS, 2019,31(10): 1709-1716.
复制到剪切板

Doi: 10.3969/j.issn.1004-1524.2019.10.17
Permissions

《浙江农业学报》编辑部所有

基于小区育种路径自对齐的小麦小区播种机改进

王浩^1,², 唐勇伟^2,^*, 董振振^1,², 王茂励², 赵景波¹

1.青岛理工大学信息与控制工程学院,山东青岛 266520

2.齐鲁工业大学(山东省科学院),山东省计算中心(国家超级计算济南中心),山东省计算机网络重点实验室,山东济南 250014

*通信作者,唐勇伟,E-mail:tywin@126.com

作者简介:(1995—),男,山东青岛人,硕士研究生,研究方向为智能农机控制系统的研发。E-mail:785535230@qq.com

收稿日期: 2018-11-19

基金资助: 国家重点研发计划(2016YFD0702103,2017YFD0710201); 山东省农机装备研发创新计划(2017YF006-02,2018YZ002)

摘要

育种专家在进行小麦小区育种时,需要精准地对播种区域进行划分。但传统小麦小区播种机在播种过程中,各小区各行无法精准对齐,导致育种区域混乱,影响育种效果。为了解决小麦小区播种路径精准对齐的问题,本文在长期实验的基础上,将北斗卫星定位与小麦小区育种相结合。首先,获取播种机经纬度,通过建立相对坐标系,构建播种机的小区路径模型,得到规划的路径,取代了传统人工画线的过程。使用本文提出的方法进行小麦小区播种,在5 cm的误差范围内,播种准确度提高了32%。同时,考虑到农田作业环境复杂和人工驾驶的能力有限,北斗卫星定位本身也存在厘米级的误差,为了进一步提高小区路径规划的精准度,本文提出了一种算数平均值滤波与卡尔曼滤波相融合的算法,在相对坐标系下,对基准路径的斜率值进行迭代递推处理。经实验,使用算数平均值滤波与卡尔曼滤波相融合的算法,能有效地对实际计算的斜率值进行修正,最小的修正幅度为20.1%,最大的修正幅度达到4 871.4%。本文研究结果可为北斗卫星定位在小区播种机路径精准规划提供参考。

关键词: 小麦小区育种; 北斗卫星定位; 相对坐标系; 算数平均值滤波; 卡尔曼滤波

中图分类号:S24 文献标志码:A 文章编号:1004-1524(2019)10-1709-08

Self-alignment algorithm of wheat plot breeding path based on Beidou satellite positioning

WANG Hao^1,², TANG Yongwei^2,^*, DONG Zhenzhen^1,², WANG Maoli², ZHAO Jingbo¹

1. College of Information and Control Engineering, Qingdao University of Technology, Qingdao 266520, China

2.Qilu University of Technology (Shandong Academy of Sciences), Shandong Computer Science Center (National Supercomputer Center in Jinan), Shandong Provincial Key Laboratory of Computer Networks, Jinan 250014,China

Abstract

Breeding experts need to accurately divide the sowing areas in wheat plot breeding. However, in the sowing process of the traditional wheat plot planter, the lines in each plot cannot be aligned precisely, leading to confusion in the breeding area and affecting the breeding effect. In order to solve the problem of precise alignment of the planting path in wheat plots, Beidou satellite positioning was combined with wheat plot breeding on the basis of long-term experiments. Firstly, the longitude and latitude of the planter was obtained, and the plot path model of the planter was built through the establishment of relative coordinate system to obtain the planned path, which replaced the traditional manual line drawing process. Using the method proposed in this paper, the sowing accuracy of wheat plot was increased by 32% within the error range of 5 cm. At the same time, considering the complexity of farmland operation environment and limited ability of manual driving, Beidou satellite positioning itself also had centimeter-level error. In order to further improve the accuracy of path planning, this paper put forward a kind of arithmetic average value filtering and the algorithm of Kalman filtering fusion. The fused algorithm performed iterative recursive processing on the slope value of the reference path in the relative coordinate system. Through experiments, the arithmetic mean filtering and Kalman filtering combined algorithm could effectively correct the slope value of the actual calculation, with the minimum correction range of 20.1% and the maximum correction range of 4 871.4%. The research results in this paper could provide reference for the accurate planning of the Beidou satellite positioning in the planting path.

Keyword: wheat plot breeding; Beidou satellite positioning; relative coordinate system; arithmetic average filtering; Kalman filtering

文章图片

目前, 在我国小麦小区育种过程中, 最大的难度在于精准地控制小区长度、间隔长度、邻行小区位置。为了解决育种过程中的对齐问题, 一般采用在地面人工画线, 来对小区位置进行限制。对于大规模播种来说, 这种工作方式的工作量巨大, 并且人工操作误差大。中国北斗卫星导航系统(BeiDou Navigation Satellite System, BDS)由5颗静止轨道卫星和30颗非静止轨道卫星组成, 是中国自行研制的全球卫星导航系统^[1]。是继美国全球定位系统(GPS)、俄罗斯格洛纳斯卫星导航系统(GLONASS)之后第三个成熟的卫星导航系统。北斗卫星定位因其开放性和准确性而被广泛应用于农业工程^{[2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12]}。本文将北斗卫星定位应用于小麦小区播种机上, 以确定播种机的实时经纬度, 通过建立相对坐标系, 将播种机的位置置于数学模型中, 将人工画线替换为数学模型的计算, 从而实现精准的小区路径对齐控制。在建立数学模型的过程中, 最为关键的过程是确定过原点的两条边界线的线性方程, 建立线性方程就需要知道此方程的斜率。考虑到北斗卫星导航本身会有厘米级的误差^[12], 人工驾车也无法完全保证路径笔直, 如果只采用行走路径中的某一点和原点, 两点构成一条直线, 那产生的误差将会不可估计。卡尔曼滤波作为应用广泛的噪声处理工具^{[13, 14, 15, 16, 17, 18, 19, 20]}, 通过逐层递归的方式进行线性滤波, 仅需利用前一个采样周期的估计值加上当前的测量值就能够对当前状态进行准确地估计, 状态方程完整地反映出了被估计量的变化规律。把最初得到的一组经纬度在相对坐标系中进行计算, 得到的基准路径数学模型的初始斜率值, 作为卡尔曼滤波第一个采样周期的估计值, 将之后计算得到的斜率值作为测量值进行迭代处理, 得到最终的最优值。

1 小区播种路径自对齐方案设计

在小麦小区育种中, 要求对小区进行三个方面的对齐:在同一行内, 小区长度对齐; 小区与小区之间的间隔对齐; 各行与各行小区、间隔也要一一对齐。小区长度和小区间隔的对齐, 是通过北斗定位的经纬度, 来直接计算距离。本文主要解决的是行与行的小区、间隔一一对齐问题。如图1所示, 为了能够通过北斗卫星定位自动对齐小区, 需要先确定并获得两条基准路径AB和AC。获得基准路径后, 沿着AB路径进行第一行小区播种, 播种完成后, 将播种机停到D^*点附近位置, 此时得到D^*点经纬度, 通过小区路径模型的计算, 可以得到此时的终点E的经纬度。此时第二行的路径已经完成规划, 但因为D^*点是任意选择的, 为了保证第二行小区的开始位置, 是第一行小区的结束位置的平移点, 要计算播种开始点D的位置。通过图1可以得知D^*点到E点, 包含了n个小区、n-1个间隔以及D^*到D的距离。因此D^*到D点的计算公式为:

dis(DD^*)=[dis(ED^*)+dis(JG)]%[dis(XQ)+dis(JG)]。 (1)

	Figure Option View Download New Window
	图1 小区播种路径自对齐示意图Fig.1 Schematic diagram of plot seeding path alignment

式中:dis(DD^*)为D^*点到D点的距离, m; dis(ED^*)为D^*点到E点的距离, m; dis(JG)为小区间隔的长度, m; dis(XQ)为小区的长度, m。

当第二行播种完毕后, 将播种机停到第三行D^*点附近位置, 此时得到D^*点经纬度。通过相对坐标系计算出E点经纬度。当播种机从D^*点出发后, 实时计算当前位置与E点的距离, 当距离为0 m时, 播种工作开始。之后的播种过程中, 偶数行和第二行的工作方式相同, 奇数行和第三行的工作方式相同, 完成了小麦小区播种路径自对齐的方案设计。

2 小区路径模型建立

2.1 基于经纬线的相对坐标系建立

小区路径模型的建立, 是依赖于北斗卫星定位, 接收到小麦播种机实时的经纬度信息。考虑到经线和纬线是相互垂直, 本文以纬线为X轴, 经线为Y轴, 两条小区播种的基准路径的交点A为原点, 建立相对直角坐标系, 见图2。假设A点的经纬度为(Lat A, Lon A), B点的经纬度为(Lat B, Lon B)。要将B点转化为相对坐标系中的点, 需要将B点分别投影到X轴和Y轴, 通过计算与原点的距离, 得到坐标。B点在X轴的投影的经纬度为(Lat B, Lon A), 则投影点和A点的经度差为0, 纬度差为:

diffLat=LatA-LatB。 (2)

	Figure Option View Download New Window
	图2 基于经纬度的相对坐标系Fig.2 Relative coordinate system based on latitude and longitude

式中:LatA为A点纬度的弧度值, rad; LatB为B点纬度的弧度值, rad; diffLat为A、B在X轴的投影点两点纬度弧度值的差值, rad。

根据地球表面任意两点的经纬度的距离计算公式:

$\{\begin{array}{l} L = 2 R \arcsin (x) \\ x = (\sqrt[]{| y |}) \\ y = si n^{2} (\frac{diffLat}{2}) \cos {(LonA)}^{2} \end{array}$ 。 (3)

式中:L为A、B在X轴的投影点两点间的距离, m; R为地球平均半径, m。

这里得到的距离L就是B点在相对坐标系下的横坐标X_B。用同样的方法, B点在Y轴的投影的经纬度为(LatA, LonB), 则投影点和A的纬度差为0, 经度差为:

diffLon=LonA-LonB。 (4)

式中:LonA为A点经度的弧度值, rad; LonB为B点经度的弧度值, rad; diffLon为A、B在Y轴的投影点两点经度弧度值的差值, rad。

根据地球表面任意两点的经纬度的距离计算公式:

$\{\begin{array}{l} L = 2 R \arcsin (x) \\ x = (\sqrt[]{| y |}) \\ y = si n^{2} \frac{diffLat}{2} \end{array}$ 。 (5)

式中:L为A、B在Y轴的投影点两点间的距离, m; R为地球平均半径, m。

这里得到的距离L就是B点在相对坐标系下的纵坐标Y_B。

2.2 基于算数平均值滤波与卡尔曼滤波相融合的基准路径规划

目前, 单点北斗卫星定位精度在米级, 精度不足以实现精准作业。为解决单点北斗卫星定位精度不够的问题, 通常会在作业点附近, 架设固定基站, 通过RTK技术来增强定位精度, 精度可达到厘米级。在实际播种机工作过程中, 由于农田环境复杂、人工驾驶水平有限等情况, 常常会出现车辆打滑、震动等问题, 导致车身位置出现偏移, 此时定位精度虽然达到要求, 但对于小区规划路径, 仍将产生较大的偏差。

由图2可知, 每一行小区的路径规划都是基于AB和AC两条基准路径进行的, 一旦两条基准路径的规划出现误差, 在之后对其他路径的计算过程中, 这个误差将会被无限放大。如果通过初始点和结束点, 两点确定一条直线, 那么一旦结束点的位置出现偏差, 就会导致整条基准路径发生偏移。为了解决这一问题, 本文提出算数平均值滤波与卡尔曼滤波相融合算法, 对基准路径进行修正。想要得到相对坐标系下直线AB的方程, 需要得到直线AB的斜率。通过公式(3)、(5)可以得到任意一点的坐标。则这一点与A点构成直线的斜率K, 可以通过公式:

K= $\frac{y}{x}$ 。 (6)

对于北斗卫星信号的接收频率为10 Hz, 也就是每0.1 s会接收到一帧格式为$GPGGA的北斗信号, 每次接收到当前点的经纬度后, 会把当前点转化成相对坐标系中的点, 计算此点与A点构成直线的斜率K。为了提高卡尔曼滤波的收敛速度, 本文通过提取第一秒内的10个斜率值, 使用算数平均值滤波对其处理, 提高初始值的准确度。得到的平均值作为卡尔曼滤波的第一个采样周期的估计值, 之后得到的斜率值作为观测值。

离散线性系统的卡尔曼模型由状态方程、节点观测方程、状态一步预测值以及更新方程组成, 具体如下^[21]:

状态方程

X(k)=AX(k-1)+BU(k)+W(k)。 (7)

式中:X(k)为k时刻的系统状态; X(k-1)为k-1时刻的系统状态; U(k)为k时刻对系统的控制量; A、B— 系统参数; W(k)为过程噪声。

节点观测方程

Z(k)=HX(k)+V(k)。 (8)

式中:Z(k)为k时刻的测量值; H为测量系统的参数; V(k)为测量噪声。

首先利用系统的过程模型来预测系统下一状态, 设在k时刻的系统状态为X(k), 则可以根据系统模型, 由上一状态预测出现在状态, 由于我们认为播种机行走的过程是稳定准确的, 因此系数A为1; 本系统没有控制量, 系数B为0:

X(k|k-1)=X(k-1|k-1)。 (9)

式中:X(k|k-1)为k-1时刻的状态对k时刻状态的预测; X(k-1|k-1)为k-1时刻的最优斜率值。

此时系统的状态已经更新, 现在需要更新系统的误差估计协方差矩阵:

P(k|k-1)=P(k-1|k-1)+Q。 (10)

式中:P(k|k-1)为在k时刻由k-1时刻状态对此状态的预测; P(k-1|k-1)为k-1时刻的最优斜率值对应的误差估计协方差矩阵; Q为系统过程噪声的协方差。

通过得到预测结果P(k|k-1), 根据得到的现在状态的测量值进行修正, 得到最优的估计量:

X(k|k)=X(k|k-1)+Kg(k)* (Z(k)-HX(k|k-1))。 (11)

Kg(k)= $\frac{P (k | k - 1) * H'}{(H * P (k | k - 1) * H' + R)}$ 。 (12)

式中:X(k|k)为k时刻的最优斜率值; Kg(k)为卡尔曼增益。

此时, 得出的k时刻的最优斜率值, 为了让卡尔曼滤波器不断地进行下去, 我们需要更新k时刻的最优斜率值对应的k时刻的最优斜率值对应的误差估计协方差矩阵为

P(k|k)=(I-Kg(k)* H)* P(k|k-1)。 (13)

式中:P(k|k)为k时刻的最优斜率值对应的误差估计协方差矩阵; I为单位矩阵。

当系统进入k+1时刻时, P(k|k)扮演的角色就是式中P(k-1|k-1)。如此, 卡尔曼滤波根据上述的式子, 就可以不断迭代下去, 得到最终最优斜率值K_AB和K_AC。

2.3 基于基准路径的自对齐路径模型建立

通过卡尔曼滤波的迭代递推处理, 已经得到了基准路径直线AB和直线AC的最优斜率值K_AB和K_AC。由图2可知, 直线AB和直线AC经过原点, 因此, 其正比例函数为

y_AB=K_ABX; (14)

y_AC=K_ACX。 (15)

通过北斗卫星定位, 可以得到D^*点的经纬度, 通过式(3)、(5), 可以得到D^*点的坐标( $X_{D^{*}}$ , $Y_{D^{*}}$ ), 为了小区播种路径对齐, 直线ED^*需要与直线AB保持平行, 因此直线ED^*的斜率也为K_AB。直线ED^*的函数方程为

$y_{E D^{*}}$ =K_AB(X- $X_{D^{*}}$ )+ $Y_{D^{*}}$ 。 (16)

得到直线ED^*的函数方程后, 通过计算得到偶数行的播种终止点E, E点是直线ED^*与直线AC的交点, 通过联立方程

$\{\begin{array}{l} y_{E D^{*}} = K_{AB} (X - X_{D^{*}}) + Y_{D^{*}} \\ y_{AC} = K_{AC} X \end{array}$ 。 (17)

得到E点坐标

$\{\begin{array}{l} X_{E} = \frac{Y_{D^{*}} - K_{AB} X_{D^{*}}}{K_{AC} - K_{AB}} \\ y_{E} = \frac{K_{AC} (Y_{D^{*}} - K_{AB} X_{D^{*}})}{K_{AC} - K_{AB}} \end{array}$ 。 (18)

奇数行同样通过上式得到起始点E的坐标(X_E, Y_E)。这样就完成了小区路径模型的建立。

3 结果与分析

3.1 基于算数平均值滤波与卡尔曼滤波相融合的基准路径规划实验结果

为了验证算数平均值滤波与卡尔曼滤波相融合的算法对于基准路径的规划的修正作用, 我们选取了山东省德州市平原县的一处实验田。这里的土质与大多数北方地区的土质相同, 均为砂土。相较于南方黏性土地而言^[21], 播种机在行走过程中, 出现打滑偏移的问题更为突出, 测量值的偏差会更明显。

在实验前, 我们首先人为规划出一条基准路径, 作为实验过程中的参照线, 这条参照线在相对坐标系下的斜率值为3。

通过让播种机沿着参照线行走, 实时记录行走过程中的经纬度, 并把经纬度通过计算得到斜率值。统计回收的数据, 如图3所示, 发现与真实斜率值3相比, 直接通过经纬度来计算的斜率值, 有80%以上产生了10%的偏差; 相比于直接计算, 使用卡尔曼滤波进行迭代处理大约2 s后, 卡尔曼滤波的估计值已经接近真实值, 偏差量最大在5%以内。

	Figure Option View Download New Window
	图3 基准路径斜率估计值与观测值Fig.3 Base path slope estimated and observed values

考虑到播种机完成基础路径的行走时间通常在分钟级别上, 远超卡尔曼滤波的正常收敛时间。因此, 本文提出的模型实时性可得到保障。

3.2 基于算数平均值滤波与卡尔曼滤波相融合的基准路径规划实验分析

如果采用两点确定一条直线的方式得到基准路径, 那么终止点的位置, 实际是无法估计位置的, 终止点的位置出现偏移的大小, 会直接影响播种机播种的面积偏移。假设真实斜率值为k₁, 实际斜率值为k₂, 则斜率对应的夹角角, rad; α ₂为A点与终止点连线在相对坐标系中与X轴的夹角, rad。

α ₁, α ₂为

$\{\begin{array}{l} α_{1} = \frac{πarctan (k_{1})}{360} \\ α_{2} = \frac{πarctan (k_{2})}{360} \end{array}$ 。 (19)

式中:α ₁为参照线在相对坐标系中与X轴夹

偏移角α 为

α =|α ₁-α ₂|。 (20)

式中:α 为参照线在相对坐标系中和X轴夹角与实际终止点连线在相对坐标系中和X轴的夹角的差值, rad。

考虑到真实路径和偏移路径的长度相同为L, 因此构成了等腰三角形(图4)。按照等腰三角形的性质, 可以得到等腰三角形的高h和底边长z:

h=Lcos(α ); (21)

z=Lsin(α )。 (22)

	Figure Option View Download New Window
	图4 路径偏移面积示意图Fig.4 Path offset area diagram

式中:h为真实路径和偏移路径构成的等腰三角形的高长, m; z为真实路径和偏移路径构成的等腰三角形的底边长, m; L为真实路径和偏移路径构成的等腰三角形的腰长, m。

偏移面积为:

S=|L²sin(α )cos(α )|。 (23)

式中:S为真实路径和偏移路径构成的等腰三角形的面积, m²; 通过得到的偏移面积的计算公式(23), 选取了10组实际斜率值和卡尔曼估计值, 对其偏移面积进行计算, 见表1。

表1 偏移面积数值统计表 Table 1 Offset area numerical statistics

通过对10组数据进行对比发现, 斜率的实际计算值与真实值的偏差量, 会直接反映到偏移面积上。而偏移面积的产生, 会对于小区路径的自对齐模型建立, 造成了较大的误差影响, 通过引入算数平均值滤波与卡尔曼滤波算法, 能有效地对实际计算的斜率值进行修正, 最小的修正幅度为20.1%, 最大的修正幅度达到4 871.4%, 并且由式(23)可知, 随着基准路径长度L的增加, 偏移面积的修正值将随之增加, 卡尔曼滤波的迭代递推处理, 效果更为显著。

3.3 小区路径自对齐实验结果

为了验证小区路径模型是否对实际小区自对齐播种有所帮助, 本文选取了另外一台机械结构相同的播种机, 作为参照对象。其控制方式是通过安装在车轮上的编码器进行逻辑控制, 这种方式也是目前市面播种机最常用的播种方式。实验方式是两台播种机播种相同的路径, 分别放入不同颜色的小麦种子用作小区区分。人为划分出小区位置, 作为判断依据。使用这种实验方式, 每行20个小区, 进行10行作业, 共200个小区播种, 对每个小区小麦种子的偏移距离进行统计, 见表2。

表2 传统播种与小区路径自对齐模型偏差小区统计 Table 2 Traditional seeding and plot path alignment model deviation plot statistics %

由于北斗本身的定位误差为3 cm, 故偏差小于3 cm以内的误差, 可以忽略。由统计结果可以发现, 传统播种机出现实际偏差的小区数量相对较多, 达到61.5%, 且超过5 cm以上的较大偏差小区, 达到了38%, 这对于实际育种来说, 会有比较明显的影响。对比而言, 基于北斗的小区路径规划的播种机, 出现实际偏差的小区数量明显减少, 只有7%, 且超过5 cm以上的较大偏差小区只有1%。通过路径规划进行育种, 对于小区的路径自对齐, 有较为显著的效果。

4 结论

本文设计了一种基于北斗卫星定位的小区播种路径自对齐的算法, 采用接收到的10 Hz北斗卫星定位信息, 来计算得到相对坐标系下的坐标位置, 通过坐标位置, 来实现对于路径的精准规划, 经实验验证, 相较于传统播种方式, 播种精准度提高了54.5%。通过引入算数平均值滤波与卡尔曼滤波算法, 大幅度修正了基准路径的精准度, 并且随基准路径长度的增加, 修正幅度呈阶梯式增加, 确保了小区播种的基准线的准确。经过实验验证, 本文提到的方法, 对于小区播种的路径自对齐, 有着显著的规划作用, 并且适用于各类作物的小区播种。

参考文献

文献顺序

[1]	杨文雄, 张怀刚, 介晓磊. 西北地区春小麦品种更换特点及育种策略[J]. 西北农业学报, 2004, 13(3): 22-25. YANG W X, ZHANG H G, JIE X L. Change characteristic and breeding strategy of spring wheat in northwest of China[J]. Acta Agriculturae Boreali-Occidentalis Sinica, 2004, 13(3): 22-25. (in Chinese with English abstract) [本文引用:1]
[2]	刘碧贞, 黄华, 祝诗平, 等. 基于北斗/GPS的谷物收割机作业综合管理系统[J]. 农业工程学报, 2015, 31(10): 204-210. LIU B Z, HUANG H, ZHU S P, et al. Integrated management system of grain combine harvester based on Beidou & GPS[J]. Transactions of the CSAE, 2015, 31(10): 204-210. (in Chinese with English abstract) [本文引用:1]
[3]	隋铭明, 沈飞, 徐爱国, 等. 基于北斗卫星导航的秸秆机械化还田作业管理系统[J]. 农业机械学报, 2016, 47(1): 23-28. SUI M M, SHEN F, XU A G, et al. Management system for mechanized straw returning based on BDS[J]. Transactions of the Chinese Society for Agricultural Machinery, 2016, 47(1): 23-28. (in Chinese with English abstract) [本文引用:1]
[4]	廉保旺, 赵楠, 王永生. 北斗卫星定位算法研究[J]. 西北工业大学学报, 2007, 25(1): 97-102. LIAN B W, ZHAO N, WANG Y S. A positioning algorithm for the “Beidou” navigation system[J]. Journal of Northwestern Polytechnical University, 2007, 25(1): 97-102. (in Chinese with English abstract) [本文引用:1]
[5]	刘春, 马颖. 改进卡尔曼滤波在北斗伪距定位中的研究[J]. 电子测量与仪器学报, 2016, 30(5): 779-785. LIU C, MA Y. Research on improved kalman filter in beidou pseudo Ranges positioning[J]. Journal of Electronic Measurement and Instrumentation, 2016, 30(5): 779-785. (in Chinese with English abstract) [本文引用:1]
[6]	王仲锋, 林灿, 历亮. 北斗静态定位实验与精度分析[J]. 长春工程学院学报(自然科学版), 2013, 14(3): 55-56. WANG Z F, LIN C, LI L. The static positioning test and precision analysis of compass[J]. Journal of Changchun Institute of Technology( Natural Sciences Edition), 2013, 14(3): 55-56. (in Chinese with English abstract) [本文引用:1]
[7]	刘继州. 北斗系统单点定位精度分析[J]. 洛阳师范学院学报, 2015, 34(11): 44-47. LIU J Z. Single point positioning accuracy analysis of beidou system[J]. Journal of Luoyang Normal University, 2015, 34(11): 44-47. (in Chinese with English abstract [本文引用:1]
[8]	沈法鹏, 赵又群, 林棻. 基于卡尔曼滤波的车辆侧偏角软测量[J]. 农业工程学报, 2013, 29(10): 71-75. SHEN F P, ZHAO Y Q, LIN F. Soft sensor of vehicle side slip angle based on Kalman filter[J]. Transactions of the CSAE, 2013, 29(10): 71-75. (in Chinese with English abstract) [本文引用:1]
[9]	吴涛, 白茹, 朱礼尧, 等. 基于卡尔曼滤波的航姿参考系统设计[J]. 传感技术学报, 2016, 29(4): 531-535. WU T, BAI R, ZHU L Y, et al. Design of AHRS based on Kalman filter[J]. Chinese Journal of Sensors and Actuators, 2016, 29(4): 531-535. (in Chinese with English abstract) [本文引用:1]
[10]	严浙平, 黄宇峰. 基于卡尔曼滤波的动目标预测[J]. 应用科技, 2008, 35(10): 28-32. YAN Z P, HUANG Y F. Research on prediction of moving targets with Kalman filtering method[J]. Applied Science and Technology, 2008, 35(10): 28-32. (in Chinese with English abstract) [本文引用:1]
[11]	冯刚, 吕茂庭, 覃天. 基于MATLAB的卡尔曼滤波仿真研究[J]. 电子产品可靠性与环境试验, 2011, 29(6): 61-63. FENG G, LYU M T, QIN T. Simulation of kalman filtering based on MATLAB[J]. Electronic Product Reliability and Environmental Testing, 2011, 29(6): 61-63. (in Chinese with English abstract) [本文引用:1]
[12]	傅惠, 徐建闽. 基于卡尔曼滤波的路径行程时间预测方法[J]. 微计算机信息, 2007, 23(22): 290-292. FU H, XU J M. Route travel time estimation method based on Kalman filtering[J]. Microcomputer Information, 2007, 23(22): 290-292. (in Chinese with English abstract) [本文引用:2]
[13]	杨薇, 王飞, 赫志飞, 等. 小区育种机械发展现状及展望[J]. 农业工程, 2014, 4(6): 7-9. YANG W, WANG F, HE Z F, et al. Development present situation and prospect of plot breeding machinery[J]. Agricultural Engineering, 2014, 4(6): 7-9. (in Chinese with English abstract) [本文引用:1]
[14]	闵东红, 王辉, 李学军, 等. 小麦育种中多点试验分析方法探讨[J]. 西北农业学报, 2001, 10(3): 80-82. MIN D H, WANG H, LI X J, et al. Analysis of multilocation trial in wheat breeding[J]. Acta Agriculturae Boreali-Occidentalis Sinica, 2001, 10(3): 80-82. (in Chinese with English abstract) [本文引用:1]
[15]	WELCH G, BISHOP G. An introduction to the Kalman filter [EB/OL]. (2018-10-15)[1998-10-19]. http://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.73.6299&rep=rep1&type=pdf. [本文引用:1]
[16]	苏小记, 王雅丽, 魏静, 等. 9种植保机械防治小麦穗蚜的农药沉积率与效果比较[J]. 西北农业学报, 2018, 27(1): 149-154. SU X J, WANG Y L, WEI J, et al. Pesticide deposition percentage and control effect of nine kinds of crop protection machineries against wheat aphid[J]. Acta Agriculturae Boreali-Occidentalis Sinica, 2018, 27(1): 149-154. (in Chinese with English abstract) [本文引用:1]
[17]	FITZGERALD R. Divergence of the Kalman filter[J]. IEEE Transactions on Automatic Control, 1971, 16(6): 736-747. [本文引用:1]
[18]	YAMAGUCHI S, TANAKA T. GPS stand ard positioning using kalman filter[C]//2006 SICE-ICASE International Joint Conference. New York, USA: IEEE, 2006. [本文引用:1]
[19]	WANG M L, TANG Y W, HAO H J, et al. The design of agricultural machinery autonomous navigation system based on Linux-ARM[C]//2016 IEEE Advanced Information Management, Communicates, Electronic and Automation Control Conference (IMCEC). New York, USA: IEEE, 2016. [本文引用:1]
[20]	邱恺, 黄国荣, 陈天如, 等. 卡尔曼滤波过程的稳定性研究[J]. 系统工程与电子技术, 2005, 27(1): 33-35. QIU K, HUANG G R, CHEN T R, et al. Study of the stability of Kalman filtering process[J]. Systems Engineering and Electronics, 2005, 27(1): 33-35. (in Chinese with English abstract) [本文引用:1]
[21]	段杰, 姜岩, 唐勇伟, 等. 基于卡尔曼滤波算法的农业大棚数据融合处理技术研究[J]. 中国农机化学报, 2018, 39(5): 60-63. DUAN J, JIANG Y, TANG Y W, et al. Research on data fusion processing technology of agricultural greenhouse based on Kalman filtering algorithm[J]. Journal of Chinese Agricultural Mechanization, 2018, 39(5): 60-63. (in Chinese with English abstract) [本文引用:2]

2004

0.0

... 中国北斗卫星导航系统(BeiDou Navigation Satellite System,BDS)由5颗静止轨道卫星和30颗非静止轨道卫星组成,是中国自行研制的全球卫星导航系统^[1] ...

2015

0.0

刘碧贞, 黄华, 祝诗平, 等. 基于北斗/GPS的谷物收割机作业综合管理系统[J]. 农业工程学报, 2015, 31(10): 204-210.

LIU B

, HUANG

, ZHU S

, et al. Integrated management system of grain combine harvester based on Beidou & GPS[J]. Transactions of the CSAE, 2015, 31(10): 204-210. (in Chinese with English abstract)

针对在谷物产量测量作业中收割机采用单一的全球定位系统（global positioning system, GPS）进行定位时定位信息不稳定的问题，提出利用具有定位和双向通信功能的北斗/GPS双模用户机，其内部采用北斗（BJ-54）和GPS（WGS-84）2种混合定位方式，将这2种定位方式互补使用，可以解决当使用单一定位情况下定位信息不稳定的问题。利用北斗/GPS双模用户机的定位信息实现谷物收割机行走线路图的测绘；利用北斗卫星的报文通信功能代替全球移动通信系统短信息服务，实现谷物收割机作业数据的远程传输功能。谷物收割机作业综合管理系统包括作业管理中心和车载子系统两部分。车载子系统实现收割机的地理位置、收割面积和谷物质量等数据的采集，然后将采集的数据通过北斗卫星传输给作业管理中心。作业管理中心利用这些数据可以绘制出收割机作业轨迹图和产量分布图，同时作业管理中心也可以向收割机发送作业指令，并通过文本语音转换模块将文本内容转换成语音信号输出，实现作业的综合管理与调度。田间产量测量试验表明，系统测量谷物收割面积相对误差为2.9%，谷物产量相对误差为3.47%，系统运行稳定、可靠。该系统可为南方丘陵山区谷物收割机跨区作业的产量测量、管理提供参考。

... 北斗卫星定位因其开放性和准确性而被广泛应用于农业工程^{[2,3,4,5,6,7,8,9,10,11,12]} ...

2016

0.0

... 北斗卫星定位因其开放性和准确性而被广泛应用于农业工程^{[2,3,4,5,6,7,8,9,10,11,12]} ...

2007

0.0

... 北斗卫星定位因其开放性和准确性而被广泛应用于农业工程^{[2,3,4,5,6,7,8,9,10,11,12]} ...

2016

0.0

... 北斗卫星定位因其开放性和准确性而被广泛应用于农业工程^{[2,3,4,5,6,7,8,9,10,11,12]} ...

2013

0.0

... 北斗卫星定位因其开放性和准确性而被广泛应用于农业工程^{[2,3,4,5,6,7,8,9,10,11,12]} ...

2015

0.0

... 北斗卫星定位因其开放性和准确性而被广泛应用于农业工程^{[2,3,4,5,6,7,8,9,10,11,12]} ...

2013

0.0

沈法鹏, 赵又群, 林棻. 基于卡尔曼滤波的车辆侧偏角软测量[J]. 农业工程学报, 2013, 29(10): 71-75.

SHEN F

, ZHAO Y

, LIN

. Soft sensor of vehicle side slip angle based on Kalman filter[J]. Transactions of the CSAE, 2013, 29(10): 71-75. (in Chinese with English abstract)

Abstract: Vehicle electronic control systems effectively improve vehicle stability performance by controlling the key parameters of the moving vehicle. The premise and necessary conditions to improve stability performance is to accurately measure of the stated vehicle parameters, which can reflect the vehicle changes in the control process. Yaw rate and vehicle sideslip angle are important parameters to the vehicle control system; the former can be directly measured through the corresponding sensors, while the latter is difficult or expensive to directly measure. Usually, vehicle sideslip angle is estimated by other vehicle parameters, such as vehicle longitudinal velocity and lateral velocity, etc. One is too direct integral method to calculate vehicle sideslip angle, but the noise signal is also involved in the integration process, and can cause greater errors. Another is to use GPS/INS and gyroscopes to measure, but the cost is too high to promote. In addition, some soft sensors based on state estimation have good applications in the field. To solve the problem that vehicle sideslip angles in the vehicle control process is too difficult to measure on-line, the soft sensor model is established with a Kalman filter and driver-vehicle closed-loop system, based on parameters of soft sensor theory and discrete signal filtering theory. This measurement can realize the on-line inference and estimation of sideslip angles by using yaw rate and lateral acceleration, which are easy to measure. Thus, the soft sensor of sideslip angles is achieved through state estimation. Based on the preview optimal control theory of curvature and the preview follow theory, the soft sensor model was developed by a two degree of freedom driver-automobile closed-loop system model. Its' state equation and observation equation have been derived and discrete to draw the system discrete observation equation on the observation quantity of yaw rate and lateral acceleration and to do the simulation. To compare estimated value with test value, the researchers conducted road tests. One test was the double lane change (standard: ISO 3888-1999-1), the other was a slalom (standard: GB/T 6323.1-1994); these tests obtained the data of longitudinal velocity, lateral velocity, yaw rate, lateral acceleration, and vehicle sideslip angle. The values of yaw rate and lateral acceleration are collected real-time by a DMS-SGP01 gyroscope, and the values with noise are the input measurements of the state estimation by a kalman filter. Other values are collected by non-contact velocity meter systems that consist of LC-761, LC-1100, LC-2100, and LC-5200. The LC-1100, which is a longitudinal velocity sensor, and the LC-2100, which is a lateral velocity sensor, are spatial filter types used to collect the values of longitudinal velocity and lateral velocity. The values of sideslip angle are measured by using LC-5200 forward distance pulse in the system. The results of the values' comparison show that there are the same changing trends and error within 10% of the test value amplitude. It is shown that the soft sensor can achieve the precise estimation results of the vehicle sideslip angle and is feasible. The realization of state estimation based on soft sensor technology provides a theoretical basis on soft sensors applied to vehicle stability control systems.

针对车辆稳定性控制过程中难以在线测得车辆侧偏角的问题，该文基于参数软测量理论和离散信号滤波理论，并结合卡尔曼滤波和驾驶员—车辆闭环系统模型建立车辆侧偏角软测量模型。该方法通过易测变量横摆角速度和侧向加速度估算车辆侧偏角，以实现车辆侧偏角的状态估计。基于预瞄最优曲率控制理论和预测—跟随理论所建立的二自由度驾驶员—车辆闭环系统建立了软测量模型，并建立其状态方程和观测方程。为进行状态估计，对模型的状态方程和观测方程进行连续系统离散化，得到以横摆角速度和侧向加速度为观测量的系统离散观测方程。通过双移线试验与蛇形试验进行场地试验获取纵向速度、侧向速度、横摆角速度、侧向加速度及车辆侧偏角等试验数据。估计值和试验值比较显示，两者变化趋势一致，误差均值在试验值幅值的10%以内，试验表明，软测量算法能准确估算出车辆侧偏角是可行的。研究结果可为软测量技术在车辆稳定性控制系统上的应用提供参考。

... 北斗卫星定位因其开放性和准确性而被广泛应用于农业工程^{[2,3,4,5,6,7,8,9,10,11,12]} ...

2016

0.0

... 北斗卫星定位因其开放性和准确性而被广泛应用于农业工程^{[2,3,4,5,6,7,8,9,10,11,12]} ...

2008

0.0

... 北斗卫星定位因其开放性和准确性而被广泛应用于农业工程^{[2,3,4,5,6,7,8,9,10,11,12]} ...

2011

0.0

... 北斗卫星定位因其开放性和准确性而被广泛应用于农业工程^{[2,3,4,5,6,7,8,9,10,11,12]} ...

2007

0.0

... 北斗卫星定位因其开放性和准确性而被广泛应用于农业工程^{[2,3,4,5,6,7,8,9,10,11,12]} ...

... 考虑到北斗卫星导航本身会有厘米级的误差^[12],人工驾车也无法完全保证路径笔直,如果只采用行走路径中的某一点和原点,两点构成一条直线,那产生的误差将会不可估计 ...

2014

0.0

... 卡尔曼滤波作为应用广泛的噪声处理工具^{[13,14,15,16,17,18,19,20]},通过逐层递归的方式进行线性滤波,仅需利用前一个采样周期的估计值加上当前的测量值就能够对当前状态进行准确地估计,状态方程完整地反映出了被估计量的变化规律 ...

2001

0.0

2018

0.0

2018

0.0

1971

0.0

2006

0.0

2016

0.0

2005

0.0

2018

0.0

... 离散线性系统的卡尔曼模型由状态方程、节点观测方程、状态一步预测值以及更新方程组成,具体如下^[21]: ...

... 相较于南方黏性土地而言^[21],播种机在行走过程中,出现打滑偏移的问题更为突出,测量值的偏差会更明显 ...