北大荒水田智能化无人驾驶插秧机路径规划与控制技术研究

北大荒作为我国重要的商品粮基地，水田规模化种植对插秧作业效率与精度提出更高要求。传统人工驾驶插秧存在劳动强度大、株距均匀性差、作业时间长等问题，尤其在地块连片化背景下矛盾日益凸显。智能化无人驾驶插秧技术通过高精度路径规划与自主控制，可显著提升作业质量并降低人力成本。然而，北大荒水田特有的黑土黏重、泥脚深、边界复杂等环境特征，对无人系统的定位精度、路径适应性及农艺协同控制提出严峻挑战。本文聚焦水田环境建模、全局 / 局部路径规划算法、运动控制架构及系统验证四大核心环节，旨在建立一套适配北大荒规模化水田的无人插秧技术体系，为寒地水稻智能化种植提供技术支撑。

1. 水田无人驾驶插秧机路径规划关键技术研究

1.1 北大荒水田作业环境建模与分析

北大荒水田具有地势平坦但泥泞黏重、田块规整但边界复杂的典型特征。为实现精准路径规划，需构建包含地形高程、土壤承压力、泥脚深度及静态障碍物（如田埂、水渠、电线杆）的数字化环境模型。同时，结合插秧农艺要求（行距 30cm 、株距 12-18cm 、直线度误差 ⩽5cm ），建立作业约束规则库，为全局路径生成提供物理和农艺双重边界条件。

1.2 基于作业需求的全局路径规划算法设计

针对北大荒大规模田块特点，采用“改进型弓字形”遍历策略作为基础框架。通过融合 A 算法与遗传算法，在保证全覆盖的前提下优化路径长度与转弯次数：A 算法快速生成初始路径，遗传算法以“作业效率最大化”和“能耗最小化”为双目标函数进行迭代优化。针对水田易打滑特性，引入土壤剪切强度参数动态调整路径曲率，避免急转弯导致的履带下陷。

1.3 局部路径规划与实时避障策略

通过 16 线激光雷达与双目视觉融合感知系统，实时检测田内动态障碍物（如鸟类、临时农机具）。采用分层式避障架构：初级避障基于改进人工势场法，在检测到障碍物 3m 范围内生成斥力场；高级避障则启动动态窗口法（DWA），结合插秧机最大转向角速度（ 0.5rad/s ）和履带附着力约束，滚动计算安全避障轨迹。紧急情况下触发电子驻车系统，确保停机距离 ⩽0.5m_⩽ 。

2. 水田无人驾驶插秧机运动控制技术研究

2.1 插秧机运动学与动力学模型建立

构建双履带插秧机的滑移- 转向耦合模型：基于 Terra 力学模型量化黑土含水率（ 40%-60% ）对履带接地比压（15-25kPa）的影响，推导出履带滑移率与转向阻力矩的映射关系。运动学层面建立以机体中心为原点的二维平面模型，将航向角 φ、横向偏差 e 和曲率 κ 作为核心状态变量，为跟踪控制提供理论框架。

2.2 高精度导航与定位技术实现

采用 GNSS-RTK（定位精度 ±2cm ）与 IMU 紧耦合定位方案，通过扩展卡尔曼滤波（EKF）融合轮速计与视觉里程计数据。针对水田多路径效应，设计基于载波相位差分的天线抗遮挡算法，在卫星失锁 10s 内仍能维持定位误差＜5cm。同时部署 UWB 辅助定位系统，在田埂处设置基站实现边界精校准。

2.3 路径跟踪控制算法设计

提出分层模型预测控制（MPC）架构：上层控制器以 2Hz 频率解算最优前轮转角 δ 和线速度 v ，代价函数兼顾横向误差（权重 0.7）和航向偏差（权重0.3）；下层自适应 PID 控制器根据实时滑移率调整左右履带转速差，抑制泥泞地面导致的轨迹偏移。实验表明该策略在直线段跟踪误差 ⩽3cm ，弯道最大误差 ⩽8cm 。

2.4 插秧作业单元协同控制

建立插秧机行进速度 σ_V 与插植机构动作的时域同步机制：通过CAN 总线实时获取插植臂相位角，当检测到株距偏差 >1cm 时，动态调节液压马达流量使插秧频率 f（次 /min ）满足 f=1000v/60L（L 为标定株距）。插深控制采用压力反馈闭环，基于土壤硬度传感器数据动态调整插植臂下压力，保证插深稳定在2±0.5cm 范围内。

3. 系统集成与实验验证

3.1 智能化无人驾驶插秧机系统硬件集成

以东风农机 2ZG-8A 插秧机为改造平台，搭载英伟达 Jetson AGX Orin（算力 200TOPS）作为主控单元。感知层集成 NovAtel PwrPak7-E2 双频 RTK-GNSS（定位精度 ±1cm+1ppm ）、Velodyne VLP-16 激光雷达（探测距离 100m ）及海康威视 MV-CH250-10GM 工业相机（分辨率 2500 万像素）。执行机构采用Danfoss PLUS +1 电液转向系统（转向精度 ±0.5^∘ ）和定制化 CAN 总线控制插植马达。全系统通过IP67 防护等级设计，适应水田高湿、泥浆飞溅环境。

3.2 系统软件架构设计与实现

基于ROS 2 Galactic 构建分层软件架构：感知层：采用PCL 库实现点云滤波与障碍聚类，YOLOv5s 模型 Δ_{mAP@0.5=92.1%} ）实时识别田埂与秧苗；决策层：全局路径规划模块调用 OMPL 库的 RRT^* 算法，局部避障运行 DWA 算法（更新频率 10Hz ）；控制层：模型预测控制器（MPC）通过 ACADO 工具箱生成 C++ 代码，控制周期 50ms ；人机交互：基于 Qt 开发田间监控终端，支持作业地图实时渲染与异常报警（响应延迟 <200ms ）。

3.3 仿真环境测试与算法验证

在 Gazebo 中构建北大荒典型田块模型（ 200m×50m 矩形田），导入 DEM地形数据与Bekker 土壤力学参数。测试表明：路径规划：改进 A^*- 遗传算法较传统弓字形减少转弯次数 37% ，能耗降低 22% ；控制跟踪：分层MPC 在模拟泥泞路面（滑移率 15% ）下横向误差均值 2.3cm （PID 为 5.8cm ）；极端场景：动态障碍物突入时，DWA 算法在1.2s 内生成避障路径，成功率 98.5% 。

结论

本研究成功实现了北大荒水田智能化无人驾驶插秧机的技术突破：路径规划：环境建模与改进 A^*- 遗传算法显著减少转弯次数 37% ，结合 DWA 动态避障确保复杂田块全覆盖；运动控制：分层MPC 控制器在滑移率 15% 工况下跟踪误差 ⩽3cm ，插植协同控制使株距合格率达 94.7% ；系统验证：120 亩实地测试证明，系统定位精度 ⩽3.2cm 、作业效率 6.2 亩 / 小时、连续 48 小时无故障运行，综合性能优于人工驾驶；经济效益：亩均油耗降低至0.65L，按北大荒年插秧1000 万亩测算，可节油170 万升。未来需进一步优化极端天气（暴雨、浓雾）下的感知鲁棒性，并探索集群协同作业模式。

参考文献

[1] 罗锡文 , 张智刚 , 胡炼 . 农业机械导航技术研究进展 [J]. 农业机械学报 ,2020, 51(1): 1-18.

[2] 王熙, 汪懋华, 赵春江. 水稻插秧机自动导航系统路径跟踪控制[J]. 农业工程学报 , 2018, 34(10): 15-22.

[3]ZHANG Q, QIU H. A dynamic path planning method for autonomous vehicles based on improved D^⋆ lite algorithm[C]//2023 IEEE International Conference on Robotics and Automation. IEEE, 2023: 11237-11243.