《Frontiers in Plant Science》：Dynamics simulation and autonomous driving algorithm integration of unmanned harvester based on TruckSim/Simulink
编辑推荐：
本文针对复杂农田环境下小型无人收获机路径跟踪精度与动态适应性的挑战，构建了一个融合TruckSim高精度动力学仿真与Simulink强大算法开发能力的协同仿真平台。通过混合A*算法实现路径规划，采用PID控制器优化路径跟踪与速度控制，并引入基于扩展卡尔曼滤波（EKF）的路面附着系数实时辨识方法。该研究提出的仿真与控制集成框架显著缩短了智能农机系统的研发周期，降低了田间测试成本与风险，为提升无人收获机在崎岖、湿滑等复杂地形中的作业适应性、安全性与自主性提供了创新的技术方案。
小型无人收获机在复杂农田环境下的自主作业，面临着环境感知、路径规划与动态控制等多重挑战。为了提升其路径跟踪精度与环境适应性，并高效验证自动驾驶算法，本研究提出了一个基于TruckSim/Simulink的集成仿真与算法验证平台。
动力学模型的建立
由于目标平台——小型全喂入履带式联合收获机在TruckSim标准模型库中缺乏精确匹配的高保真专用模型，本研究策略性地选择了内置的3A拖拉机带平板挂车模型以及苏州金龙KLQ6125D客车模型作为替代仿真平台。此选择基于动态原理的普适性、模型参数的高度可调性以及对履带特性的等效考量。通过系统的参数映射与响应对比分析，对选定的轮式模型进行了质量惯性、几何尺寸、轮胎/履带力特性以及路径跟踪性能的等效调整。例如，将质量按比例缩放至1250 kg，绕Z轴转动惯量z调整至1950 kg·m2，轴距调整为2200 mm，并基于Magic Formula轮胎模型调整纵向刚度Cx与侧偏刚度Cα，以模拟履带车辆在低滑移率范围内的牵引力-滑移率曲线趋势。通过对六种典型工况的仿真，计算得出轮式模型与目标履带收获机在低速、中小转向角工况下的平均等效误差Eeq为11.7%，表明两者具有可接受的动态等效性，为后续控制算法验证提供了合理可靠的仿真基础。
为简化建模并聚焦于研究横向路径跟踪与横摆稳定性这一核心目标，本文将拖拉机的两驱动桥简化为单桥，半挂车的三桥简化为单桥，建立了一个四自由度（横摆、侧向运动）的拖拉机-半挂车简化动力学模型。该模型是实际履带收获机在横摆与侧向动力学行为上的等效轮式抽象。研究基于车辆实际作业特性（低运行速度0.6-2.0 m/s，田间道路坡度通常小于5°等）做出了合理假设，包括纵向速度恒定、行驶于水平路面、忽略俯仰与侧倾运动、忽略空气动力与道路坡度影响。通过分别对拖拉机与半挂车进行受力分析，推导出了系统的侧向力平衡方程与力矩平衡方程，并引入了横摆角速度的分解表达式，以精确描述铰接车辆系统中牵引单元与半挂车之间复杂的运动学耦合关系。该简化模型的核心目的是在路径跟踪与横摆稳定性分析中，准确复现目标收获机的典型动态特性。
基于EKF的路面附着系数辨识
在已建立的动力学模型中，拖拉机与半挂车的动态行为显著受到路面附着系数μ的影响。μ不仅决定了车辆的牵引力与稳定性极限，也直接影响路径规划与控制系统性能。为实现高性能的自动驾驶，本文采用扩展卡尔曼滤波（EKF）方法对路面附着系数进行实时辨识。EKF利用系统状态方程、观测方程以及过程噪声与测量噪声的统计特性进行最优估计，能够实现对μ的准确估计，为控制系统提供关键的路况信息。这对于动态调整车辆控制策略至关重要，尤其是在复杂多变的农田路况下。
为平衡计算复杂度与算法可行性验证，采用一个非线性三自由度车辆模型作为EKF的基础。EKF的核心设计依赖于四类信息：状态方程、观测方程、过程噪声统计特性与测量噪声统计特性。EKF通过对非线性函数在当前状态估计点进行一阶泰勒展开（忽略高阶项）实现非线性模型的局部线性化，使其广泛适用于各类非线性系统估计问题。EKF基于的路面附着系数辨识过程包括系统状态方程与测量方程的建立、模型线性化、离散时间状态转移矩阵的计算等步骤。通过结合上述车辆状态空间方程并进行线性化，可以得到系统雅可比矩阵F(t)与H(t)，进而实现对整个系统的状态估计，最终输出对当前路面附着系数μ的实时辨识结果。该结果为后续的路径规划（如混合A*算法）与控制决策（如PID参数整定或限速）提供了关键的环境感知输入。
路径规划与控制策略
在路径规划层面，本研究采用混合A算法。该算法结合了A搜索在离散空间的完备性与Reeds-Shepp曲线在连续空间的可行性，能够生成符合车辆运动学约束的平滑路径。通过引入双重启发式搜索策略，混合A*算法能够在典型的静态农田作业场景中快速找到最优路径，并显著提高搜索效率。生成的路径不仅考虑了全局最优性，也兼顾了无人收获机的实际转向与行驶能力。
在控制策略层面，研究设计了一个经典的PID（比例-积分-微分）控制器，用于优化路径跟踪与速度控制性能。PID控制器因其结构简单、易于实现、鲁棒性强而在自动驾驶与农机控制中有着广泛应用。在车辆路径跟踪控制中，PID控制器通过调节横向偏差与航向偏差实现精确导引；在速度控制中，则能有效抑制外部干扰以维持稳定的车速。研究表明，PID控制器在农机控制系统内表现出优异的稳定性与响应性，其优势在处理田间环境固有的非线性与动态变化时尤为明显。例如，某些研究将PID控制器与视觉导航系统结合，实现了拖拉机田间作业时的自主导航与稳定控制。
为了增强系统的鲁棒性，本研究还引入了一种基于PID的、带有转向-速度协调机制的车道保持算法。该算法通过融合多传感器数据，并利用EKF实时辨识出的路面附着系数动态调整控制策略。PID控制器实时调整车辆路径跟踪与横向稳定性，确保对各种偏差的自动修正，并在多种农田环境中保持稳定行驶。通过持续优化比例、积分与微分参数，该控制策略能够在变化条件下保持高稳定性与精度。这项创新技术使仿真系统能更真实地反映实际控制需求，并为测试自动驾驶算法在动态环境中的鲁棒性提供了有效手段，进一步提升了农业自动驾驶系统的适应性与可靠性。
总结与展望
综上所述，本研究通过构建TruckSim/Simulink高保真协同仿真平台，创新性地集成了用于路面附着系数实时辨识的扩展卡尔曼滤波（EKF）、用于高效路径规划的混合A*算法以及用于精确跟踪控制的PID控制器，形成了一套完整的无人收获机自动驾驶算法仿真与验证框架。该研究的价值不仅在于算法的集成与方法创新，更在于其为智慧农业发展提供了实用的技术支持：所构建的仿真平台可显著缩短农机自动驾驶系统的研发周期，同时降低田间测试成本与风险；所提出的感知与控制策略显著提升了收获机在丘陵、湿滑泥泞田块等复杂地形中的作业适应性与安全性；整个系统为推动从单机智能作业到未来无人农场多机协同作业奠定了关键技术基础，对于应对农业劳动力短缺、驱动农业生产方式向精准化与自动化转型具有明确的工程应用前景。
