基于双卸粮模式的水稻协同收获转运策略及系统研究

Engineering ›› 2025, Vol. 48 ›› Issue (5) : 233 -246. DOI: 10.1016/j.eng.2024.11.006

研究论文

丁凡 ^a^,^c ,
罗锡文 ^a^,^b^,^c ,
张智刚 ^a^,^b^,^c ,
胡炼 ^a^,^b^,^c ,
吴欣洛 ^a^,^c ,
鲍开元 ^a^,^c ,
张嘉锐 ^a^,^c ,
苑炳轩 ^a^,^c ,
张闻宇 ^a^,^b^,^c^,^*

作者信息 +

Dual-Unloading Mode Autonomous Operation Strategy and Cotransporter System for Rice Harvester and Transporter

Fan Ding ^a^,^c ,
Xiwen Luo ^a^,^b^,^c ,
Zhigang Zhang ^a^,^b^,^c ,
Lian Hu ^a^,^b^,^c ,
Xinluo Wu ^a^,^c ,
Kaiyuan Bao ^a^,^c ,
Jiarui Zhang ^a^,^c ,
Bingxuan Yuan ^a^,^c ,
Wenyu Zhang ^a^,^b^,^c^,^*

Author information +

文章历史 +

Received	Accepted	Published
2024-05-21	2024-11-11
Issue Date
2024-11-23

PDF (15380K)

摘要

为实现水稻无人农场、提高作业效率，本研究开发了协同收获-转运系统，使用履带式收获机和运粮车进行全自动收获、卸粮和转运。在此基础上，本研究提出了两种卸粮-转运模式——收获机等待卸粮（harvester waiting for unloading, HWU）和运粮车跟随卸粮（transporter following for unloading, TFU），并确定了收获-卸粮-转运（harvesting-unloading-transportation, HUT）策略；通过分解协同收获作业主要阶段、设计模块状态机（module-state machines, MSM）、构建状态转换链，采用有限状态自动机（finite-state machine, FSM）的概念和方法，设计了适合嵌入式导航控制器的HUT协同作业逻辑框架，解决了HUT协同作业中多阶段、非顺序和流程复杂的问题。本研究采用仿真和田间收获试验结合的方法评估所提出策略和系统的适用性。试验结果表明，HUT协同作业策略能够将路径规划、路径跟踪控制、机间通信、协同作业控制和机具控制有效地结合在一起，可以实现全流程自主收获、卸粮和转运，田间试验的收获效率达到了0.42 hm²∙h^-1。本研究可为协同收获提供理论技术支持，并为无人农场的收获环节提供解决方案。

Abstract

To achieve an unmanned rice farm, in this study, a cotransporter system was developed using a tracked rice harvester and transporter for autonomous harvesting, unloading, and transportation. Additionally, two unloading and transportation modes—harvester waiting for unloading (HWU) and transporter following for unloading (TFU)—were proposed, and a harvesting–unloading–transportation (HUT) strategy was defined. By breaking down the main stages of the collaborative operation, designing module-state machines (MSMs), and constructing state-transition chains, a HUT collaborative operation logic framework suitable for the embedded navigation controller was designed using the concept and method of the finite-state machine (FSM). This method addresses the multiple-stage, nonsequential, and complex processes in HUT collaborative operations. Simulations and field-harvesting experiments were performed to evaluate the applicability of this proposed strategy and system. The experimental results showed that the HUT collaborative operation strategy effectively integrated path planning, path-tracking control, inter-vehicle communication, collaborative operation control, and implementation control. The cotransporter system completed the entire process of harvesting, unloading, and transportation. The field-harvesting experiment revealed that a harvest efficiency of 0.42 hm²∙h⁻¹ was achieved. This study can provide insight into collaborative harvesting and solutions for the harvesting process of unmanned farms.

关键词

农业机械 / 收获-卸粮-转运策略 / 协同收获-转运系统 / 无人农场 / 有限状态自动机

Key words

Agricultural machinery / Harvesting–unloading–transportation strategy / Cotransporter system / Unmanned farm / Finite-state machine

引用本文

引用格式 ▾

丁凡,罗锡文,张智刚,胡炼,吴欣洛,鲍开元,张嘉锐,苑炳轩,张闻宇. 基于双卸粮模式的水稻协同收获转运策略及系统研究[J]. 工程（英文）, 2025, 48(5): 233-246 DOI:10.1016/j.eng.2024.11.006

登录浏览全文

4963

注册一个新账户忘记密码

1 引言

随着农业机械化、信息化和智能化的快速发展，无人农场技术应运而生，逐渐受到研究人员的广泛关注[1‒2]。无人农场源于农机自动驾驶作业技术的进步与发展，是结合智能农机、物联网以及人工智能等新一代信息技术，能自动完成所有农场生产、管理任务的一种全天候、全过程、全空间的无人化生产作业模式，它代表着最先进的农业生产力，可以极大地提高劳动生产率和资源利用率。

在无人农场的收获环节中，由于收获机的粮仓容量有限，收获过程中需要进行多次卸粮和转运，这影响收获作业的效率。因此，研究收获机与运粮车的协同作业策略，以实现全流程自主收获、卸粮与转运，可以有效提高收获作业效率，并为其他协同作业场景（如补种、加油等）提供理论参考和技术支撑，对无人农场的发展和应用具有重要的意义。

1.1 收货-卸粮-转运协同作业的关键技术分析

协同收获作业复杂程度相对较高，涉及路径跟踪控制、机间通信、路径规划与作业调度、协同作业控制、机具控制等多个部分。其中路径跟踪控制是智能农机装备的基础技术，许多研究者已对其进行了一系列的研究和实践，控制方法主要包括纯追踪控制[3‒4]、比例积分微分（proportional-integral-derivative, PID）控制[5‒6]、模糊控制[7‒8]、滑模变结构控制[9‒10]和模型预测控制[11‒12]等，其跟踪控制精度可以达到± 2.5 cm。机间通信是实现收获机和运粮车之间信息交互的基础，采用电台（radio）[13]、4G（4th generation mobile communication technology）[14]、蓝牙[15]、LoRa（long range radio）[16]等方式结合通信协议和数据处理方法来实现。

路径规划为控制决策提供基准，如今有越来越多的研究者开始研究与多机协同作业相关的路径规划和作业调度。Yao等[17]针对同种机型的协同进行了路径规划研究，以总作业时间和作业时长为综合优化目标，进行多机无冲突协同作业路径优化，仿真结果显示矩形农田总作业时间和作业时长平均分别下降了2.45%、2.29%。Zhai等[18]基于方向包围盒算法和分离轴定理建立了农机安全状态检测模型，提出了面向主从跟随模式的多机协同作业导航路径规划方法，它能够同时为主机和从机提供全局作业路径，可有效避免主机和从机在转弯时发生碰撞。Zhang等[19]提出了一种基于改进遗传算法的多农机协同作业任务调度方法，可实现多个农机站的联合调度，并实时完成农户的作业指令。Wang等[20]采用基于优先队列的改进Dijkstra算法，实现了单台农机和多台同类型农机的全程路径规划，并通过仿真试验进行了验证。

近年来，国内外研究者逐渐开始对协同作业控制进行相关研究。Noguchi等[21]基于主从多机器人系统首次提出了在农业作业场景中有广泛适用性的“GOTO”和“FOLLOW”方法；基于“FOLLOW”方法、比例微分（proportional-derivative, PD）控制和滑模变控制设计了主从农业机器人跟随协同作业控制方法，仿真试验结果表明，主机与从机的相对横向和纵向位置均方根误差均为0.134 m。Zhang等[13]采用基于状态反馈和扰动前馈的PD控制方法；使半自动农业车辆（从机）以给定的横向和纵向偏移量跟随领先的拖拉机（主机）。Zhang等[15]采用PD控制器保持双机之间距离，并提出了安全的协同转弯方法。田间试验结果表明，拖拉机速度为0.83 m∙s^-1时，两机的相对位置平均误差为0.13 m，方差为0.15 m。Bai等[22]提出了一种基于领航-跟随结构的收获机群协同导航控制策略，结合反馈线性化、滑模控制理论以及收获机群运动学模型设计了路径跟踪和队形保持控制方法；试验表明，领航和跟随收获机的平均跟踪误差分别为0.058 m和0.059 m。Li等[23]采用横向和航向偏差设计了模糊控制器，依据主机所发送的路径，实现了从机对主机的跟随；当主机速度为0.8 m∙s^-1时，其路径跟踪的均方根误差为0.068 m。Zhang等[24]提出了位置-速度耦合纵向相对位置控制方法，实现了轮式收获机和转运拖拉机之间的协同收获-卸粮作业，田间收获试验表明，收获机速度在1 m·s^-1时，纵向相对位置偏差的标准差为0.091 m。Ding等[25]采用增益自调整单神经元PID控制方法，以实现履带式收获机和履带式运粮车间纵向相对位置的精确控制；田间收获实验表明，收获机和运粮车进入稳态时，纵向相对位置的最大偏差为0.253 m，谷物可以准确地卸载到运粮车的粮仓中。

综上所述，研究人员对路径跟踪控制、机间通信、协同作业控制的研究已经取得了一定的进展，虽然还存在不足，但已经可以满足协同收获作业的需要。在路径规划与作业调度方面，大多数的研究仅进行了仿真研究，虽然它为解决实际问题提供了良好的理论基础与研究思路，但是它距离实际应用仍然有一定的距离。因此，依据实际的生产需要和作业场景，将路径规划与作业调度、路径跟踪控制、机间通信、协同作业控制、机具控制相结合，研究收获-卸粮-转运协同作业方法，对实现全流程自主收获和提高作业效率具有重要的意义。

1.2 研究目标

本研究的目标是设计一种收货-卸粮-转运（hatvesting-unloading-transportation, HUT）方法和策略，将协同收获作业中的路径规划、路径跟踪、机间通信、协同作业控制、机具控制等环节在时间和空间序列上进行有效的结合，进而实现全流程自主收获-卸粮-转运，为主从协同收获从理论模型到技术实现提供支持。

首先，本研究提出了收获机等待卸粮（harvester waiting for unloading, HWU）和运粮车跟随卸粮（transporter following for unloading, TFU）两种不同卸粮方式相结合的全流程自主收获-卸粮-转运模式。然后，本研究基于有限状态自动机（finite-state machine, FSM）的概念与方法，通过协同作业主要环节分解、模块状态机（module-state machines, MSM）设计和状态转移链构建，设计了适应于嵌入式导航控制器的收获-卸粮-转运协同作业逻辑框架；最后，本研究通过仿真和田间收获试验对HUT协同作业策略进行了验证。

2 材料和方法

2.1 试验设备和材料

2.1.1 试验车辆

本研究采用潍柴雷沃公司的履带式收获机（RG60V4G-036）和履带式运粮车（RG60V4G-036）作为试验车辆。收获机和运粮车均采用全电控底盘，可实现对液压转向、液压无级变速器、发动机、割台、脱粒滚筒、卸粮筒等执行机构的电控。收获机和运粮车的主要技术参数如表1所示。

2.1.2 协同收获-转运系统的总体设计

协同收获-转运系统主要由收获机、运粮车、定位与姿态测量模块、机间通信模块、导航与自动驾驶作业控制控制模块组成。两辆车均采用双天线全球卫星导航系统（SinoGNSS K726，上海司南），其定位信息采集频率为 10 Hz、水平定位精度为 ± (10 + 1 × 10^-6 × D) mm，其中D为基站到移动站的距离（km）。采用 4G-cat1 数据传输终端（USR-DR152，济南有人物联网）和2.4 GHz全双工无线数据传输电台（AS69-DTU20，成都泽耀）实现机间通信，它们的数据传输频率分别为2 Hz和 5 Hz，通信数据采用STM32F407ZGT6 最小系统板（ALIENTEK，广州星翼）进行处理和融合。导航和自动驾驶作业控制模块采用STM32H743IGT6 作为核心处理器，并通过控制器局域网（controller area network, CAN）总线与车辆底盘的电子控制单元进行通信。导航和自动驾驶作业控制模块的软件部分使用Metrowerks Code Warrior for ARM Developer Suite v1.2 进行开发和调试。履带式协同收获-转运系统的硬件组成和结构如图1所示。

2.2 HUT协同作业的定义

2.2.1 协同卸粮的两种模式

日本北海道大学的Noguchi等[21]首次提出了在农机作业中有广泛适用性的“GOTO”和“FOLLOW”方法。结合水稻无人农场的实际生产需要和作业现场环境，本研究提出两种协同收获-卸粮方式——HWU和TFU。

HWU即为收获机粮仓达到阈值时，停车召唤运粮车并等待，待运粮车到位后，进行卸粮作业。TFU即为收获机粮仓达到阈值时，召唤运粮车在收获作业的直线段进行跟随，双机配合完成精准卸粮作业。两种方式均可完成自主卸粮以及粮食转运，其作业场景分别如图2（a）和（b）所示。

TFU可使收获机不停车就能完成卸粮，能够极大地提高作业效率，但它并不适用于所有的场景。如当收获开始时，田块若没有足够的空间可供运粮车跟随收获机进行TFU，此时就需要进行HWU，待田块收割出足够的空间后，才能进行TFU。当整块田地都完成收获时，收获机需将所有粮食都卸入运粮车中，此时更适合使用HWU。因此，本文将HWU和TFU相结合，以实现全流程自主收获、卸粮和转运。

2.2.2 协同作业的主要阶段

根据协同作业和控制的特点，HWU和TFU相结合的收获-卸粮-转运可分为八个主要阶段：

阶段一（S₁），收获机跟踪规划路径、开启相应的机具进行导航和自动驾驶作业。

阶段二（S₂），运粮车等待召唤。运粮车根据规划路径行驶至HWU协同路径段的起点后停车，等待收获机的召唤进行HWU或切换至TFU模式。

阶段三（S₃），运粮车等待TFU。当收到收获机召唤指令时，运粮车根据规划路径行驶至TFU协同路径段的起点，停车并等待TFU。

阶段四（S₄），收获机和运粮车进行HWU。当收获机的粮仓达到阈值并行驶到卸粮位置时，收获机停车并向运粮车发送召唤指令；运粮车收到召唤指令后，沿规划的协同HWU路径与收获机纵向对齐；当运粮车到达后，收获机开始卸粮，实现HWU。

阶段五（S₅），收获机和运粮车进行TFU。收获机到达协同TFU路径后，继续收获并发送开始行驶的指令给运粮车；运粮车开始行驶并实时调整行进速度与收获机进行纵向对位，位置对准后，收获机开始卸粮，实现TFU；依据收获机粮仓传感器信息或即将到达地头要进行转弯时，收获机停止卸粮，随后运粮车停车。

阶段六（S₆），运粮车完成HWU的后续。S_6-1：如果下一次卸粮模式为TFU或运粮车粮仓达到阈值，则执行S₈进行卸粮。S_6-2：如果下一次卸粮模式为HWU且运粮车粮仓未达到阈值，则执行S₂等待下一次HWU。

阶段七（S₇），运粮车完成TFU的后续。S_7-1：如果下一次卸粮模式为HWU或运粮车粮仓达到阈值，则执行S₈进行卸粮。S_7-2：如果下一次卸粮模式为TFU且运粮车粮仓未达到阈值，则运粮车等待召唤；当运粮车收到收获机的召唤指令时，规划路径并行驶至协同TFU路径起点，运粮车到达指定位置后，执行S₃等待TFU。

阶段八（S₈），运粮车卸粮。运粮车规划卸粮路径并行驶至指定点进行卸粮；卸粮完成后，运粮车重新规划路径并进入S₂或规划返回机库路径并返回。

其中S₁、S₂、S₃、S₆、S₇和S₈为弱耦合环节，收获机和运粮车只需保持机间通信，完成各自的规划和作业任务；S₄和S₅为强耦合环节，需要收获机和运粮车实时通信和配合，控制相对位置，保证协同作业和精准卸粮。

2.2.3 协同作业的流程

HUT协同作业流程依据上节提出的主要阶段进行设计。收获机首先从机库出发，按规划路径行驶至田间，执行S₁进行收获；紧接着运粮车从机库出发，执行S₂并等待召唤；收获机根据卸粮方法和仓满信息召唤运粮车；运粮车收到召唤指令后，执行S₄、S₆、S₈和S₂完成HWU和转运，或执行S₃、S₅、S₇、S₈和S₂完成TFU和转运；收获完成后，收获机召唤运粮车执行S₄，并将所有谷物卸入运粮车；收获机首先返回机库，运粮车执行S₈卸粮并返回机库。HUT协同作业的主要阶段和流程如图3所示。

2.3 HUT协同作业的建模

HUT协同作业过程具有环节多、非顺序性、过程复杂等特点，若采取常规的控制逻辑和结构，会造成逻辑复杂、结构混乱、维护和升级困难等问题。FSM是自动机理论的研究对象，表示有限个状态以及在这些状态之间的转移和动作等行为的数学模型[26]。FSM具有以下三个特征：①状态总数是有限的；②任一时刻，状态机只处在一种状态之中；③在特定条件触发时，状态机会从一种状态转变到另一种状态[27‒29]。FSM已被应用于实现复杂的农业场景，如拖拉机在农田道路上的自主驾驶[30]、采棉机器人的协同控制[31]等。FSM的优点如下：①可以使控制逻辑框架具体化，易于实现；②状态执行器的特性可以使错误准确定位；③模块化的设计易于维护和升级。

根据FSM的概念和方法，收获机和运粮车在HUT协同作业各个主要阶段（见第2.2.2节）的动作可以描述为有限数量的状态；通过描述和定义每个状态的转移条件，可以实现状态转移；最后，通过构建状态转移链和逻辑框架，可以实现改变收获机和运粮车的相应动作，从而完成整个复杂的HUT协同作业。

2.3.1 模块状态机和状态信息矩阵

对收获机和运粮车建立MSM，分别记为M_h和M_t。MSM包含状态信息矩阵和状态功能模块，状态功能模块主要包括状态执行器（state actuator, A）、状态评价器（state evaluator, E）、状态触发器（state trigger, T）和状态确认器（state verification, V）。它们之间的关系如下所示：

M h = {Q h, A h, E h, T h, V h} M t = {Q t, A t, E t, T t, V t}

（1）

式中，Q_h和Q_t分别为收获机和运粮车的状态信息矩阵。

收获机的状态信息矩阵可以表示为

Q h = [Q h 1, Q h 2, Q h 3, . . ., Q h 13]

（2）

式中，Q_h1为路径规划状态；Q_h2为行驶速度状态；Q_h3为发动机转速状态；Q_h4为割台高度状态；Q_h5为主离合状态；Q_h6为割台离合状态；Q_h7为卸粮离合状态；Q_h8为卸粮筒位置状态；Q_h9为粮仓监测状态；Q_h10为直线跟踪或地头转弯的评估状态；Q_h11为实时航向和横向偏差的评估状态；Q_h12为卸粮路径及模式的评估状态；Q_h13为与运粮车实时距离的状态。

运粮车的状态信息矩阵可以表示为

Q t = [Q t 1, Q t 2, Q t 3, . . ., Q t 13]

（3）

式中，Q_t1为路径规划状态；Q_t2为行驶速度状态；Q_t3为发动机转速状态；Q_t4为卸粮离合状态；Q_t5为卸粮筒位置状态；Q_t6为粮仓监测状态；Q_t7为TWU时纵向对位的评估状态（用于计算纵向偏差）；Q_t8为TFU时纵向对位的评估状态（用于计算纵向偏差）；Q_t10为直线跟踪或地头转弯的评估状态；Q_t11为实时航向和横向偏差的评估状态；Q_t12为卸粮路径及模式的评估状态；Q_t13为与收获机实时距离的状态。

2.3.2 状态功能模块的定义

2.3.2.1. 状态执行器。状态执行器用于描述和表示收获机和运粮车的各种执行器及机具的当前状态。如第2.2节所述，收获机和运粮车的所有执行动作都可视为固定的基本执行流程；通过对这些流程和状态进行分析和建模，可以划分和描述收获机和运粮车在HUT协同作业每个阶段的动作。表2列出了状态执行器的定义以及状态执行器中所包含的状态信息矩阵。收获机和运粮车的动作可以通过依次改变相应的状态信息矩阵来实现和改变。

2.3.2.2. 状态评价器。状态评价器描述来自内部的评估指标，并利用这些指标来确定状态执行器是否进行状态转移。表3列出了状态评价器的定义以及状态评价器中所包含的状态信息矩阵。

2.3.2.3. 状态确认器。状态确认器用于计算和验证当前状态，并确定状态执行器是否进行状态转移。表4列出了状态确认器的定义以及状态确认器中所包含的状态信息矩阵。

2.3.2.4. 状态触发器。状态触发器描述来自外部的触发信号，它与内部状态信息相结合，触发状态执行器进行状态转移。表5列出了状态触发器的定义以及状态触发器中所包含的状态信息矩阵。

2.3.3 状态转移链以及逻辑框架的构建

根据状态功能模块的定义，状态执行器代表收获机和运粮车在HUT协同作业每个阶段的执行动作。因此整个 HUT协同作业过程可描述为各状态执行器之间的状态转移。其中状态的转移由状态评价器、状态触发器和状态确认器三个功能模块决定。状态评价器和状态确认器是评估状态执行器是否进行状态转移的内部条件；状态触发器是来自机间通信的外部条件。状态转移链则依据第2.2节所述的HUT协同作业流程进行设计，如图4所示。在M_h中：A_h1→A_h2→A_h3-1→A_h3-2→A_h1为HWU阶段；A_h1→A_h4→A_h5-1→A_h5-2→A_h1为TFU阶段；A_h1→A_h6→A_h1为收获机等待运粮车到位的临时停车阶段。在M_t中，运粮车的状态转移链围绕五个停车状态进行设计，如图3（b）所示。其中，Q_t1代表调用路径规划；A_t2-1→A_t1-2→A_t2-3为HWU阶段；A_t2-1→Q_t1→A_t1-1→A_t2-2代表运粮车等待TFU阶段；A_t2-2→Q_t1→A_t1-3→A_t2-4为TFU阶段。在A_t2-3和A_t2-4，依据运粮车仓满信息和收获机的下次卸粮模式，分别执行A_t2-3→Q_t1→A_t1-1→A_t3-1、A_t2-4→Q_t1→A_t1-1→A_t3-1进行卸粮，或分别执行A_t2-3→A_t2-1、A_t2-4→Q_t1→A_t1-1→A_t2-2继续准备接粮。当运粮车卸粮完成时，执行A_t3-1→A_t3-2→Q_t1→A_t1-1→A_t2-1继续等待召唤，或执行A_t3-1→A_t3-2→Q_t1→A_t1-1返回机库。以此方式，本文第2.2.3节所述的HUT协同作业就可以用状态转移链进行表达和建模，且具有良好的模块独立性和可扩展性。

逻辑框架设计是HUT协同作业从理论模型到技术实现的重要方式，它能够将路径规划、路径跟踪、机间通信、相对位置控制、机具控制等关键技术进行有机结合和有效搭配，使协同收获-转运系统完成HWU和TFU相结合的全流程自主收获、卸粮与转运。根据HUT协同作业的状态转移链和嵌入式导航控制器的特点，本研究以主循环重复检索的方式设计了协同作业的逻辑框架。收获机和运粮车的逻辑流程图分别见附录A中的图S1和图S2。收获机和运粮车之间通过机间通信实现触发信号的传递，使双机能够相互配合，共同完成收获、卸粮与转运。

2.4 算法评估及验证

2.4.1 仿真方法

为了验证第2.3节中建立的状态转移链和逻辑框架，本研究采用MATLAB Simulink和Stateflow模块进行仿真和分析。对逻辑框架进行简化处理，以步长代替时间关系，建立HUT协同作业逻辑仿真模型如图5所示。“harvester”和“transporter”分别代表收获机和运粮车的Stateflow模块，ULM代表收获机路径规划所提供的卸粮模式信息。为了模拟实际收获场景，在仿真中设置了两次HWU和三次TFU，HWU分别在仿真的开始和结束。

2.4.2 田间收获试验方法

为验证HUT协同作业策略的有效性，我们在广东省广州市华南农业大学增城教学科研基地的水稻无人农场进行田间收获试验。

依据产量估计和卸粮便利的原则，选择的待收获田块如图6所示。根据田间试验的要求，采用大疆智图（DJI TERRA）获取待收获田块边界关键点A、B、C、D和运粮车卸粮点U的经纬度坐标（WGS-84）。本研究采用东-北-天导航平面坐标系[32]。以A点作为导航平面坐标系的原点，将A、B、C、D和U点的经纬度坐标转换为高斯投影平面坐标，然后再转换到导航平面坐标系，得到关键点坐标如表6所示。试验田块的面积为5162.81 m²。

收获机的路径规划采用平行套行方法，收获幅宽设置为1.9 m，最终的规划路径包括绕圈作业路径1圈、套行作业路径14圈，如图7所示。运粮车路径主要包含HWU路径H₁H₂、TFU路径T₁T₂以及引导路径，如图8（a）和（b）所示。路径H₁H₂和T₁T₂依据收获机的路径规划和双机协同卸粮时所需的间距（间距设置为2.3 m）通过平移法求得。路径H₁H₂和MU可以多次复用，而路径T₁T₂则需要依据收获机的实时位置进行规划和调整。由于收获机和运粮车粮仓位置传感器精度有限，不能对整体的仓位信息做出准确的测量以及预测，因此本研究依据产量预估和所提出的逻辑框架，设计运粮车的路径如图8（c）所示。通过对这些路径进行组合与调用，驱动运粮车前进或后退，就能够实现协同卸粮以及谷物转运。收获机和运粮车的每条路径既包含位置信息，也包含与此条路径相关的状态信息，为控制提供参考。收获机与运粮车路径规划状态码信息的定义如表7所示，最终的规划结果如图9所示。

收获机和运粮车的非协同作业速度分别设置为1 m·s^-1和0.8 m·s^-1。采用预瞄跟随控制方法实现路径跟踪[33]，路径跟踪的平均绝对偏差和标准差分别为0.054 m和0.064 m。收获机和运粮车之间的通信通过电台和4G实现[34]，数据更新频率可以稳定在10 Hz。在HWU协同卸粮过程中，采用基于补偿预测器的纵向控制方法实现运粮车与收获机的停车对位[35]，纵向和横向对位误差分别小于0.2 m和0.1 m。在TFU协同卸粮过程中，采用增益自调整单神经元PID控制方法实现收获机与运粮车的精准动态对位[25]，纵向对位误差小于0.25 m。在试验过程中确保机间通信链路畅通，并对试验数据进行实时监控与保存。

2.4.3 收获效率增益的计算

双卸粮方法与单收获机方法和仅采用HWU模式相比，其效率提高的计算公式如下：

η 1 = t 3 t 1 + t 2 + t 3 η 2 = t 4' t 1 + t 2 + t 4

（4）

式中，t₁为收获所消耗的时间；t₂为收获机临时停车所消耗的时间；t₃为收获机前往田边卸粮所花费的总时间；t₄为HWU所消耗的总时间；t₄'为TFU相较于HWU可以节省的总停车时间；η₁为双卸粮方法与单收获机方法相比的收获效率增益；η₂为双卸粮方法与仅采用HWU相比的收获效率增益。

3 结果

3.1 仿真实验

仿真实验的结果如图10所示。图中“State”表示状态执行器的状态。收获机State 1~7分别代表A_h1、A_h2、A_h3-1、A_h3-2、A_h4、A_h5-1和A_h5-2，运粮车State 1~9分别代表A_t1-1、A_t1-2、A_t1-3、A_t2-1、A_t2-2、A_t2-3、A_t2-4、A_t3-1和A_t3-2。“State”的初始值设置为1，T_h1、T_h2、T_t1、T_t2和T_t3的初始值设为“0”。如图10（a）所示，收获机和运粮车的状态执行器可以在状态评价器、状态确认器和状态触发器的作用下进行有效的状态转移，能够完成HUT协同作业的全部流程。Step 2~5和Step 43~46代表HWU协同卸粮阶段，Step 12~15、Step 23~26、Step 34~37代表TFU协同卸粮阶段。状态触发器的触发状态如图10（b）所示，其中“1”代表触发状态。综上所述，本研究设计的状态转移链和逻辑框架是有效的。

3.2 田间收获试验

在整个收获过程中，共进行了6次TFU和1次HWU，运粮车向卡车中卸粮4次，收获机只在HWU时停车，其余时间收获机均不停车。收获机与运粮车的作业轨迹和HUT协同作业试验现场分别如图11和12所示。在协同卸粮时，收获机的卸粮筒、卸粮离合均正常工作，谷物能够准确地卸入运粮车粮仓。收获机和运粮车的状态执行器通过机间通信触发，T_h1、T_h2、T_t1、T_t2和T_t3在试验中的触发情况如图13所示，其中“0”代表未触发状态，“1”代表触发状态。由此可见，本研究提出的 HUT 协同作业逻辑框架是有效的，能够将路径规划、路径跟踪控制、机间通信、协同作业控制和机具控制相结合，实现全流程自主收获、卸粮和转运。

田间收获试验总用时为73 min，其中最后一次HWU用时2 min，收获效率为0.42 hm²∙h^-1。若不采用HUT协同作业策略，收获机需中途前往田边卸粮，按照卸粮5次、每次用时5 min计算，则中断收获的卸粮时间需要25 min；如果仅采用HWU模式，则中断收获的卸粮时间需要10 min。根据公式（4），基于双卸粮模式的HUT协同作业策略与单收获机方法和仅采用HWU相比，作业效率分别提高了26.0%和9.9%。随着田块面积更大、运粮卡车距离更远、收获机收获速度更快，HUT协同作业策略的优势将更加明显。

4 讨论

收获是无人农场运营中不可或缺的环节。实现自主收获、卸粮和转运，进一步提高收获效率，对无人农场具有重要的意义。近年来，有很多研究者开始对此问题进行研究，但大多数的研究集中在路径规划、任务分配和农机调度方法的设计与优化等方面，多数研究只进行了仿真实验，对实际应用的考虑较少。然而，在协同收获的过程中，由于精准卸粮的协同控制，收获机和运粮车之间存在强耦合环节，仅仅考虑规划与调度是不够的。因此，本研究结合实际应用场景，综合考虑路径规划、路径跟踪控制、机间通信、协同控制、机具控制等环节，提出了基于双卸粮模式的HUT协同作业策略。田间收获试验表明，本研究提出和设计的HUT协同作业策略和协同收获-转运系统能够实现全流程自主收获、卸粮和转运，其收获效率比单收获机模式提高了26.0%。如表8 [21,36‒39]所示，在收获应用场景中，HUT协同作业策略具有更好的实用性和适应性，它为无人农场的收获环节提供了新的解决方案。

收获机和运粮车的实时粮仓检测对于优化路径规划、提高效率和减少燃料消耗非常重要。本研究提出的HUT协同作业策略需要与实时、准确的运粮车路径规划相结合，才能进一步提高卸粮和转运效率；且路径规划需要具有预测性和协同性，不能与未收割区域冲突，这就需要粮仓探测传感器提供更详细、更准确的信息。因此，提高粮仓传感器的测量范围、精度和稳定性并建立仓位和收获量模型具有重要的意义；进一步结合精准的仓位信息，实现运粮车路径的实时动态规划，并提高其适用性，是未来的研究方向。

5 结论

本研究为无人农场收获环节提供了一种解决方案，并通过仿真和田间收获试验对所提出的HUT协同作业策略进行了评估和验证。所获得的试验结果和结论总结如下：

（1）提出了HWU和TFU两种卸粮和转运模式，并基于这两种卸粮模式设计了HUT协同作业策略。通过分解协同作业的主要阶段、设计MSMs和构建状态转移链，建立了HUT协同作业逻辑框架。随后，使用MATLAB Simulink Stateflow对其进行了仿真和验证。仿真结果表明，所设计的状态转移链和逻辑框架能够有效地描述HUT协同作业的整个过程，并实现状态执行器的状态转换。

（2）进行了田间收获试验。试验田块面积为5162.81 m²，收获幅宽为1.9 m，收获速度为0.8 m∙s^-1，协同收获-转运系统成功完成了全流程收获。在收获期间共进行了6次TFU和1次HWU，运粮车向卡车卸粮4次，收获效率为0.42 hm²∙h^-1。试验结果表明，HUT协同作业策略有效地集成了路径规划、路径跟踪控制、机间通信、协同作业控制和机具控制。由于收获机停车卸粮的时间大幅减少，其收获效率比单收获机和仅采用HWU，分别提高了26.0% 和9.9%。

综上所述，本研究提出和设计的HUT协同作业策略和协同收获-转运系统为协同收获从理论模型到技术实现提供了支持，并为无人农场的收获环节提供了新的解决方案。

参考文献

原文顺序 | 出版日期 | 本文引用

[1]	Li D, Li Z. System analysis and development prospect of unmanned farming. Trans Chin Soc Agric Mach 2020;51(7):1‒12. Chinese.

[2]	Luo X, Liao J, Hu L, Zhou Z, Zhang Z, Zang Y, et al. Research progress of intelligent agricultural machinery and practice of unmanned farm in China. J South China Agric Univ 2021;42(6):8‒17. Chinese.

[3]	Zhang Z, Luo X, Zhao Z, Huang P. Trajectory tracking control method based on kalman filter and pure pursuit model for agricultural vehicle. Trans Chin Soc Agric Mach 2009;40(S1):6‒12. Chinese.

[4]	Chou H, Khorsandi F, Vougioukas S, Fathallah F. Developing and evaluating an autonomous agricultural all-terrain vehicle for field experimental rollover simulations. Comput Electron Agric 2022;194:106735. . 10.1016/j.compag.2022.106735

[5]	Sun H, Slaughter D, Ruiz M, Gliever C, Upadhyaya S, Smith R. RTK GPS mapping of transplanted row crops. Comput Electron Agric 2010;71(1):32‒7. . 10.1016/j.compag.2009.11.006

[6]	Ding Y, Xia Z, Peng J, Hu Z. Design and experiment of the single-neuron PID navigation controller for a combine harvester. Trans Chin Soc Agric Eng 2020;36(7):34‒42. Chinese.

[7]	Xue J, Zhang L, Grift T. Variable field-of-view machine vision based row guidance of an agricultural robot. Comput Electron Agric 2012;84:85‒91. . 10.1016/j.compag.2012.02.009

[8]	Zhang Y, Li Y, Liu X, Tao J, Liu C, Li R. Fuzzy adaptive control method for autonomous rice seeder. Trans Chin Soc Agric Mach 2018;49(10):30‒7. Chinese.

[9]	Niu X, Gao G, Bao Z, Zhou H. Path tracking of mobile robots for greenhouse spraying controlled by sliding mode variable structure. Trans Chin Soc Agric Eng 2013;29(02):9‒16. Chinese.

[10]	Xu G, Chen M, He X, Pang H, Miao H, Cui P, et al. Path following control of tractor with an electro-hydraulic coupling steering system: layered multi-loop robust control architecture. Biosyst Eng 2021;209:282‒99. . 10.1016/j.biosystemseng.2021.07.014

[11]	He J, Hu L, Wang P, Liu Y, Man Z, Tu T, et al. Path tracking control method and performance test based on agricultural machinery pose correction. Comput Electron Agric 2022;200:107185. . 10.1016/j.compag.2022.107185

[12]	Chi R, Xiong Z, Jiang L, Ma Y, Huang X, Zhu X. Path tracking control algorithm of transplanter based on model prediction. Trans Chin Soc Agric Mach 2022;53(11):22‒30. Chinese.

[13]	Zhang X, Geimer M, Noack P, Grandl L. A semi-autonomous tractor in an intelligent master-slave vehicle system. Intell Serv Robot 2010;3(4): 263‒9. . 10.1007/s11370-010-0071-6

[14]	Li S, Cao R, Wei S, Ji Y, Zhang M, Li H. Development of multivehicle cooperative navigation communication system based on TD-LTE. Trans Chin Soc Agric Mach 2017;48(S1):45‒51. Chinese.

[15]	Zhang C, Noguchi N, Yang L. Leader-follower system using two robot tractors to improve work efficiency. Comput Electron Agric 2016;121:269‒81. . 10.1016/j.compag.2015.12.015

[16]	Chen J, Fu S, Guan Z, Zhu F, Zhu L, Xia H, et al. Communication method for combine harvester group using Lora technology. Trans Chin Soc Agric Eng 2022;38(16):81‒9. Chinese.

[17]	Yao J, Teng G, Huo L, Yuan Y, Zhang F. Optimization of cooperative operation path for multiple combine harvesters without conflict. Trans Chin Soc Agric Eng 2019;35(17):12‒8. Chinese.

[18]	Zhai Z, Wang X, Wang L, Zhu Z, Du Y, Mao E. Collaborative path planning for autonomous agricultural machinery of master slave cooperation. Trans Chin Soc Agric Mach 2021;52(S1):542‒7. Chinese.

[19]	Zhang F, Luo X, Zhang Z, He J, Zhang W. Agricultural machinery scheduling optimization method based on improved multi-parents genetic algorithm. Trans Chin Soc Agric Eng 2021;37(9):192‒8. Chinese.

[20]	Wang N, Yang X, Wang T, Xiao J, Zhang M, Wang H, et al. Collaborative path planning and task allocation for multiple agricultural machines. Comput Electron Agric 2023;213:108218. . 10.1016/j.compag.2023.108218

[21]	Noguchi N, Will J, Reid J, Zhang Q. Development of a master-slave robot system for farm operations. Comput Electron Agric 2004;44(1):1‒19. . 10.1016/j.compag.2004.01.006

[22]	Bai X, Wang Z, Hu J, Gao L, Xiong F. Harvester group corporative navigation method based on leader-follower structure. Trans Chin Soc Agric Mach 2017;48(7):14‒21. Chinese.

[23]	Li S, Xu H, Ji Y, Cao R, Zhang M, Li H. Development of a following agricultural machinery automatic navigation system. Comput Electron Agric 2019;158:335‒44. . 10.1016/j.compag.2019.02.019

[24]	Zhang W, Zhang Z, Luo X, He J, Hu L, Yue B. Position-velocity coupling control method and experiments for longitudinal relative position of harvester and grain truck. Trans Chin Soc Agric Eng 2021;37(9):1‒11. Chinese.

[25]	Ding F, Zhang W, Luo X, Hu L, Zhang Z, Wang M, et al. Gain self-adjusting single neuron pid control method and experiments for longitudinal relative position of harvester and transport vehicle. Comput Electron Agric 2023;213:108215. . 10.1016/j.compag.2023.108215

[26]	Cho H, Hachtel GD, Macii E, Plessier B, Somenzi F. Algorithms for approximate fsm traversal based on state space decomposition. IEEE Trans Comput Aided Des Integrated Circ Syst 1996;15(12):1465‒78. . 10.1109/43.552080

[27]	Leonard J, How J, Teller S, Berger M, Campbell S, Fiore G, et al. A perception-driven autonomous urban vehicle. J Field Robot 2008;25(10):727‒74. . 10.1002/rob.20262

[28]	Talebpour A, Mahmassani H, Hamdar S. Modeling lane-changing behavior in a connected environment: a game theory approach. Transp Res Procedia 2015;7:420‒40. . 10.1016/j.trpro.2015.06.022

[29]	Xiong L, Jia T, Chen J, Xing X, Li B. Hazard identification method for safety of the intended functionality based on finite state machine. J Tongji Univ 2023;51(4):616‒22. Chinese.

[30]	Yang L, Tang X, Wu S, Wen L, Yang W, Wu C. Local path planning for autonomous agricultural machinery on farm road. Trans Chin Soc Agric Eng 2024;40(01):27‒36. Chinese.

[31]	Fue K, Porter W, Barnes E, Li C, Rains G. Center-articulated hydrostatic cotton harvesting rover using visual-servoing control and a finite state machine. Electronics 2020;9(8):1226. . 10.3390/electronics9081226

[32]	He J, Luo X, Zhang Z, Wang P, He J, Yue B, et al. Positioning correction method for rice transplanters based on the attitude of the implement. Comput Electron Agric 2020;176:105598. . 10.1016/j.compag.2020.105598

[33]	Wang H, Wang G, Luo X, Zhang Z, Gao Y, He J, et al. Path tracking control method of agricultural machine navigation based on aiming pursuit model. Trans Chin Soc Agric Eng 2019;35(4):11‒9. Chinese.

[34]	Ding F, Zhang W, Luo X, Zhang Z, Wang M, Li H, et al. Design and experiment for inter-vehicle communication based on dead-reckoning and delay compensation in a cooperative harvester and transport system. Agriculture 2022;12(12):2052. . 10.3390/agriculture12122052

[35]	Zhang W, Hu L, Ding F, Luo X, Zhang Z, Hu L, et al. Parking precise alignment control and cotransporter system for rice harvester and transporter. Comput Electron Agric 2023;215:108443. . 10.1016/j.compag.2023.108443

[36]	Tian Y, Bhattacharya S. Smart autonomous grain carts for harvesting-on-demand. In: IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS); 2017 Dec 24‒28; Vancouver, BC, Canada. Piscataway: IEEE; 2017. p. 5168‒73. . 10.1109/iros.2017.8206405

[37]	He P, Li J. The two-echelon multi-trip vehicle routing problem with dynamic satellites for crop harvesting and transportation. Appl Soft Comput 2019;77:387‒98. . 10.1016/j.asoc.2019.01.040

[38]	Zhang W, Zhang Z, Zhang F, Ding F, Hu L, Luo X. Cooperative autonomous operation strategy and experiment of the rice harvester together with a rice-transporting vehicle. Trans Chin Soc Agric Eng 2022;38(15):1‒9. Chinese.

[39]	Li S, Zhang M, Wang N, Cao R, Zhang Z, Ji Y, et al. Intelligent scheduling method for multi-machine cooperative operation based on NSGA-III and improved ant colony algorithm. Comput Electron Agric 2023;204:107532. . 10.1016/j.compag.2022.107532