CN113533771B - 一种轮式拖拉机滑转率精确测算***和方法 - Google Patents

一种轮式拖拉机滑转率精确测算***和方法 Download PDF

Info

Publication number
CN113533771B
CN113533771B CN202110829705.4A CN202110829705A CN113533771B CN 113533771 B CN113533771 B CN 113533771B CN 202110829705 A CN202110829705 A CN 202110829705A CN 113533771 B CN113533771 B CN 113533771B
Authority
CN
China
Prior art keywords
speed
unmanned aerial
tractor
aerial vehicle
calculating
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202110829705.4A
Other languages
English (en)
Other versions
CN113533771A (zh
Inventor
宋正河
李金凤
武秀恒
张学敏
赵晋海
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Agricultural University
Original Assignee
China Agricultural University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by China Agricultural University filed Critical China Agricultural University
Priority to CN202110829705.4A priority Critical patent/CN113533771B/zh
Publication of CN113533771A publication Critical patent/CN113533771A/zh
Application granted granted Critical
Publication of CN113533771B publication Critical patent/CN113533771B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01P—MEASURING LINEAR OR ANGULAR SPEED, ACCELERATION, DECELERATION, OR SHOCK; INDICATING PRESENCE, ABSENCE, OR DIRECTION, OF MOVEMENT
    • G01P3/00—Measuring linear or angular speed; Measuring differences of linear or angular speeds
    • G01P3/36—Devices characterised by the use of optical means, e.g. using infrared, visible, or ultraviolet light
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/02—Systems using reflection of radio waves, e.g. primary radar systems; Analogous systems
    • G01S13/50—Systems of measurement based on relative movement of target
    • G01S13/58—Velocity or trajectory determination systems; Sense-of-movement determination systems
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
    • G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
    • G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
    • G01S19/52—Determining velocity

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Electromagnetism (AREA)
  • Power Engineering (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明涉及一种轮式拖拉机滑转率精确测算***和方法。***包括卫星定位***、无人机、车轮转速检测单元、低速雷达测速仪、数据采集器和计算机；卫星定位***实时向计算机提供待测拖拉机的卫星测算车速和时间信息；无人机设有实时动态定位基准站；待测拖拉机上设有实时动态定位移动站，用于获得待测拖拉机的无人机测算车速；计算机根据卫星定位***、无人机、低速雷达测速仪和车轮转速检测单元采集的拖拉机速度数据，获得精准的拖拉机车速，进而获得拖拉机各车轮的滑转率。本发明解决了田间复杂环境强干扰及单传感器信号丢失问题，提高实时车速测量精度与稳定性，进而精确测算轮式拖拉机滑转率。

Description

一种轮式拖拉机滑转率精确测算***和方法
技术领域
本发明属于拖拉机滑转率测量技术领域，涉及一种轮式拖拉机滑转率精确测算***和方法。
背景技术
拖拉机车轮滑转对拖拉机使用性能有很大影响，滑转率对拖拉机性能的影响主要表现在牵引力、牵引效率等方面。为实现拖拉机的高效牵引，滑转率是拖拉机控制***需要实时参考的重要参数。传统的拖拉机滑转率测量采用五轮仪测速法，但拖拉机的恶劣工作环境影响其测量精度。因此，在不影响作业工况的情况下，如何准确测量拖拉机滑转率是国内外农机测试专家致力研究的问题。
车轮滑转率由轮胎转速、轮胎半径和车速计算所得，因此精确的车速获取十分必要。目前车速的测算主要通过传感器进行直接测量，汽车中常用的测试设备，如惯性测量单元适用于有明显速度变化的情况，而拖拉机作业时以非常小的速度匀速行进，且高频波动剧烈使其无法应用；另外，单独使用GPS、多普勒雷达等仪器容易在恶劣的农田作业坏境中受到影响，造成信息不准确；地面基站也具有便携性不足的缺点。为满足实际应用需求，实现拖拉机滑转率的精确测算，需提出新的滑转率测算方案。
目前无人机在农业中的用途越来越广泛，基于北斗导航***、无人机空中监测***与拖拉机自身携带的传感通讯设备所构建的轮式滑转率新型精确测算***，为获取拖拉机工作状态实时获取创造了新条件。基于此，本申请采用北斗/GPS导航、无人机、低速雷达测速仪相结合的方式测量拖拉机车速，并基于真实车速获得精确滑转率。
发明内容
针对上述技术问题，本发明的目的是提供一种轮式拖拉机滑转率精确测算***和方法，构建无人机与机组间通过卫星定位、无人机、低速雷达测速仪的多运动体高精度精确测算方法，解决田间复杂环境强干扰及单传感器信号丢失问题，提高实时车速测量精度与稳定性，进而精确测算轮式拖拉机滑转率。
为了实现上述目的，本发明提供了如下技术方案：
一种轮式拖拉机滑转率精确测算***，包括卫星定位***3、无人机2、车轮转速检测单元、低速雷达测速仪5、数据采集器和计算机。
所述卫星定位***3实时向计算机提供待测拖拉机1的卫星测算车速和时间信息。
所述无人机2设有实时动态定位基准站；所述待测拖拉机1上设有实时动态定位移动站，用于获得待测拖拉机1的无人机测算车速。
所述车轮转速检测单元包括前轮转速检测单元和/或后轮转速检测单元，通过脉冲信号测量车轮转速。
所述低速雷达测速仪5通过安装架6固接在待测拖拉机1的底盘4上，并与数据采集器连接；低速雷达测速仪5的电磁波发射端朝向地面7，且与地面7之间的夹角α为35±5°；所述数据采集器接收车轮转速检测单元和低速雷达测速仪5采集的数据，进行数据处理后传送至计算机。
所述计算机根据卫星定位***3、无人机2、低速雷达测速仪5和车轮转速检测单元采集的拖拉机速度数据，获得精准的拖拉机车速，进而获得拖拉机各车轮的滑转率。
所述卫星定位***3为全球导航卫星***、美国全球定位***或北斗卫星导航***。
所述待测拖拉机1为两驱或四驱轮式拖拉机。
所述前轮转速检测单元和后轮转速检测单元均包括一对安装在驱动车轮上的光电旋转编码器；光电旋转编码器每转输出固定数量的脉冲，通过脉冲信号测量车轮转速，并且能够判断车轮旋转的方向，有清零的功能。
所述无人机2上设有无线快速充电***，所述待测拖拉机1的驾驶室顶部安装无线充电模块，当无人机2电量不足时停至拖拉机驾驶室顶部快速充电。
一种利用所述的轮式拖拉机滑转率精确测算***的测算方法，包括以下步骤：
S1、待测拖拉机1的速度信息采集
待测拖拉机1按设定工作路径在田间行进，卫星定位***3实时向计算机提供待测拖拉机1的卫星测算车速VG；待测拖拉机1的驱动轮上的车轮转速检测单元输出轮速脉冲信号，低速雷达测速仪5输出车速脉冲信号，通过数据采集器输送至计算机中；计算机根据车速脉冲信号计算获得雷达测算车速VL；待测拖拉机1上的实时动态定位移动站通过无人机2的实时动态定位基准站获得的无人机测算车速VU；
待测拖拉机1上的实时动态定位移动站通过无人机2的实时动态定位基准站获得的实时动态定位速度VU的过程中，无人机2的动态布置方案包括如下方案中的一种或几种的组合：
方案一：当待测拖拉机1的作业路径长度l小于无人机2的实时动态定位基准站的感测半径r时，无人机2停靠于待测拖拉机1的作业路径的延长线上，且无人机停靠点与作业路径端点之间距离d、作业路径长度l和感测半径r满足：r≥l+d；待测拖拉机1调头更换新的作业路径的同时无人机2将新的停靠点调整为新的作业路径的延长线上，且无人机新的停靠点与新的作业路径端点之间距离d、作业路径长度l和感测半径r满足：r≥l+d；
方案二：当待测拖拉机1的作业路径长度l大于等于无人机2的实时动态定位基准站的感测半径r且小于感测直径2r时，无人机2停靠于待测拖拉机1的作业路径的中点的垂线上，且无人机2停靠点与作业路径的中点之间距离d’、作业路径长度l和感测半径r满足：
Figure GDA0003331299260000041
Figure GDA0003331299260000042
待测拖拉机1调头更换新的作业路径的同时无人机2将新的停靠点调整为新的作业路径的中点的延长线上，且无人机新的停靠点与新的作业路径的中点之间距离d’、作业路径长度l和感测半径r满足：
Figure GDA0003331299260000043
方案三：当待测拖拉机1的作业路径长度l大于等于无人机2的实时动态定位基准站的感测直径2r时，将待测拖拉机1的作业路径等比例划分为J等份，
Figure GDA0003331299260000044
并对J进行上取整计算，无人机2依次停靠于每等份的待测拖拉机1的作业路径的中点的垂线上，且无人机停靠点与该等份作业路径的中点之间距离d’、等份作业路径长度l’和感测半径r满足：
Figure GDA0003331299260000045
待测拖拉机1从当前等份作业路径行进至下一等份作业路径的同时无人机2从当前等份作业路径行的停靠点移动至下一等份路径的停靠点，待测拖拉机1调头更换新的作业路径的同时无人机2将新的停靠点调整为新的等份作业路径的中点的延长线上，且无人机新的停靠点与新的等份作业路径的中点之间距离d’、等份作业路径长度l’和感测半径r满足：
Figure GDA0003331299260000046
S2、多数据融合
采用特征级融合方法对步骤S1获得的卫星测算车速VG、无人机测算车速VU和雷达测算车速VL进行多数据融合，以获取精准的拖拉机实际车速V；
S3、滑转率计算
通过公式1和公式2计算获得每个车轮的滑转率：
前轮滑转率：
Figure GDA0003331299260000051
后轮滑转率：
Figure GDA0003331299260000052
其中，n＝1代表左轮，n＝2代表右轮，Sf1为左前轮滑转率，Sf2为右前轮滑转率，Sr1为左后轮滑转率，Sr2为右后轮滑转率，单位为％；Wf1为左前轮角速度，Wf2为右前轮角速度，Wr1为左后轮角速度，Wr2为右后轮角速度，单位为rad/s；Rf1为左前轮半径，Rf2为右前轮半径，Rr1为左后轮半径，Rr2为右后轮半径，单位为m，其中Rf1＝Rf2，Rr1＝Rr2，V为步骤S2获得的精准的拖拉机速度，单位为m/s。
所述步骤S1中，所述雷达测算车速VL通过公式3计算获得：
Figure GDA0003331299260000053
其中，α为低速雷达测速仪5与地面7之间的夹角，单位为°；c为光速，单位为m/s；fd为多普勒频率，单位为Hz；fs为发射波频率，单位为Hz。
所述步骤S2中，所述特征级融合方法包括卡尔曼滤波算法、多贝叶斯估计法、加权平均法、D-S证据推理方法、人工神经网络法。
所述步骤S2中，采用卡尔曼滤波算法进行多数据融合，将步骤S1获得的卫星测算车速VG、无人机测算车速VU和雷达测算车速VL组成三个观测器，***状态方程分别与三个观测器联立组成三个局部滤波器，将三个局部滤波器的求得的结果并行融合得到全局最优***状态向量估值，即获得精准的拖拉机实际车速V；
具体过程如下：
S2.1、建立卡尔曼滤波状态模型：
Figure GDA0003331299260000061
公式4中，Xk＝AXk-1+Wk-1为***状态方程，该***状态方程是根据上一时刻的速度状态来推测当前时刻的速度状态；Zk＝HXk+Vk为***观测方程，获得当前时刻的速度测量信息；式中，Xk为k时刻***状态向量，即速度向量；Xk-1为k-1时刻***状态向量；A为***状态矩阵，其为单位矩阵，H为观测矩阵，Zk为k时刻***测量值，Zk共有三组，分别对应卫星测算车速VG、无人机测算车速VU和雷达测算车速VL；Wk-1和Vk为相互独立的高斯白噪声；
S2.2、通过公式5～公式9进行卡尔曼滤波的预测与校正更新的计算，获得三组局部滤波器k时刻的最优估值；
由于采用三个观测器联立组成三个局部滤波器，故每一步骤都将生成三组数据，式中i＝3；
获得***状态的预测值：
Figure GDA0003331299260000062
获得预测值的协方差矩阵：
Pi(k|k-1)＝APi(k-1|k-1)AT+Q(k-1) 公式6计算卡尔曼滤波增益矩阵：
Gi(k)＝Pi(k|k-1)HT[HPi(k|k-1)HT+Ri(k+1)]-1 公式7
更新协方差矩阵：
Pi(k|k)＝[I-Gi(k)H]Pi(k|k-1) 公式8
获得k时刻***状态的最优估值：
Figure GDA0003331299260000063
式中，
Figure GDA0003331299260000071
为***状态一步预测值；A为***状态矩阵，其为单位矩阵；AT为A的转置矩阵；Pi(k|k-1)为一步预测值的协方差矩阵；
Figure GDA0003331299260000072
为k-1时刻***状态最优估算值；Pi(k-1|k-1)为k-1时刻协方差矩阵，代表状态预测的误差；I为单位矩阵；Gi(k)为卡尔曼滤波增益矩阵；H为观测矩阵；HT为H的转置矩阵；Q、Ri分别为Wk-1和Vk的协方差矩阵，Wk-1和Vk为相互独立的高斯白噪声；
Figure GDA0003331299260000073
为k时刻***状态的最优估值；Pi(k|k)为
Figure GDA0003331299260000074
的协方差矩阵；Zi(k)为k时刻***测量值，由于i＝3，故Zk共有三组，分别对应k时刻下卫星测算车速VG、无人机测算车速VU和雷达测算车速VL；
S2.3、采用并行观测融合方法，对步骤S2.2获得的三组局部滤波器k时刻的最优估值
Figure GDA0003331299260000075
进行融合，得到全局最优***状态向量估值，即获得精准的拖拉机实际车速V；
S2.3.1、当无人机2的实时动态定位基准站、卫星定位***3、低速雷达测速仪5都处于正常运行状态，没有失真信号，不影响计算精度时，根据公式10将三组局部滤波器k时刻的最优估值
Figure GDA0003331299260000076
采用协方差加权方式进行融合，得到全局最优***状态向量估值
Figure GDA0003331299260000077
Figure GDA0003331299260000078
式中，
Figure GDA0003331299260000079
为全局最优***状态向量估值，即精准的拖拉机实际车速V；
Figure GDA00033312992600000710
为局部滤波器的实际车速最优估值；
Figure GDA00033312992600000711
为
Figure GDA00033312992600000712
对应的误差协方差；
S2.3.2、当无人机2的实时动态定位基准站、卫星定位***3、低速雷达测速仪5中的一个处于非正常运行状态或在无人机2处于不稳定启停飞行状态时，为不影响计算精度，将三组局部滤波器k时刻的最优估值
Figure GDA00033312992600000713
采用分权重的方式进行融合，权重值依据各设备测量精度进行分配，并保证权重加和等于1；融合公式如下所示：
Figure GDA0003331299260000081
式中，
Figure GDA0003331299260000082
为全局最优***状态向量估值，即精准的拖拉机实际车速V；
Figure GDA0003331299260000083
为局部滤波器的实际车速最优估值；wi为无人机测算车速VU、雷达测算车速VL和卫星测算车速VG的权重值。
根据无人机2的实时动态定位基准站、低速雷达测速仪5、卫星定位***3的测试状态调整无人机测算车速VU、雷达测算车速VL和卫星测算车速VG权重；
在无人机2的动态布置方案的方案一和方案二中，无人机测算车速VU的权重值＞雷达测算车速VL的权重值＞卫星测算车速VG的权重值；在无人机2的动态布置方案的方案三中，降低无人机精确测算车速的权重值，提升雷达精确测算车速权重值，使雷达测算车速VL的权重值＞无人机测算车速VU的权重值＞卫星测算车速VG的权重值；当无人机2的实时动态定位基准站、低速雷达测速仪5或卫星定位***3故障或测试数据不准时，将该数据权重值降低为三者中最小值或设为0。
与现有技术相比，本发明的有益效果在于：
1、本发明的轮式拖拉机滑转率精确测算***和方法，构建了轮式拖拉机通过卫星定位、无人机、低速雷达测速仪的多运动体高精度滑转率精确测算方法，该***体系具有较强的容错能力，测试中某传感器发生故障时，仍有能力继续完成滑转率精确测算任务，***具有较高可靠性。
2、本发明的轮式拖拉机滑转率精确测算***和方法相对传统的精确测算方式能够提供更加精准的车速测量数据，应用数据融合方法对多传感器测量数据进行融合，并可根据实际过程中各传感器的数据获取情况调整数据融合过程中的权重值，大大提高了轮式拖拉机实时滑转率测量精度与稳定性。
3、本发明的轮式拖拉机滑转率精确测算***和方法可根据农田地块大小、无人机精确测算精度差异调整无人机测速方案，并制定了测速过程中无人机最优动态布置方案，使无人机时刻保持在高精度测量范围内，可实现不同农田面积、不同无人机精确测算精度下的拖拉机车速测量。同时，精确测算***和方法可以根据实际情况应用在不同滑转率待测车辆，具有较强适用性和实用性。
附图说明
图1是本发明的轮式拖拉机滑转率精确测算***示意图；
图2是本发明的低速雷达测速仪5的安装示意图；
图3a是本发明的无人机2的第一动态布置方案示意图；
图3b是本发明的无人机2的第二动态布置方案示意图；
图3c是本发明的无人机2的第三动态布置方案示意图；
图3d是第二动态布置方案和第三动态布置方案中无人机停靠点、作业路径和感测半径的关系示意图；
图4是本发明的拖拉机滑转率精确测算方法示意图。
其中的附图标记为：
1待测拖拉机
2无人机
3卫星定位***
4底盘
5低速雷达测速仪
6安装架
7地面
具体实施方式
下面结合附图和实施例对本发明进行进一步说明。
如图1所示，一种轮式拖拉机滑转率精确测算***，包括卫星定位***3、无人机2、车轮转速检测单元、低速雷达测速仪5、数据采集器和计算机。
所述卫星定位***3实时向计算机提供待测拖拉机1的卫星测算车速和时间信息。所述卫星定位***3可根据实际情况选择全球导航卫星***(GNSS)、美国全球定位***(GPS)、北斗卫星导航***(BDS)。所述待测拖拉机1为两驱或四驱轮式拖拉机。
所述无人机2设有实时动态定位(RTK，Real-time kinematic)基准站；所述待测拖拉机1上设有实时动态定位移动站，用于获得待测拖拉机1的无人机测算车速。
所述实时动态定位基准站和实时动态定位移动站均实时接收卫星数据信号，同时，实时动态定位基准站向实时动态定位移动站发送所接收的载波相位信号或载波相位差分修正信号；实时动态定位移动站对接收的卫星数据信号和实时动态定位基准站的载波相位信号或载波相位差分修正信号进行差分计算，获得厘米级的定位数据结果，从而精确地定出实时动态定位基准站与实时动态定位移动站的空间相对位置距离关系，通过距离与时间信息，计算获得待测拖拉机1的无人机测算车速。
所述车轮转速检测单元包括前轮转速检测单元和/或后轮转速检测单元，所述前轮转速检测单元和后轮转速检测单元均包括一对安装在驱动车轮上的光电旋转编码器。光电旋转编码器每转输出固定数量的脉冲，通过脉冲信号测量车轮转速，并且可以判断车轮旋转的方向，有清零的功能。所述光电旋转编码器固接在驱动轮的转轴上，并分别与电源和数据采集器连接。
如图2所示，所述低速雷达测速仪5通过安装架6固接在待测拖拉机1的底盘4上，并与数据采集器连接；低速雷达测速仪5的电磁波发射端朝向地面7，且与地面7之间的夹角α为35±5°。所述数据采集器接收车轮转速检测单元中光电旋转编码器和低速雷达测速仪5采集的数据，进行数据处理后传送至计算机。
所述计算机根据卫星定位***3、无人机2、低速雷达测速仪5和车轮转速检测单元采集的拖拉机速度数据，获得精准的拖拉机车速，进而获得拖拉机各车轮的滑转率。
所述无人机2上设有无线快速充电***，所述待测拖拉机1的驾驶室顶部安装无线充电模块，当无人机2电量不足时可停至拖拉机驾驶室顶部快速充电。
如图4所示，一种轮式拖拉机滑转率新型精确测算方法，包括以下步骤：
S1、待测拖拉机1的速度信息采集
待测拖拉机1按设定工作路径在田间行进，卫星定位***3实时向计算机提供待测拖拉机1的卫星测算车速VG；待测拖拉机1的驱动轮上的车轮转速检测单元输出轮速脉冲信号，低速雷达测速仪5输出车速脉冲信号，通过数据采集器输送至计算机中；计算机根据车速脉冲信号计算获得雷达测算车速VL；待测拖拉机1上的实时动态定位移动站通过无人机2的实时动态定位基准站获得的无人机测算车速VU；
S2、多数据融合
采用特征级融合方法对步骤S1获得的卫星测算车速VG、无人机测算车速VU和雷达测算车速VL进行多数据融合，以获取精准的拖拉机实际车速V。所述特征级融合方法包括卡尔曼滤波算法、多贝叶斯估计法、加权平均法、D-S证据推理方法、人工神经网络法等数据融合算法。
S3、滑转率计算
通过公式1和公式2计算获得每个车轮的滑转率：
前轮滑转率：
Figure GDA0003331299260000121
后轮滑转率：
Figure GDA0003331299260000122
其中，n＝1代表左轮，n＝2代表右轮，Sf1为左前轮滑转率，Sf2为右前轮滑转率，Sr1为左后轮滑转率，Sr2为右后轮滑转率，单位为％；Wf1为左前轮角速度，Wf2为右前轮角速度，Wr1为左后轮角速度，Wr2为右后轮角速度，单位为rad/s；Rf1为左前轮半径，Rf2为右前轮半径，Rr1为左后轮半径，Rr2为右后轮半径，单位为m，其中Rf1＝Rf2，Rr1＝Rr2，V为步骤S2获得的精准的拖拉机速度，单位为m/s。
所述步骤S1中，所述雷达测算车速VL通过公式3计算获得：
Figure GDA0003331299260000123
其中，α为低速雷达测速仪5与地面7之间的夹角，单位为°；c为光速，单位为m/s；fd为多普勒频率，单位为Hz；fs为发射波频率，单位为Hz。
所述步骤S1中，待测拖拉机1上的实时动态定位移动站通过无人机2的实时动态定位基准站获得的实时动态定位速度VU的过程中，无人机2的动态布置方案包括如下方案中的一种或几种的组合：
方案一：当待测拖拉机1的作业路径长度l小于无人机2的实时动态定位基准站的感测半径r时，无人机2停靠于待测拖拉机1的作业路径的延长线上，且无人机停靠点与作业路径端点之间距离d、作业路径长度l和感测半径r满足：r≥l+d；待测拖拉机1调头更换新的作业路径的同时无人机2将新的停靠点调整为新的作业路径的延长线上，且无人机新的停靠点与新的作业路径端点之间距离d、作业路径长度l和感测半径r满足：r≥l+d。
如图3a所示，无人机2初次停靠点为A，然后随着拖拉机更换作业路径，无人机2依次停靠在B、C、D、E、F…处。由于无人机2可获取拖拉机的作业路径，且相邻作业路径间距离较近，故在拖拉机调头时间内无人机2可快速转移至最新作业路径的停靠点，以实现拖拉机车速的精确测量。
方案二：当待测拖拉机1的作业路径长度l大于等于无人机2的实时动态定位基准站的感测半径r且小于感测直径2r时，无人机2停靠于待测拖拉机1的作业路径的中点的垂线上，且无人机2停靠点与作业路径的中点之间距离d’、作业路径长度l和感测半径r满足：
Figure GDA0003331299260000131
Figure GDA0003331299260000132
待测拖拉机1调头更换新的作业路径的同时无人机2将新的停靠点调整为新的作业路径的中点的延长线上，且无人机新的停靠点与新的作业路径的中点之间距离d’、作业路径长度l和感测半径r满足：
Figure GDA0003331299260000133
如图3b和图3d所示，为使无人机2停靠时不影响拖拉机正常作业，无人机2初次停靠点应偏离作业路径一定距离，该距离可依据拖拉机及其挂载农机具幅宽设定，即无人机2停靠点与作业路径的中点之间距离d’应大于拖拉机及其挂载农机具幅宽，当拖拉机完成第一条作业路径的作业后，无人机2的停靠点可落于拖拉机的已作业路径上，即依次停靠在B、C、D、E、F…，该状态下满足：
Figure GDA0003331299260000134
方案三：当待测拖拉机1的作业路径长度l大于等于无人机2的实时动态定位基准站的感测直径2r时，将待测拖拉机1的作业路径等比例划分为J等份，
Figure GDA0003331299260000135
并对J进行上取整计算，无人机2依次停靠于每等份的待测拖拉机1的作业路径的中点的垂线上，且无人机停靠点与该等份作业路径的中点之间距离d’、等份作业路径长度l’和感测半径r满足：
Figure GDA0003331299260000141
待测拖拉机1从当前等份作业路径行进至下一等份作业路径的同时无人机2从当前等份作业路径行的停靠点移动至下一等份路径的停靠点，待测拖拉机1调头更换新的作业路径的同时无人机2将新的停靠点调整为新的等份作业路径的中点的延长线上，且无人机新的停靠点与新的等份作业路径的中点之间距离d’、等份作业路径长度l’和感测半径r满足：
Figure GDA0003331299260000142
如图3c和图3d所示，为使无人机不影响拖拉机正常作业，无人机初次停靠点应偏离作业路径一定距离，该距离可依据拖拉机及其挂载农机具幅宽设定，即d’应大于拖拉机及其挂载农机具幅宽，故拖拉机初次停靠点为A、A1、A2…，当拖拉机完成第一条作业路径的作业后，无人机停靠点可落于拖拉机的已作业路径上，即依次停靠在B、B1、B2…，C、C1、C2…，D、D1、D2…，E、E1、E2…，F、F1、F2…。
所述步骤S2中，采用卡尔曼滤波算法进行多数据融合，将步骤S1获得的卫星测算车速VG、无人机测算车速VU和雷达测算车速VL组成三个观测器，***状态方程分别与三个观测器联立组成三个局部滤波器，将三个局部滤波器的求得的结果并行融合得到全局最优***状态向量估值，即获得精准的拖拉机实际车速V。
具体过程如下：
S2.1、建立卡尔曼滤波状态模型：
Figure GDA0003331299260000143
公式4中，Xk＝AXk-1+Wk-1为***状态方程，该***状态方程是根据上一时刻的速度状态来推测当前时刻的速度状态；Zk＝HXk+Vk为***观测方程，获得当前时刻的速度测量信息；式中，Xk为k时刻***状态向量，即速度向量；Xk-1为k-1时刻***状态向量；A为***状态矩阵，其为单位矩阵，H为观测矩阵，Zk为k时刻***测量值，Zk共有三组，分别对应卫星测算车速VG、无人机测算车速VU和雷达测算车速VL；Wk-1和Vk为相互独立的高斯白噪声。
S2.2、通过公式5～公式9进行卡尔曼滤波的预测与校正更新的计算，获得三组局部滤波器k时刻的最优估值。
由于采用三个观测器联立组成三个局部滤波器，故每一步骤都将生成三组数据，式中i＝3；
获得***状态的预测值：
Figure GDA0003331299260000151
获得预测值的协方差矩阵：
Pi(k|k-1)＝APi(k-1|k-1)AT+Q(k-1) 公式6
计算卡尔曼滤波增益矩阵：
Gi(k)＝Pi(k|k-1)HT[HPi(k|k-1)HT+Ri(k+1)]-1 公式7
更新协方差矩阵：
Pi(k|k)＝[I-Gi(k)H]Pi(k|k-1) 公式8
获得k时刻***状态的最优估值：
Figure GDA0003331299260000152
式中，
Figure GDA0003331299260000153
为***状态一步预测值；A为***状态矩阵，其为单位矩阵；AT为A的转置矩阵；Pi(k|k-1)为一步预测值的协方差矩阵；
Figure GDA0003331299260000154
为k-1时刻***状态最优估算值；Pi(k-1|k-1)为k-1时刻协方差矩阵，代表状态预测的误差；I为单位矩阵；Gi(k)为卡尔曼滤波增益矩阵；H为观测矩阵；HT为H的转置矩阵；Q、Ri分别为Wk-1和Vk的协方差矩阵，Wk-1和Vk为相互独立的高斯白噪声；
Figure GDA0003331299260000155
为k时刻***状态的最优估值；Pi(k|k)为
Figure GDA0003331299260000156
的协方差矩阵；Zi(k)为k时刻***测量值，由于i＝3，故Zk共有三组，分别对应k时刻下卫星测算车速VG、无人机测算车速VU和雷达测算车速VL。
S2.3、采用并行观测融合方法，对步骤S2.2获得的三组局部滤波器k时刻的最优估值
Figure GDA0003331299260000161
进行融合，得到全局最优***状态向量估值，即获得精准的拖拉机实际车速V；
S2.3.1、当无人机2的实时动态定位基准站、卫星定位***3、低速雷达测速仪5都处于正常运行状态，没有失真信号，不影响计算精度时，根据公式10将三组局部滤波器k时刻的最优估值
Figure GDA0003331299260000162
采用协方差加权方式进行融合，得到全局最优***状态向量估值
Figure GDA0003331299260000163
Figure GDA0003331299260000164
式中，
Figure GDA0003331299260000165
为全局最优***状态向量估值，即精准的拖拉机实际车速V；
Figure GDA0003331299260000166
为局部滤波器的实际车速最优估值；
Figure GDA0003331299260000167
为
Figure GDA0003331299260000168
对应的误差协方差。
S2.3.2、当无人机2的实时动态定位基准站、卫星定位***3、低速雷达测速仪5中的一个处于非正常运行状态或在无人机2处于不稳定启停飞行状态时，为不影响计算精度，将三组局部滤波器k时刻的最优估值
Figure GDA0003331299260000169
采用分权重的方式进行融合，权重值依据各设备测量精度进行分配，并保证权重加和等于1。融合公式如下所示：
Figure GDA00033312992600001610
式中，
Figure GDA00033312992600001611
为全局最优***状态向量估值，即精准的拖拉机实际车速V；
Figure GDA00033312992600001612
为局部滤波器的实际车速最优估值；wi为无人机测算车速VU、雷达测算车速VL和卫星测算车速VG的权重值。
实际滑转率测算过程中，根据无人机2的实时动态定位基准站、低速雷达测速仪5、卫星定位***3的测试状态调整无人机测算车速VU、雷达测算车速VL和卫星测算车速VG权重；在无人机2的动态布置方案的方案一和方案二中，无人机测算车速VU的权重值＞雷达测算车速VL的权重值＞卫星测算车速VG的权重值；本实施例将无人机测算车速VU、雷达测算车速VL和卫星测算车速VG权重值分别设为50％，30％，20％；权重值划分可依据设备测量精度进行分配，保证权重加和等于1。在无人机2的动态布置方案的方案三中，待测拖拉机1从当前等份作业路径行进至下一等份作业路径的同时无人机2从当前等份作业路径行的停靠点移动至下一等份路径的停靠点，该情况下，无人机2与待测拖拉机1存在短暂的共同移动状态，位置转移过程中无人机精确测算车速精确测算精度有所降低，此时可降低无人机精确测算车速的权重值，提升雷达精确测算车速权重值，使雷达测算车速VL的权重值＞无人机测算车速VU的权重值＞卫星测算车速VG的权重值。当无人机2的实时动态定位基准站、低速雷达测速仪5或卫星定位***3故障或测试数据不准时，可将该数据权重值降低为三者中最小值或设为0。

Claims (5)

1.一种轮式拖拉机滑转率精确测算方法，其特征在于，包括以下步骤：
S1、待测拖拉机(1)的速度信息采集
待测拖拉机(1)按设定工作路径在田间行进，卫星定位***(3)实时向计算机提供待测拖拉机(1)的卫星测算车速VG；待测拖拉机(1)的驱动轮上的车轮转速检测单元输出轮速脉冲信号，低速雷达测速仪(5)输出车速脉冲信号，通过数据采集器输送至计算机中；计算机根据车速脉冲信号计算获得雷达测算车速VL；待测拖拉机(1)上的实时动态定位移动站通过无人机(2)的实时动态定位基准站获得的无人机测算车速VU；
待测拖拉机(1)上的实时动态定位移动站通过无人机(2)的实时动态定位基准站获得的实时动态定位速度VU的过程中，无人机(2)的动态布置方案包括如下方案中的一种或几种的组合：
方案一：当待测拖拉机(1)的作业路径长度l小于无人机(2)的实时动态定位基准站的感测半径r时，无人机(2)停靠于待测拖拉机(1)的作业路径的延长线上，且无人机停靠点与作业路径端点之间距离d、作业路径长度l和感测半径r满足：r≥l+d；待测拖拉机(1)调头更换新的作业路径的同时无人机(2)将新的停靠点调整为新的作业路径的延长线上，且无人机新的停靠点与新的作业路径端点之间距离d、作业路径长度l和感测半径r满足：r≥l+d；
方案二：当待测拖拉机(1)的作业路径长度l大于等于无人机(2)的实时动态定位基准站的感测半径r且小于感测直径2r时，无人机(2)停靠于待测拖拉机(1)的作业路径的中点的垂线上，且无人机(2)停靠点与作业路径的中点之间距离d’、作业路径长度l和感测半径r满足：
Figure FDA0003536494010000021
待测拖拉机(1)调头更换新的作业路径的同时无人机(2)将新的停靠点调整为新的作业路径的中点的延长线上，且无人机新的停靠点与新的作业路径的中点之间距离d’、作业路径长度l和感测半径r满足：
Figure FDA0003536494010000022
方案三：当待测拖拉机(1)的作业路径长度l大于等于无人机(2)的实时动态定位基准站的感测直径2r时，将待测拖拉机(1)的作业路径等比例划分为J等份，
Figure FDA0003536494010000023
并对J进行上取整计算，无人机(2)依次停靠于每等份的待测拖拉机(1)的作业路径的中点的垂线上，且无人机停靠点与该等份作业路径的中点之间距离d’、等份作业路径长度l’和感测半径r满足：
Figure FDA0003536494010000024
待测拖拉机(1)从当前等份作业路径行进至下一等份作业路径的同时无人机(2)从当前等份作业路径行的停靠点移动至下一等份路径的停靠点，待测拖拉机(1)调头更换新的作业路径的同时无人机(2)将新的停靠点调整为新的等份作业路径的中点的延长线上，且无人机新的停靠点与新的等份作业路径的中点之间距离d’、等份作业路径长度l’和感测半径r满足：
Figure FDA0003536494010000025
Figure FDA0003536494010000026
S2、多数据融合
采用特征级融合方法对步骤S1获得的卫星测算车速VG、无人机测算车速VU和雷达测算车速VL进行多数据融合，以获取精准的拖拉机实际车速V；
S3、滑转率计算
通过公式1和公式2计算获得每个车轮的滑转率：
前轮滑转率：
Figure FDA0003536494010000027
后轮滑转率：
Figure FDA0003536494010000031
其中，n＝1代表左轮，n＝2代表右轮，Sf1为左前轮滑转率，Sf2为右前轮滑转率，Sr1为左后轮滑转率，Sr2为右后轮滑转率，单位为％；Wf1为左前轮角速度，Wf2为右前轮角速度，Wr1为左后轮角速度，Wr2为右后轮角速度，单位为rad/s；Rf1为左前轮半径，Rf2为右前轮半径，Rr1为左后轮半径，Rr2为右后轮半径，单位为m，其中Rf1＝Rf2，Rr1＝Rr2，V为步骤S2获得的精准的拖拉机速度，单位为m/s。
2.根据权利要求1所述的测算方法，其特征在于，所述步骤S1中，所述雷达测算车速VL通过公式3计算获得：
Figure FDA0003536494010000032
其中，α为低速雷达测速仪(5)与地面(7)之间的夹角，单位为°；c为光速，单位为m/s；fd为多普勒频率，单位为Hz；fs为发射波频率，单位为Hz。
3.根据权利要求1所述的测算方法，其特征在于，所述步骤S2中，所述特征级融合方法包括卡尔曼滤波算法、多贝叶斯估计法、加权平均法、D-S证据推理方法、人工神经网络法。
4.根据权利要求1所述的测算方法，其特征在于，所述步骤S2中，采用卡尔曼滤波算法进行多数据融合，将步骤S1获得的卫星测算车速VG、无人机测算车速VU和雷达测算车速VL组成三个观测器，***状态方程分别与三个观测器联立组成三个局部滤波器，将三个局部滤波器的求得的结果并行融合得到全局最优***状态向量估值，即获得精准的拖拉机实际车速V；
具体过程如下：
S2.1、建立卡尔曼滤波状态模型：
Figure FDA0003536494010000041
公式4中，Xk＝AXk-1+Wk-1为***状态方程，该***状态方程是根据上一时刻的速度状态来推测当前时刻的速度状态；Zk＝HXk+Vk为***观测方程，获得当前时刻的速度测量信息；式中，Xk为k时刻***状态向量，即速度向量；Xk-1为k-1时刻***状态向量；A为***状态矩阵，其为单位矩阵，H为观测矩阵，Zk为k时刻***测量值，Zk共有三组，分别对应卫星测算车速VG、无人机测算车速VU和雷达测算车速VL；Wk-1和Vk为相互独立的高斯白噪声；
S2.2、通过公式5～公式9进行卡尔曼滤波的预测与校正更新的计算，获得三组局部滤波器k时刻的最优估值；
由于采用三个观测器联立组成三个局部滤波器，故每一步骤都将生成三组数据，式中i＝3；
获得***状态的预测值：
Figure FDA0003536494010000042
获得预测值的协方差矩阵：
Pi(k|k-1)＝APi(k-1|k-1)AT+Q(k-1) 公式6
计算卡尔曼滤波增益矩阵：
Gi(k)＝Pi(k|k-1)HT[HPi(k|k-1)HT+Ri(k+1)]-1 公式7
更新协方差矩阵：
Pi(k|k)＝[I-Gi(k)H]Pi(k|k-1) 公式8
获得k时刻***状态的最优估值：
Figure FDA0003536494010000043
式中，
Figure FDA0003536494010000044
为***状态一步预测值；A为***状态矩阵，其为单位矩阵；AT为A的转置矩阵；Pi(k|k-1)为一步预测值的协方差矩阵；
Figure FDA0003536494010000051
为k-1时刻***状态最优估算值；Pi(k-1|k-1)为k-1时刻协方差矩阵，代表状态预测的误差；I为单位矩阵；Gi(k)为卡尔曼滤波增益矩阵；H为观测矩阵；HT为H的转置矩阵；Q、Ri分别为Wk-1和Vk的协方差矩阵，Wk-1和Vk为相互独立的高斯白噪声；
Figure FDA0003536494010000052
为k时刻***状态的最优估值；Pi(k|k)为
Figure FDA0003536494010000053
的协方差矩阵；Zi(k)为k时刻***测量值，由于i＝3，故Zk共有三组，分别对应k时刻下卫星测算车速VG、无人机测算车速VU和雷达测算车速VL；
S2.3、采用并行观测融合方法，对步骤S2.2获得的三组局部滤波器k时刻的最优估值
Figure FDA0003536494010000054
进行融合，得到全局最优***状态向量估值，即获得精准的拖拉机实际车速V；
S2.3.1、当无人机(2)的实时动态定位基准站、卫星定位***(3)、低速雷达测速仪(5)都处于正常运行状态，没有失真信号，不影响计算精度时，根据公式10将三组局部滤波器k时刻的最优估值
Figure FDA0003536494010000055
采用协方差加权方式进行融合，得到全局最优***状态向量估值
Figure FDA0003536494010000056
Figure FDA0003536494010000057
式中，
Figure FDA0003536494010000058
为全局最优***状态向量估值，即精准的拖拉机实际车速V；
Figure FDA0003536494010000059
为局部滤波器的实际车速最优估值；
Figure FDA00035364940100000510
为
Figure FDA00035364940100000511
对应的误差协方差；
S2.3.2、当无人机(2)的实时动态定位基准站、卫星定位***(3)、低速雷达测速仪(5)中的一个处于非正常运行状态或在无人机(2)处于不稳定启停飞行状态时，为不影响计算精度，将三组局部滤波器k时刻的最优估值
Figure FDA00035364940100000512
采用分权重的方式进行融合，权重值依据各设备测量精度进行分配，并保证权重加和等于1；融合公式如下所示：
Figure FDA0003536494010000061
式中，
Figure FDA0003536494010000062
为全局最优***状态向量估值，即精准的拖拉机实际车速V；
Figure FDA0003536494010000063
为局部滤波器的实际车速最优估值；wi为无人机测算车速VU、雷达测算车速VL和卫星测算车速VG的权重值。
5.根据权利要求4所述的测算方法，其特征在于，根据无人机(2)的实时动态定位基准站、低速雷达测速仪(5)、卫星定位***(3)的测试状态调整无人机测算车速VU、雷达测算车速VL和卫星测算车速VG权重；
在无人机(2)的动态布置方案的方案一和方案二中，无人机测算车速VU的权重值＞雷达测算车速VL的权重值＞卫星测算车速VG的权重值；在无人机(2)的动态布置方案的方案三中，降低无人机精确测算车速的权重值，提升雷达精确测算车速权重值，使雷达测算车速VL的权重值＞无人机测算车速VU的权重值＞卫星测算车速VG的权重值；当无人机(2)的实时动态定位基准站、低速雷达测速仪(5)或卫星定位***(3)故障或测试数据不准时，将该数据权重值降低为三者中最小值或设为0。
CN202110829705.4A 2021-07-22 2021-07-22 一种轮式拖拉机滑转率精确测算***和方法 Active CN113533771B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110829705.4A CN113533771B (zh) 2021-07-22 2021-07-22 一种轮式拖拉机滑转率精确测算***和方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110829705.4A CN113533771B (zh) 2021-07-22 2021-07-22 一种轮式拖拉机滑转率精确测算***和方法

Publications (2)

Publication Number Publication Date
CN113533771A CN113533771A (zh) 2021-10-22
CN113533771B true CN113533771B (zh) 2022-05-17

Family

ID=78120447

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110829705.4A Active CN113533771B (zh) 2021-07-22 2021-07-22 一种轮式拖拉机滑转率精确测算***和方法

Country Status (1)

Country Link
CN (1) CN113533771B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115950657B (zh) * 2023-02-16 2023-09-15 中国农业大学 一种集群作业模式下轮式拖拉机滑转率测算***及方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107067752A (zh) * 2017-05-17 2017-08-18 北京联合大学 基于无人机航拍图像的车速估算***及方法
CN108422884A (zh) * 2018-03-30 2018-08-21 榛硕（武汉）智能科技有限公司 基于无人机的电动汽车电能补充***
CN111855225A (zh) * 2020-05-07 2020-10-30 江苏省农业机械试验鉴定站 四轮驱动拖拉机滑转率的测量方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107067752A (zh) * 2017-05-17 2017-08-18 北京联合大学 基于无人机航拍图像的车速估算***及方法
CN108422884A (zh) * 2018-03-30 2018-08-21 榛硕（武汉）智能科技有限公司 基于无人机的电动汽车电能补充***
CN111855225A (zh) * 2020-05-07 2020-10-30 江苏省农业机械试验鉴定站 四轮驱动拖拉机滑转率的测量方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于GNSS与惯导融合的高精度轮齿车辆滑转率检测技术研究;张炳瑞;《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》;20190715(第07期);第1,9-42,53-57页 *
基于北斗导航***的拖拉机测速方法研究与实现;姜斌 等;《农业机械》;20191031;第83-85页 *

Also Published As

Publication number Publication date
CN113533771A (zh) 2021-10-22

Similar Documents

Publication Publication Date Title
EP3527057B1 (en) Monitoring steering conditions of an off-road vehicle
CN103217157B (zh) 一种惯导/里程计自主组合导航方法
US10077982B2 (en) Calibrating inertial navigation data using tire pressure monitoring system signals
US8301327B2 (en) Vehicle estimate navigation apparatus, vehicle estimate navigation, and vehicle estimate navigation program
US11117590B2 (en) Method and system for determining effective wind speeds for motor vehicles
CN104061899A (zh) 一种基于卡尔曼滤波的车辆侧倾角与俯仰角估计方法
CN109343095A (zh) 一种车载导航车辆组合定位装置及其组合定位方法
CN104412066A (zh) 定位装置
JP3877011B2 (ja) 衛星受信器を有する自動車用の位置検出装置
US11668842B2 (en) Method for satellite-based determination of a vehicle position
CN108873043B (zh) 车辆侧滑角度的计算方法及装置
CN110133694B (zh) 基于双天线gnss航向和轮速辅助的车辆定位方法及***
JP3555003B2 (ja) 移動機の位置計測装置
CN101650248A (zh) 货车质心高度动态检测方法
CN113533771B (zh) 一种轮式拖拉机滑转率精确测算***和方法
CN104316716B (zh) 一种用gps速度信息改进车载速度表的方法
CN110542417A (zh) 基于静态和和动态倾角仪校正的陀螺仪线形测量方法与***
JPH06341847A (ja) ナビゲーション装置
CN107792117A (zh) 基于雷达的机车轮径自动校准装置及方法
CN110133695A (zh) 一种双天线gnss位置延迟时间动态估计***及方法
CN109781096A (zh) 一种用于智能农机的组合导航定位***和方法
Takanose et al. Eagleye: A lane-level localization using low-cost gnss/imu
CN113804464B (zh) 一种车辆转向半径测量***及方法
US6349260B1 (en) Method for navigating a terrestrial vehicle
JPH09152345A (ja) 車両位置検出装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant