本发明涉及无人驾驶,特别是涉及一种无人驾驶采收机行车速度类人智能规划方法。
背景技术:
1、无人驾驶采棉机在实际应用中面临着一些问题,其中,合理地规划作业时行走的车速是保证高效率采棉的关键。棉花由于撒种不均匀以及生长因素影响,同一垄线不同区域的棉花密度是不均匀的。在无人驾驶采棉机采棉的过程中,在棉花密度高的区域如果车速快会造成棉花漏采以及堵塞采头等问题,在棉花密度低的区域,如果车速慢,导致喂入量较低,就会拖慢采棉速度。此外,不合适的行走速度也会降低采净率、提高采杂率。因此,在无人驾驶采棉机采棉的过程中,设计一套方案来合理地规划行走车速,并兼顾采棉的质量与效率是一个关键的问题。
2、此前,对于规划农机车速的方法已经有很多种,有基于控制的、基于视觉的,但存在诸如滞后性、不能实时适应棉花密度变化等不足。
3、基于plc控制的联合收割机行走速度自调整控制系统会监测脱粒滚筒轴、籽粒搅龙轴等转速信号以及收割机行走车速驱动电机的传动扭矩信号。通过综合判断,输出相应的步进电机动作,以调节收割机的行走速度。采用的模糊控制技术能够根据检测到的力矩、转速等信号判断机器是否过载,如果过载则降低车速。(刘林,郑玉卿,王超君.基于s7—200全喂入联合收割机行走速度自调整系统研究[j].中国农机化学报,2016,37(10):27-32)这种方法不能预先规划好行走速度,在超过额定负载时,才会调整车速,因此存在一定的滞后性。
4、基于机器视觉的收割机自动控制系统根据作物图像中的谷粒信息计算作物密度,依照设定的喂入量对收割机行走速度进行相应的调节。(蔡雯.基于机器视觉的自动收割机控制系统分析与研究[j].农机化研究,2018,40(11):199-202207)。这种方式只考虑了视觉一种对行走速度的影响因素,并且需要提前预置喂入量,如果运用到采棉过程中不能很好地实时适应喂入量的动态变化。
5、基于机器视觉结合变论域和模糊pid控制算法,通过最大类间方差法提取棉花特征,测算单位面积棉花产量和采棉机采净率,然后构建采棉机采净率梯度边界、变论域模糊pid控制模型和采棉机作业液压调速数学模型。(钟春发,倪向东,韩双蔓等.基于机器视觉采棉机作业速度控制与仿真分析[j].液压与气动,2022,46(02):72-81.)。论文采用otsu自适应阈值算法,计算复杂度过高,对控制器性能要求较高,并且使用在线识别方式,存在一定的延迟。在采棉过程中可能不会及时地调整车速。
6、基于速度自适应的采棉机自动跟行控制系统,将行偏差作为控制器的输入,控制器根据采摘机的速度在线调整pid参数,然后调整后轮的角度,使得采摘机的头部能够自动与棉行对齐,能够较好地适应棉花采摘机行走速度的变化。但是当棉株间断距离较长时,容易跑偏,影响控制效果。这种方式只适用于棉花连续的情况,鲁棒性不强。(he c,wu c,lin,et al.research on auto-follow row assist technology of cotton picker withadaptive speed[c]//2021 40th chinese control conference(ccc).ieee,2021:3840-3844.)
技术实现思路
1、本发明的目的是针对现有技术中考量因素单一以及速度规划滞后的缺陷,而提供一种无人驾驶采收机行车速度类人智能规划方法。该方法通过收集车速、棉花喂入量和棉花密度等数据,用lstm模型进行训练,并基于历史车速和未来棉花密度等因素规划车速。该方法综合考虑多个维度的数据,可提高采棉机的稳定性和效率。
2、为实现本发明的目的所采用的技术方案是:
3、一种无人驾驶采收机行车速度类人智能规划方法,包括以下步骤:
4、步骤1:采集人工驾驶采棉机作业行走时的车速、当前喂入量和未来棉花密度;
5、步骤2:对采集的数据进行预处理,并将其划分为训练集和验证集;
6、步骤3:构建lstm模型;
7、步骤4:将训练集输入构建的lstm模型中进行模型训练;并通过验证集验证模型的性能;
8、步骤5:采集无人驾驶采棉机作业行走时的历史车速、未来棉花密度和当前喂入量,输入训练好的lstm模型进行车速规划。
9、在上述技术方案中,步骤1中,车速由组合惯导给出。喂入量根据电机功率确定。棉花密度由视觉相机采集的棉花图像进行像素识别计算获得。
10、在上述技术方案中,步骤2中,数据预处理方式包括清洗和归一化。
11、在上述技术方案中,预处理后的数据70%划分为训练集,30%划分为验证集。
12、在上述技术方案中,步骤3中,所述lstm模型包括3个lstm层,以及一个全连接层。
13、在上述技术方案中,优化器选择adam或rmsprop。
14、在上述技术方案中,步骤4中,采用均方根误差rmse作为损失函数;
15、rmse的公式为:
16、
17、其中,yi表示真实值,表示模型预测值,n表示样本数量。
18、在上述技术方案中,步骤4中,采用梯度裁剪法进行模型训练;
19、梯度裁剪的公式为:
20、
21、其中,gt是当前时间步的梯度,g′t是裁剪后的梯度,c是裁剪的阈值,||gt||表示梯度的范数,clip(gt,-c,c)表示将梯度gt裁剪到[-c,c]的范围内。
22、与现有技术相比,本发明的有益效果是:
23、1.本发明提供的无人驾驶采棉机作业行走车速规划方法,综合多个维度的数据:通过考虑历史车速、喂入量和棉花密度等多个维度的数据,能够汲取人的驾驶经验,提供较好的车速规划效果。
24、2.本发明提供的无人驾驶采棉机作业行走车速规划方法,会考虑之前一段时间的车速对当前车速的影响,所以规划出来的车速具有平滑过渡的特点,不会有跳变,提高了采棉机的稳定性。
25、3.本发明提供的无人驾驶采棉机作业行走车速规划方法,通过数据收集和模型训练,能够根据实际情况,模仿人的操作,进行车速规划,提高了规划的准确性和适应性。
1.一种无人驾驶采收机行车速度类人智能规划方法,其特征在于:包括以下步骤:
2.如权利要求1所述的无人驾驶采收机行车速度类人智能规划方法,其特征在于:步骤1中,车速由组合惯导给出。
3.如权利要求2所述的无人驾驶采收机行车速度类人智能规划方法,其特征在于:喂入量根据电机功率确定。
4.如权利要求3所述的无人驾驶采收机行车速度类人智能规划方法,其特征在于:棉花密度由视觉相机采集的棉花图像进行像素识别计算获得。
5.如权利要求1所述的无人驾驶采收机行车速度类人智能规划方法,其特征在于:步骤2中,数据预处理方式包括清洗和归一化。
6.如权利要求5所述的无人驾驶采收机行车速度类人智能规划方法,其特征在于:预处理后的数据70%划分为训练集,30%划分为验证集。
7.如权利要求1所述的无人驾驶采棉机作业行走车速规划方法,其特征在于:步骤3中,所述lstm模型包括3个lstm层,以及一个全连接层。
8.如权利要求7所述的无人驾驶采收机行车速度类人智能规划方法,其特征在于:优化器选择adam或rmsprop。
9.如权利要求1所述的无人驾驶采收机行车速度类人智能规划方法,其特征在于:步骤4中,采用均方根误差rmse作为损失函数;
10.如权利要求1所述的无人驾驶采收机行车速度类人智能规划方法,其特征在于:步骤4中,采用梯度裁剪法进行模型训练;