POLITECHNIKA POZNAŃSKA Wydział Maszyn Roboczych i Transportu
mgr inż. Łukasz Ignasiak
P R A C A D O K T O R S K A
DYNAMIKA PROCESÓW STEROWANIA MASZYNAMI I AGREGATAMI ROLNICZYMI
Z WYKORZYSTANIEM INTERAKTYWNEGO REGULATORA
Promotor:
dr hab. inż. Tadeusz Pawłowski, prof. nadzw.
Promotor pomocniczy:
dr Ryszard Grzechowiak
Przemysłowy Instytut Maszyn Rolniczych w Poznaniu
Poznań 2018
Spis treści
WYKAZ SYMBOLI I OZNACZEŃ...5
1. WSTĘP ...7
2. STUDIUM PROBLEMU ...9
3. OBSZAR BADAWCZY I CELE PRACY ... 30
3.1. OBSZA R BADAWCZY ... 30
3.2. CELE PRA CY ... 31
4. MODEL INTERAKTYWNEGO REGULATORA DLA POTRZEB STEROWANIA MASZYNAMI I AGREGATAMI ROLNICZYMI... 33
4.1. PROCES PROJEKTOWANIA REGULATORA DLA POTRZEB ADAPTACJI W SYSTEMIE INTERAKCJI CZŁOWIEK -REGULATOR-MASZYNA ... 33
4.2. MODEL KINEMATYCZNY RUCHU POJAZDU DLA CELÓW KONTROLI TRAJEKTORII JAZDY Z UW ZGLĘDNIENIEM ZJAWISKA POŚLIZGU ... 35
4.2.1. Różniczkowe równania stanu ... 37
4.2.2. Błędy r egulacji automatycznej i różniczkowe równania stanu błędów ... 39
4.3. APROKSYMACJA LINIOWA RÓŻNICZKOWYCH RÓW NAŃ STANU ... 39
4.4. TRANSFORMACJA RÓŻNICZKOWYCH RÓWNAŃ STANU DO NOWYCH WSPÓŁRZĘDNYCH ... 40
4.5. PROJEKTOWANIE UKŁADU STERUJĄCEGO (REGULATORA) ... 43
4.5.1. Modelowanie regulatora z wykorzystaniem sterowania wirtualnego... 43
4.5.2. Modelowanie rzeczywistego regulatora ... 46
4.5.3. Granice niepewności... 48
4.5.4. Projektowanie sterowania uzupełniającego... 53
5. EKSPERYMENTALNE BADANIA TERENOWE ... 59
5.1. IS TOTA BADAŃ ... 59
5.2. OBIEKT BADAŃ... 59
5.3. APARATURA POMIA ROWA ... 61
5.3.1. System rejestracji danych pomiarowych za pomocą aparatury HBM ... 61
5.3.2. Pomiar realizowanej trajektorii... 62
5.3.3. Pomiar kąta skrętu kół sterowanych... 63
5.3.4. Pomiar kąta skrętu kierownicy... 64
5.4. METODYKA BADAŃ ... 65
6. ANALIZA SYMULACYJNA DZIAŁANIA INTERAKTYWNEGO REGULATORA W UKŁADZIE STEROWANIA ... 72
6.1. ZAK RES IMPLEME NTACJI ... 72
6.2. STE ROWANIE AUTONOMICZNE ... 72
6.2.1. Proces autonomicznego sterowania maszyną rolniczą ... 72
6.2.2. Definiowanie ścieżki ruchu ... 75
6.2.3. Układ autonomicznego sterowania maszyną rolniczą ... 77
6.2.4. Analizy symulacyjne z wykorzystaniem autonomicznego układu sterowania ... 79
6.2.4.1. Ruch pojazdu z położenia początkowego do punktu referencyjnego ... 79
6.2.4.2. Ruch wzdłuż odcinka prostego równoległego do osi 0x ... 81
6.2.4.3. Ruch wzdłuż odcinka prostego równoległego do osi 0y ... 84
6.2.4.4. Ruch po okręgu ... 86
6.2.4.5. Ruch wzdłuż ścieżki typu „U”... 89
6.2.4.6. Ruch wzdłuż ścieżki typu ósemka ... 92
6.3. STE ROWANIE INTERAK TYWNE ... 92
7. DYNAMIKA PROCESU STEROWANIA REGULATORA O DZIAŁANIU
INTERAKTYWNYM ... 101
7.1. IS TOTA DYNAMIKI P ROCESU S TEROWANIA I ZAKRES ANALIZY ...101
7.2. KORELA CJA ...102
7.2.1. Współczynnik korelacji liniowej Pearsona ...103
7.2.2. Korelacja rangowa. Współczynnik korelacji rang Spearmana ...104
7.2.3. Współczynnik korelacji τ-Kendalla...105
7.3. OPROGRAMOWANIE DO ANALIZY WRAŻLIWOŚCI ORAZ POSTAĆ UZYSKIWANYCH WYNIKÓW ...106
7.4. PROBLEM OBSERWACJI ODSTAJĄCYCH ...108
7.5. BADANIE WRAŻLIWOŚCI REGULATORA ...109
7.5.1. Analiza globalna dla normalnej pracy regulatora. Związek korelacyjny między parametrami e, f2, g2, v, x1, x2 a wyjściem regulatora ...112
7.5.2. Analiza globalna. Związek korelacyjny między parametrami e i f2 a wyjściem regulatora...117
7.5.3. Analiza globalna. Związek korelacyjny między parametrami e i g2 a wyjściem regulatora...120
7.5.4. Analiza globalna. Związek korelacyj ny między parametrami e, f2 i g2 a wyjściem regulatora .123 7.5.5. Analiza globalna. Związek korelacyjny między parametrami e, f2, g2, v, x1, x2, V, a1, c1, f1, g1, k1 a wyjściem regulatora ...126
7.5.6. Analiza globalna. Związek korelacyjny parametrów a1, c1, k1 regulatora...135
7.5.7. Analiza lokalna parametru g2...138
7.5.8. Analiza lokalna parametru c1...140
7.5.9. Analiza lokalna parametru k1...142
7.5.10. Analiza lokalna parametru a1 ...144
7.6. PODSUMOWANIE WYNIKÓW ANALIZY WRAŻLIWOŚCI ...146
7.7. WERYFIKACJA SYMULACYJNA PRZEPROWADZONEJ ANALIZY WRAŻLIWOŚCI ...148
8. PODSUMOWANIE... 155
LITERATURA ... 159
SPIS ILUSTRACJI ... 166
SPIS TABEL ... 171
STRESZCZENIE ... 172
Wykaz symboli i oznaczeń
A – środek tylnej osi pojazdu w pozycji rzeczywistej, AD – środek tylnej osi pojazdu w pozycji docelowej, a1 – parametr nastawy regulatora,
a2 – parametr nastawy regulatora, c1 – parametr nastawy regulatora, e – zmienny błąd wejścia sterującego, k1 – parametr nastawy regulatora,
l – rozstaw między osiami kół przednich i tylnych pojazdu [m], q – wektor stanu opisujący stan pojazdu w pozycji rzeczywistej, qD – wektor stanu opisujący stan pojazdu w pozycji docelowej, R – promień krzywizny ścieżki ruchu (referencyjnej) [m],
u – zmienna opisująca wartość wyjścia regulatora (prawo regulacji automatycznej, prawo sterowania),
UB1 – pierwsza granica niepewności, UB2 – druga granica niepewności, V – prędkość liniowa pojazdu [m·s-1],
VF – prędkość koła przedniego wywołana prędkością V [m·s-1], VFs – prędkość poślizgu bocznego przedniego koła [m·s-1], Vx – prędkość poślizgu wzdłużnego [m·s-1],
Vy – prędkość poślizgu bocznego [m·s-1], V1 – funkcja Lapunowa pierwszej postaci, V2 – funkcja Lapunowa drugiej postaci,
x,y – współrzędne lokalizacji punktu A pojazdu w pozycji rzeczywistej, xD,yD – współrzędne najbliższego punktu referencyjnego na trasie,
x1 – współrzędna transformowana (błąd regulacji automatycznej względem pozycji docelowej),
x2 – współrzędna transformowana (sinus błędu regulacji automatycznej względem orientacji docelowej),
δ – kąt skrętu koła przedniego [rad],
δD – kąt skrętu koła przedniego w pozycji docelowej [rad], δS – kąt poślizgu koła przedniego [rad],
S – parametr poślizgu przyjmujący wartość stałą (w układzie czasowo niezmiennym), Ɛ – błąd regulacji automatycznej opisujący wektor AAD
,
1 – zmienna układu czasowo zmiennego z zerową wartością średnią rozkładu normalnego,
ϵ – błąd aproksymacji liniowej,
– parametr sterowania,
Θ – kąt orientacji pojazdu w pozycji aktualnej [rad], ΘD – kąt orientacji pojazdu w pozycji docelowej [rad],
ΘƐ – błąd regulacji automatycznej względem orientacji docelowej,
– sterowanie uzupełniające, )
(x1
– wirtualne sterowanie, σ – współczynnik kierunkowy,
– składowa sterowania głównego.
1. Wstęp
Zagadnienia związane z pojazdami autonomicznymi i układami wspomagającymi prowadzenie pojazdów podejmowane były już w połowie ubiegłego stulecia. Niezmiernie istotna była chęć polepszenia ludzkiego życia poprzez użytkowanie środków lokomocji.
Mechanizacja środków transportu ulega ciągłym przemianom a obecnie, z uwagi na rozwój elektroniki i sztucznej inteligencji, podejmowane są intensywne próby zwiększania bezpieczeństwa ich użytkowania. Skutecznie wprowadzono różne pasywne i aktywne systemy mające chronić użytkowników w trakcie zaistnienia zdarzenia drogowego lub systemy umożliwiające uniknięcie kolizji w chwilach bezpośredniego zagrożenia w ruchu ulicznym. Aktywne systemy bezpieczeństwa wspomagające kierowcę podczas jazdy aktualnie są w stanie dokonać szybkiej zmiany pasa ruchu w momencie pojawienia się pojazdu na torze kolizyjnym, chroniąc ludzi przed obrażeniami lub nawet utratą życia [65].
Bardziej złożonymi pracami są badania nad pojazdami autonomicznymi. Pojazdy takie niewątpliwie wyznaczają nowy kierunek rozwoju transportu. Prace nad tego typu pojazdem prowadzone są m.in. przez korporację Google w USA oraz przez naukowców takich państw jak: Japonia, Chiny, Francja, Australia, itd. [20]. Jednym z istotnych kierunków rozwoju zautomatyzowanych pojazdów jest także ograniczenie wysiłku kierowcy przez działanie różnego rodzaju urządzeń wspomagających. Przyjmuje się, że w przyszłości możliwe będzie połączenie funkcji autonomiczności z funkcją prowadzenia pojazdu przez człowieka w przypadkach wymagających natychmiastowej ingerencji. Pojazdy takie prowadzone byłyby przez człowieka, którego funkcjonowanie byłoby nieustannie sprawdzane w czasie rzeczywistym. W przypadku utraty zdolności manualnych kierowcy (zasłabniecie, itp.) układ sterowania byłby w stanie przejąć funkcję kierowania, unikając przy tym zdarzenia drogowego. Koncepcja ta jest szansą, np. na użytkowanie pojazdów przez osoby, których stan zdrowia (obecnie wg prawa) nie zezwala na prowadzenie pojazdów mechanicznych.
Stosowanie układów kontrolujących funkcjonowanie kierowcy, w połączeniu ze śledzeniem drogi i możliwością automatycznego prowadzenia pojazdu wzdłuż wymaganej trajektorii ruchu, wykazywałoby dużą użyteczność praktyczną w skali światowej. Jednakże na podstawie przeprowadzonego studium literaturowego, można zauważyć, że istnieje jeszcze w tym zakresie duży stan niewiedzy i na takie zaawansowane rozwiązanie należy jeszcze oczekiwać prawdopodobnie wiele lat [121].
Wyniki badań nad autonomicznością pojazdów samochodowych są często z sukcesem przenoszone na maszyny rolnicze. Jest to szczególnie istotne dla zabiegów, które stwarzają
realne zagrożenie dla prawidłowego funkcjonowania operatora i jednocześnie zmniejszają bezpieczeństwo przebiegu wykonywanych zabiegów technologicznych. Układy sterowania autonomicznego skutecznie prowadzą pojazd na łatwych terenach, na trudnych obszarach niestety są one nieefektywne. W wielu przypadkach realizowane w praktyce ścieżki ruchu są zwykle nieskomplikowane np. jazda równoległa z możliwością jazdy na uwrociach o ustalonym promieniu, przy czym autonomiczna jazda odbywa się zwykle na polach wielkoobszarowych, polach pozbawionych przeszkód i obecności ludzi lub zwierząt. Z kolei, podczas dojazdu do pól lub prac manewrowych na polu wymagane są ruchy krzywoliniowe.
Mimo, iż prowadzone były liczne prace nad opracowaniem modeli sterowania autonomicznego realizującego ruchy krzywoliniowe [100,123,124], to nadal aktualne są problemy parametryzacji docelowej ścieżki, wzdłuż której pojazd powinien się poruszać.
Również wykrywanie przeszkód na drodze stanowi duże wyzwanie dla naukowcó w, a pominięcie tej funkcji w rolniczych pojazdach autonomicznych jest niedopuszczalne. W związku z tym nie wdrożono jeszcze do praktyki rolniczej rozwiązania umożliwiającego krzywoliniową jazdę autonomiczną poza polami, po drogach publicznych z uwzględnie niem detekcji obiektów infrastruktury terenu. Wyłącznie jazda równoległa znalazła zastosowanie w rolnictwie celem likwidacji problemów z zachowaniem wymaganej ścieżki ruchu, jednak tak jak w pojazdach samochodowych, mimo funkcji autonomiczności, konieczna jest obecność kierowcy w kabinie z uwagi na aspekt prawny i funkcjonalny maszyny [122]. Należy zaznaczyć, że w systemie jazdy autonomicznej pojazd rolniczy utrzymuje tor jazdy zgodnie z wprowadzoną mapą. Wobec tego kierowca traci przede wszystkim możliwość całkowitej zmiany w systemie wprowadzonej ścieżki w trakcie realizacji ruchu, co jest niekorzystne.
Może jedynie zmienić ścieżkę dokonując przesterowania za pomocą kierownicy.
Wychodząc naprzeciw oczekiwaniom, możliwe jest zaproponowanie połączenia funkcji ręcznego prowadzenia maszyny rolniczej przez operatora z okresową funkcją autonomiczności poprzez wykorzystanie układu sterowania z regulatorem o działaniu interaktywnym. Byłby to układ wspomagający pracę kierowcy, dzięki czemu zachowana byłaby pełna kontrola nad realizowanym procesem technologicznym z jednoczesną gwarancją realizacji wymaganego toru jazdy, włączając przede wszystkim ruchy krzywoliniowe. Z kolei, znajomość dynamiki procesu sterowania umożliwiłaby dostosowanie działania regulatorów do wymagań w zakresie realizowanych dokładności jazdy, zarówno przez układy interaktywnego sterowania, jak i sterowania całkowicie autonomicznego.
2. Studium problemu
Motoryzacja jest jedną z wiodących dziedzin techniki, przy czym początki pojazdów mechanicznych sięgają drugiej połowy XVIII wieku [126], gdy we Francji skonstruowano pierwszy pojazd o napędzie parowym. Rozwój pojazdów trwa do dnia dzisiejszego i istnieją jeszcze możliwości ich poprawienia, zwiększenia komfortu a przede wszystkim bezpieczeństwa użytkowników. Jednym z kierunków obecnie prowadzonych prac jest automatyzacja pojazdów samochodowych. Prace nad zautomatyzowanym pojazdem samochodowym (autonomicznym) prowadzone są m.in. przez korporację Google [20].
Korporacja ta, w 2014 r. przeprowadzała testy swojego w pełni autonomicznego pojazdu, który przejechał ok. 250 tys. km. Przedstawiony na rys. 2.1 pojazd Google, podobny do pierwszych modeli Smarta, napędzany jest silnikiem elektrycznym, nie posiada kierownicy i innych elementów służących do prowadzenia manualnego. Samochód wyposażono w złożony system skanowania i rejestracji otoczenia w czasie rzeczywistym. Ponadto, autopilot od Google potrafi m.in. wykrywać prace drogowe, samodzielnie znaleźć pas tymc zasowy, omijać zaparkowane samochody, rozpoznać skręcającego rowerzystę z wyciągniętą ręką, zatrzymać się przed przejazdem niestrzeżonym [21]. Niestety samochód Google wyposażono w bardzo kosztowne zespoły automatyki, których adaptacja do codziennego użytk u byłaby obecnie mało opłacalna dla średniozamożnych użytkowników. Opracowany pojazd jest jedynie pojazdem badawczym i prace nad polepszeniem systemu autonomicznego prowadzenia samochodu prowadzone są jeszcze do dnia dzisiejszego.
Rys. 2.1. W pełni autonomiczny pojazd firmy Google [57]
Znaczące były również szwedzkie badania nad możliwościami unikania kolizji między samochodami [65]. W tym celu opracowano model systemu kontroli pasa ruchu z modelem wykrywającym pojazdy jadące z przodu. Zastosowany algorytm decyzyjny odpowiedzialny jest za przesyłanie informacji o konieczności zmiany pasa ruchu w sytuacjach zagrożenia kolizją. Opracowane układy, mające na celu unikanie kolizji, z sukcesem zostały wprowadzone do eksploatacji, lecz konieczne jest jeszcze ich ulepszanie.
Rozwój automatyzacji pojazdów samochodowych wykorzystywany jest również w dziedzinie rolnictwa. Dzięki automatyzacji produktywność rolna w przeciągu ostatnich lat znacząco wzrosła [58]. Jest to szczególnie ważne w tzw. rolnictwie precyzyjnym, gdzie zabiegi agrotechniczne powinny być wykonywane bardzo dokładnie. Rozwój automatyzacji w maszynach rolniczych sprzyja także polepszeniu warunków pracy i do dnia dzisiejszego ciągły postęp w dziedzinie inżynierii umożliwia opracowywanie nowoczesnych i coraz lepszych maszyn i urządzeń, przyczyniających się do wzrostu efektywności i jakości realizowanych zabiegów agrotechnicznych. Rozwój automatyzacji jest szansą na uniknięcie współczesnych problemów pojawiających się podczas realizacji czynności agrotechnicznych, które mają duży wpływ na jakość wykonywanych prac polowych, np. problemy z kierowalnością, dostrzeganiem lokalizacji plonów, prawidłowym dozowaniem pestycydów, itp.. K ierowca maszyny rolniczej bez układów wspomagających, z różnych przyczyn, ma problem z zachowaniem prawidłowej ścieżki ruchu (rys. 2.2) i jest to jeden z wielu problemów dotykających operatorów maszyn rolniczych. W przypadku realizacji procesu orki pojawiają się omijaki, czyli obszary, gdzie gleba nie została spulchniona. Z kolei, w przypadku realizacji zabiegów opryskiwania roślin występują analogiczne problemy związane z utrzymaniem wymaganej ścieżki. Mimo, iż istnieją różne agregaty rolnicze oraz opryskiwacze wyposażone w systemy GPS [61] ułatwiające prowadzenie maszyny wzdłuż obszarów nieopryskanych lub umożliwiające automatyczne wyłączenie sekcji opryskiwacza w momencie pojawienia się sekcji nad terenem już opryskanym, to kierowca ma nadal trudności z jazdą ciągnikiem rolniczym wzdłuż wymaganego toru, szczególnie na uwrociach.
Pojawiają się wtedy nakładki, czyli obszary, do których ponownie zostały doprowadzone środki ochrony roślin. Nadmiar środków chemicznych wpływa niekorzystnie na dalszy rozwój roślin wywołując upośledzenie ich dobrostanu. Problemy z zachowaniem prawidłowej ścieżki ruchu pojawiają się również podczas realizacji takich zabiegów agrotechnicznych jak : siew nasion, aplikacja nawozów oraz koszenie łąk. Można stwierdzić, że utrzymanie wymaganego toru jazdy i dostosowanie przejazdów do szerokości roboczej agregatu
wykorzystywanego podczas realizacji procesów technologicznych jest niezbędne, celem zapewnienia wymaganej jakości prac polowych.
Rys. 2.2. Nierównomierny tor jazdy ciągnika rolniczego podczas realizacji procesu orki
Jedną z głównych przyczyn problemów z zachowaniem prawidłowej ścieżki ruchu są zmienne obciążenia dynamiczne działające na kierowcę maszyny rolniczej. Charakterystyka wykonywanego zabiegu agrotechnicznego, warunki oraz strukturalne właściwości obiektów przeprowadzających czynności agrotechniczne na polu mogą być przyczyną pojawiania się zakłóceń w przebiegu cyklu roboczego. Tymi zakłóceniami okazują się być przede wszystkim drgania o silnym oddziaływaniu na operatora maszyny, które mogą doprowadzić do utraty komfortu jazdy i bezpieczeństwa podczas realizacji procesów agrotechnicznych. Związane jest to z tym, że organizm człowieka narażony na oddziaływania drgań, może utracić zdolność do szybkiego reagowania na konieczność wprowadzania korekty jazdy.
Należy zaznaczyć, że istotny wpływ na charakter oddziaływania drgań mechanicznych ma prędkość poruszania się agregatu rolniczego i rodzaj wykonywanego manewru. Dodatkowo, warunki w jakich przebiega cały proces technologiczny, czyli zróżnicowany grunt o niejednorodnej strukturze, zawierający przeszkody (kamienie, gałęzie, itp.), będą poddawać układ dużym obciążeniom. Obciążenia te nazywane często wymuszeniami kinematycznymi generujące drgania, po przeniesieniu na siedzisko operatora działają szkodliwie, wywołując nie tylko długotrwałe skutki zdrowotne ale także doraźnie zmniejszają sprawność kierowcy.
W wyniku pojawiających się drgań może wystąpić utrata zdolności kierowcy do wprowadzania korekty jazdy w realizowanym procesie technologicznym. Także skutki biologiczne, będące efektem drgań (o działaniu ogólnym lub miejscowym), na które bywa eksponowany człowiek, są przyczyną pojawiania się skutków funkcjonalnych (doraźnych), a pogłębiające się zmiany w organizmie ludzkim prowadzą do obniżenia jego zdolności do
pracy. Skutki funkcjonalne pojawiają się już nawet przy niewidocznych skutkach biologicznych i ze wzrostem czasu ekspozycji człowieka nasilają się.
Prowadzono badania nad wpływem drgań na sprawność kierowcy i na tej podstawie opracowano normy bezpieczeństwa [62,63] oraz metody oceny ekspozycji człowieka na wibracje [64]. Zachodzi tutaj pytanie: Jakie jest rzeczywiste obciążenie drganiami operatora nowoczesnych maszyn rolniczych? W związku z tym, w Przemysłowym Instytucie Maszyn Rolniczych w Poznaniu przeprowadzono badania mające na celu określenie wartości przyspieszeń drgań działających na organizm kierowcy. Do badań wykorzystano ciągnik rolniczy marki Deutz Fahr Agrotron X720 o masie ok. 10,5 t, który zagregowany został z zestawem wysokowydajnych kosiarek dyskowych marki POTTINGER o łącznej masie ok.
2,5 t. (rys. 2.3). Badania wykonywano podczas koszenia trawy na łące i rejestrowano przyspieszenia za pomocą specjalistycznej aparatury badawczej. Na siedzisku operatora umieszczony został jeden czujnik przyspieszeń drgań (rys. 2.4a), natomiast drugi umieszczono na głowie operatora (rys. 2.4b) [128].
Rys. 2.3. Maszyna rolnicza wykorzystywana podczas badań (źródło własne)
a) b)
Rys. 2.4. Lokalizacja czujników przyspieszeń drgań: a) na siedzisku, b) na głowie operatora (źródło własne)
Na rys. 2.5 przedstawiono przykładowe wyniki z badań w postaci wartości skutecznych przyspieszeń drgań zarejestrowanych przez czujnik umieszczony na głowie operatora podczas koszenia z prędkością 8 km·h-1 [1]. Analizy dokonano zgodnie z normą ISO 2631, gdzie wartości skuteczne przyspieszeń drgań odniesiono do dopuszczalnych czasów ich ekspozycji. Okazuje się, że przy tej prędkości koszenia, drgania przekraczają linię odnoszącą się do 8- godzinnego czasu ekspozycji przy częstotliwościach tercjowych 2 i 2,5 Hz. Zatem, kierowca może pracować 4 godziny dziennie nie narażając swojego zdrowia. W praktyce okazuje się, że operatorzy maszyn rolniczych pracują nawet dłużej niż 8 h dziennie, co przyczynia się do powstawania naprawdę już dostrzegalnych zaburzeń funkcjonalnych.
∞
Wartości skuteczne przyspieszeń drgań aRMS [m/s2 ]
Częstotliwość [Hz]
czas ekspozycji 8 h czas ekspozycji 4 h czas ekspozycji 2,5 h czas ekspozycji 1 h
Rys. 2.5. Wartości skuteczne przyspieszeń drgań zarejestrowane przez czujnik umieszczony na głowie operatora podczas koszenia z prędkością 8 km·h-1 (źródło własne) [1]
Wówczas u kierowcy następuje zwiększenie czasu reakcji ruchowych i wzrokowych.
Energia drgań przenoszona na siedziska kierowców maszyn rolniczych i następnie do organizmów ludzkich jest zatem źródłem zagrożenia. W czasie pojawienia się zaburzeń funkcjonalnych na skutek drgań, reakcje kierowcy są opóźnione i wówczas pojazd może zostać wyprowadzony z prawidłowego toru ruchu, co może spowodować pogorszenie jakości realizowanych zabiegów agrotechnicznych. Dodatkowo, zakłócenia w koordynacji ruchów zmęczonego kierowcy przyczyniają się do wzrostu prawdopodobieństwa zaistnienia wypadku drogowego podczas poruszania się po drogach publicznych między obszarami rolniczymi.
Zaburzenia pracy układu nerwowego objawiające się zaburzeniem koncentracji, zaburzenia
pracy układu krążeniowego powodujące nadmierne zmęczenie i senność oraz złe samopoczucie w postaci rozdrażnienia, a także osłabienie pamięci są istotnymi objawami zaliczanymi do skutków funkcjonalnych pojawiających się w organizmie kierowcy [2,3].
Drgania mechaniczne wywołujące zaburzenia funkcjonalne, są niewątpliwie jedną z przyczyn pojawienia się problemów w realizacji czynności w agrotechnicznych procesach roboczych, np. pojawia się wówczas nie możność zachowania prawidłowe j ścieżki ruchu przez operatora danej maszyny rolniczej. W związku z pojawiającymi się problemami ważną rolę odgrywa wspomaganie kierowcy w realizacji wymaganej ścieżki ruchu.
Niektóre zabiegi technologiczne wykonywane są nocą i konieczny jest precyzyjny ruch maszyny wzdłuż wymaganego toru. Ze względu na konieczność zachowania prawidłowej ścieżki ruchu przy uwzględnieniu aspektów bezpiecze ństwa pracy, polepszenia wskaźników ekonomicznych, opracowywania nowych technologii upraw, itd., istnieje potrzeba ciągłego rozwoju automatyzacji w aspekcie realizacji procesu technologicznego.
Szczególnym a zarazem niezmiernie istotnym przypadkiem nowatorskich prób automatyzacji maszyn uprawowych są prace nad autonomicznymi pojazdami rolniczymi. W autonomicznym sterowaniu ważna jest realizacja procesu planowania przyszłej ścieżki ruchu (ang. Path Planning). Już w 1989 roku podejmowano badania związane z tą tematyka, w których Nelson [23] oraz Kanayama i Hartman [24] badali proces mający na celu doprowadzenie pojazdu koszącego z początkowej pozycji do pozycji końcowej po wymaganej ścieżce. Uznano wtedy, że każda ścieżka musi być równoległa do ostatnio realizowanej ścieżki, wzdłuż pozostawionego wcześniej pokosu.
Autonomiczne maszyny uprawowe są w stanie zwiększyć nie tylko precyzję podczas wykonywania zabiegów agrotechnicznych, ale także wpływają na wzrost poziomu bezpieczeństwa w toku realizacji procesu technologicznego. Odpowiednie czujniki dostarczają priorytetowe komunikaty o występowaniu przeszkód na polu do regulatora a układ sterowania podejmuje odpowiednie czynności podczas realizacji ścieżki ruchu dostosowując tor jazdy do toru niekolizyjnego. Według [59,60] pojazdy autonomiczne zmniejszają również zużycie paliwa, obniżając koszty eksploatacyjne oraz ograniczając zanieczyszczenie powietrza, czyniąc środowisko naturalne bardziej przyjaznym dla organizmów żywych. Zatem, można oczekiwać, że już w niedalekiej przyszłości ludzie będą korzystali z pracy autonomicznych maszyn lub robotów agrotechnicznych na obszarach rolniczych, czyniąc pracę bezpieczniejszą dla człowieka, środowiska oraz precyzyjniejszą z uwagi na coraz większe wymagania. Pozwoli to na rozwiązanie wielu problemów obecnych
we współczesnym rolnictwie, które bezwzględnie stają się utrudnieniem nie tylko dla rolników, ale także dla społeczności zamieszkującej okoliczne tereny wiejskie.
Mimo wielu rozwiązań rolniczych pojazdów autonomicznych pojawiają się jeszcze istotne problemy ich sterowania. Problematyka likwidacji lub przynajmniej ograniczenia problemów w sterowaniu autonomicznymi maszynami rolniczymi była podejmowana przez wielu naukowców na świecie. Jaime Gomez- Gil i inni [4,7] przeprowadzili analizę zagadnienia niedokładności pozycjonowania ciągnika rolniczego, przyczyniającej się do problemów z zachowaniem prawidłowej ścieżki ruchu. W dziedzinie rolnictwa precyzyjnego powszechnie wykorzystywany jest system pozycjonowania GPS (ang. Global Positioning System), więc opracowano metodę poprawiającą pozycjonowanie autonomicznego ciągnika, gdzie polepszenie precyzji prowadzenia maszyny zostało zapewnione poprzez zestawienie danych z GPS z kinematycznym prawem sterowania (regulatorem). W metodzie tej odbiornik GPS (użyty jako sensor pozycjonowania) został zlokalizowany na tylnej osi ciągnika. Po uwzględnieniu danych odbieranych z układu sterowania, regulator odpowiedzialny był za uzyskanie większej precyzji położenia i orientacji punktu środkowego tylnej osi maszyny względem wymaganej ścieżki. W trakcie badań wykorzystano ciągnik John Deere 6400, który wyposażono w odbiornik GPS Haicom HI 204III oraz elementy peryferyjne automatyki. Na podstawie badań stwierdzono, że proponowana metoda skutecznie redukuje błędy prowadzenia GPS, jednak wzdłuż prostych trajektorii. Znana jest również metoda zwiększenia dokładności pozycjonowania poprzez zastosowanie bardziej precyzyjnego odbiornika GPS i korekcji różnicowej albo zastosowanie GPS razem z innymi lokalnymi systemami pozycjonowania typu inercyjny system nawigacyjny (INS) [4]. Są to niestety złożone i kosztowne układy.
Istotnym elementem, decydującym o jakości autonomicznego prowadzenia maszyny rolniczej po zadanej ścieżce ruchu jest dokładność sygnałów otrzymywanych z satelitów. W systemie GPS wykorzystywane są sygnały pomiaru czasu w celu ustalenia pozycji, przy czym pomiary te dokonywane są z przynajmniej trzech satelitów [50]. Niestety każdy z tych sygnałów obarczony jest indywidualną grupą błędów. Niedokładność zegarów satelitarnych oraz różnica pomiędzy teoretycznym a rzeczywistym położeniem satelity na orbicie może doprowadzić do niekorzystnego przesunięcia momentu startu sygnału. Dodatkowo, podczas przemieszczania się sygnału w kierunku Ziemi, ulega o n refrakcji w atmosferze, a obiekty znajdujące się w pobliżu anteny odbiornika mają istotny wpływ na generowanie błędów w postaci wielotorowości sygnału (tzn. sygnał ulega odbiciom). Także występowanie zakłóceń
elektromagnetycznych przyczynia się do zmniejszenia dokładności systemów GPS.
Standardowa dokładność pozycjonowania GPS to ok. 3-5 metrów [51]. Niestety ta dokładność jest niewystarczająca w aplikacjach umożliwiających autonomiczne prowadzenie pojazdów w dobie rolnictwa precyzyjnego. Zatem, w celu zwiększenia dokładności stosuje się różne metody korekcji błędów. Przy korekcji różnicowej DGPS (ang. Differential Global Positioning System), stacja referencyjna, czyli pierwszy odbiornik umieszczony jest w określonym miejscu na ziemi, przy czym jego lokalizacja nie ulega zmianie. Natomiast drugi odbiornik umieszczony zostaje w poruszającej się maszynie. Pozycja GPS zostaje obliczona na podstawie sygnału odebranego z satelitów przez stację referencyjną. Określany zostaje błąd będący różnicą między obliczoną pozycją a rzeczywistym położeniem stacji na ziemi.
Sztuczne satelity ziemi umieszczone na orbicie geostacjonarnej wysyłają wynik błędu do odbiornika zlokalizowanego w maszynie. Umożliwia to dokładną realizację ruchu pojazdu wykorzystującego prowadzenie autonomiczne. W korekcji DGPS wyróżnia się europejski system korekcji różnicowej EGNOS (ang. European Geostationary Navigation Overlay Service) oraz korekcję OmniStar [51,52].
Drugą metodą korekcji błędów w systemach autonomicznego prowadzenia pojazdów jest korekcja RTK (ang. Real Time Kinematic) [14]. W maszynie zainstalowane są odbiorniki, które współpracują z własną stacją referencyjną. Stacja referencyjna oblicza błąd sygnału GPS, a następnie w czasie rzeczywistym wartość błędu przesyłana jest drogą radiową do odbiorników. W systemie tym wyeliminowano przesyłanie korekcji na drodze satelitarnej. W dziedzinie inżynierii systemów nawigacyjnych RTK umożliwia uzyskanie dokładności pozycjonowania rzędu 10-20 mm, gdyż odbiorniki pracują w niewielkiej odległości od stacji referencyjnej.
Na Uniwersytecie Illinois wykorzystano system GPS RTK o częstotliwości działania 5 Hz i zastosowano go do autonomicznego prowadzenia ciągnika Case 7720 [53,54]. W celu eliminacji opóźnień odpowiedzi układu prowadzenia, system GPS został zamontowany na przodzie maszyny- dokładnie na masce w okolicach kół przednich. Przeprowadzone testy reakcji pojazdu podczas ruchu po linii prostej pokazały, że błąd bocznego pozycjonowania przy prędkości 4,5 m·s-1 mieścił się w obrębie 16 cm. Okazuje się, że to jest duża niedokładność pozycjonowania mimo, iż zastosowana została korekcja RTK. O’Conner i pozostali [55,56] z sukcesem opracowali 4 antenowy przenośnik fazowy systemu GPS do kierowania ciągnikiem marki John Deere 7800 na wyznaczonym w prostyc h rzędach, kursie z przejazdami na uwrociu. Cztery pojedyncze kanały czujników GPS zostały zamontowane na
kabinie a odbiornik dokonywał pomiarów z częstotliwością 10 Hz. Podczas testów określono, że odchylenie standardowe w trakcie śledzenia zaplanowanej ścieżki było mniejsze niż 2,5 cm.
Podczas tych badań skupiono się jedynie na poprawie jakości realizowanej ścieżki przez poprawę właściwości systemów nawigacyjnych.
Inną metodą polepszenia jakości realizacji ścieżki wzdłuż ścieżki referencyjnej jest zastosowanie cyfrowych technik filtracyjnych. Badacze S. Han, Q. Zhang oraz H. Noh prowadzili badania terenowe stosując filtr Kalmana [5], który został opracowany w celu poprawy estymacji pozycji DGPS dla zastosowań równoległej jazdy z uwrociami. Dokonali skutecznego usunięcia zakłóceń z pomiarów DGPS, takich jak niepożądane skoki pozycji.
Maksymalny błąd śledzenia ścieżki został zredukowany z 9,83 m do 2,76 m. Filtr Kalmana może również redukować wartości skuteczne (RMS) błędu pozycjonowania, co oznacza obniżenie niepewności błędu pozycjonowania GPS. W przeprowadzonych analizach wartości skuteczne błędu zostały zredukowane z 0,58 m do 0,56 m. Badacze wykonali także analizy porównawcze skuteczności działania filtra Kalmana i działania filtra średniego (ang. Mean Filter). Wykazano, że główną zaletą filtra Kalmana w porównaniu z filtrem średnim jest dużo mniejszy błąd pozycjonowania w kierunku jazdy. Udało się uzyskać wartość RMS błędu pozycjonowania wynoszącą 0,26 m. Jednakże filtr średni lepiej się sprawdzał w poc zątkowej fazie. W związku z powyższym, wg [5] jest możliwe zastosowanie filtra średniego w ściśle określonych sytuacjach, natomiast filtra Kalmana w pozostałych etapach w celu zapewnienia ogólnej, lepszej estymacji położenia dla całego przejazdu maszyny. F iltr Kalmana zapewnia zwiększenie płynności ruchu, co przedstawiono na rys. 2.6 [5].
∞
Przejazd 17
Punkty po filtracji
Punkty pierwotne
Przejazd 22
Rys. 2.6. Wyniki błędów pozycjonowania uzyskane z badań
Autorzy publikacji [6] opracowali system autonomicznego prowadzenia dla sadzarki przeznaczonej do pracy na polu ryżowym. Japońską, sześciorzędową sadzarkę PH6 firmy
Iseki zmodyfikowano dla potrzeb realizacji procesu autonomicznej jazdy i wyposażo no w technologię precyzyjnych pomiarów przy użyciu systemu globalnego pozycjonowania (RTK GPS- Real Time Kinematic) dla celów bardzo dokładnego pozycjonowania maszyny.
Zwiększenie dokładności jazdy wzdłuż wymaganej ścieżki ruchu zapewniał zaadaptowany żyroskop światłowodowy (FOG- Fiber Optic Gyroscope). Jako system RTK GPS użyto Trimble Navigation MS750 z możliwą dwucentymetrową dokładnością pomiaru, natomiast sensorem FOG był model JG-35FD firmy Japan Aviation Electronics. Dane o położeniu, które miały wpływ na odchylenie toru pojazdu były korygowane przez sensor. Korekcja następowała poprzez porównanie odchylenia kierunku bocznego obliczonego przy użyciu kąta odchylenia i prędkości pojazdu z odchyleniem obliczonym przy użyciu danych z GPS.
Dla celów realizacji niniejszego badania użyty został regulator proporcjonalny. Maksymalne odchylenie dla prostej ścieżki wynosiło 12 cm, natomiast po skorygowaniu niedokładności jazdy odchylenie to wynosiło 5,5 cm przy prędkości 0,7 m·s-1. Jest to wystarczająca dokładność jazdy dla realizacji procesu sadzenia ryżu, jednak w procesie mechanicznego pielenia chwastów dokładność ta nie jest zadawalająca. Wg [6], w przypadku realizacji odchwaszczania plonów konieczne jest, aby odchylnie było mniejsze niż 5 cm. Konieczna jest wiec jeszcze poprawa algorytmu kontroli skrętu i regulatora, aby wykonywać bardziej precyzyjne operacje.
W zakresie sterowania autonomicznymi maszynami rolniczymi pojawiają się również problemy z uwzględnianiem przeszkód przez układ kontroli ruchu. Mimo, iż w zautomatyzowanych pojazdach rolniczych wykorzystywane są z powodzeniem systemy globalnego pozycjonowania (GPS), to systemy te nie dostarczają informacji o „dynamice”
środowiska [8]. Maszyna podczas jazdy może napotkać drzewa, budynki, dziury, rowy, ludzi, zwierzęta, zbocza, zbiorniki wodne lub inne poruszające się pojazdy. Układ sterowania powinien uwzględnić te bariery i dostosować odpowiednią ścieżkę jazdy tak, aby uniknąć ewentualnej kolizji. W pracy [8], autorzy przestawiają 4 technologie detekcji pr zeszkód:
stereowizję, LIDAR (ang. Light Detection And Ranging), radar i termografię. Stereowizja umożliwia wykrycie człowieka na polu, jednakże pojawiają się ograniczenia w użytkowaniu podczas ograniczonej widoczności (deszcz, mgła, dym, itp.) oraz istnieje konieczność zastosowania zaawansowanego algorytmu sterowania. Podobnie jest z systemem LIDAR. Z kolei, system radarowy umożliwia wykrywanie obiektów metodą panoramiczną (360º), lecz występują problemy z przetwarzaniem sygnału i jego interpretacją. Termografia jest niewrażliwa na kurz i deszcz, dobrze wykrywa ludzi i zwierzęta, ale rozdzielczość jest
stosunkowo niska i istnieją problemy z kalibracją układu. Należy zaznaczyć także, że koszty zakupu takich układów są wysokie. Systemy te jednak mają istotny wpływ na realizację procesu sterowania autonomicznymi maszynami rolniczymi, lecz wskazane jest ciągłe sprawowanie kontroli przez operatora.
Prowadzone są również liczne badania nad robotami [9,10,11]. Aby samojezdne roboty satysfakcjonująco wykonywały czynności agrotechniczne w trudnym środowisku polowym badania prowadzone przez naukowców muszą odnosić się do analiz funkcjonowania wielu współpracujących elementów automatyki. Konieczne są prace badawcze nad czujnikami, aby osiągnąć właściwą lokalizację i zdolności detekcyjne, niezbędny jest również dalszy rozwój techniki planowania wymaganej ścieżki ruchu, nawigacji oraz algorytmów prowadzących maszynę, spełniających wymagania środowisk innych, niż otwarte pole. Prowadzi się przede wszystkim liczne badania w zakresie funkcjonalności regulatorów uwzględniających specyfikę autonomicznych pojazdów rolniczych. Oprócz standardowych regulatorów PI i PID stosuje się tam regulatory bazujące na logice rozmytej i sieciach neuronowych [4, 86]. Regulatory logiki rozmytej (ang. Fuzzy Logic Controllers), wzorowane na sposobie, w jaki myśli człowiek, stosuje się w maszynach autonomicznych, gdy ważny jest czas analizy. Istotne jest, że modularyzacja struktury sterowania przez użycie tychże regulatorów upraszcza implementację i redukuje złożoność systemu [11]. Autorzy publikacji [12] do swoich badań nad autonomicznym opryskiwaczem zastosowali regulator logiki rozmytej łącznie z sensorami ultradźwiękowymi, przy czym regulator ten otrzymywał informacje wejściowe o kierunku ruchu i odległości od przeszkód.
Na podstawie testów stwierdzono, że sensory ultradźwiękowe miały niewielki wpływ na polepszenie prowadzenia autonomicznego, ale skutecznie zapobiegały nadmiernemu zbliżaniu się do drzew i innych przeszkód. Z kolei, użyteczność regulatora logiki rozmytej w analizach symulacyjnych została poprawiona w 68% poprzez użycie algorytmu genetycznego (ang. Genetic Algorithm). Jednakże, przy testach polowych, zastosowanie regulatora z algorytmem genetycznym nie poprawia istotnie jego użyteczno ści ze względu na poślizgi kół i długie przerwy odpowiedzi czasowych zastosowanej aktoryki. Niestety wadą logiki rozmytej jest to, że liczba rozmytych reguł wzrasta wykładniczo wraz ze wzrostem liczby wejść, co zwiększa stopień skomplikowania modelu regulatora [13].
Z kolei, rzadziej stosowane w rolniczych pojazdach autonomicznych regulatory sieci neuronowej (ang. Neural Network) przetwarzają informacje w sposób zainspirowany biologicznym systemem nerwowym ludzkiego mózgu. Jest to jedna z metod sztucznej
inteligencji (ang. Artificial Intelligence). N iestety, dane przesyłane w sieci neuronowej mogą zawierać błędy i pojawiają się trudności z jej „samoczynnym uczeniem się” [15]. Sieci neuronowe jako technika sztucznej inteligencji była wykorzystywana w pojazdach autonomicznych przez wielu badaczy [16,17,18,19] i do dnia dzisiejszego przeprowadzane są próby jej usprawnienia. Inną metodą sztucznej inteligencji jest zastosowanie algorytmów genetycznych.
Podczas realizacji czynności agrotechnicznych pojawiają się również problemy z poślizgiem kół maszyny rolniczej. Zjawisko poślizgu dla maszyn rolniczych ma szczególne znaczenie, gdyż w trakcie prac polowych pojawia w specyficznych warunkach, innych niż w przypadku samochodów osobowych. Maszyny rolnicze pracują przede wszystkim na niejednorodnym terenie, którego charakterystyka ma istotne znaczenie dla występowania problemu poślizgu. W naukach technicznych często podejmowano tematykę dotyczącą uwzględniania tych problemów w procesach projektowania regulatorów do autonomicznego prowadzenia pojazdów po zadanej ścieżce (przykłady przedstawiono w dalszej części rozdziału). W taki sposób realizowano próby polepszenia właściwości funkcjonalnych układów odpowiedzialnych za zautomatyzowane procesy kontroli jazdy. Przeprowadzano analizy symulacyjne w celu określenia odpowiedniego modelu sterowania, uwzględniającego różne aspekty możliwe do wystąpienia podczas realizacji zamierzonej ścieżki ruchu. Takie przedsięwzięcie nie jest kosztowne, gdyż nie wymaga dużych nakładów finansowych, a już na etapie opracowywania układu sterowania można stwierdzić, czy opracowany układ spełnia założenia badaczy. Po opracowaniu takiego układu realizowana jest zwykle weryfikacja poprzez wykonanie kosztownych badań empirycznych, które przeprowadza się bezpośrednio na rzeczywistym modelu badawczym.
Autorzy Lenain R., Thuilot B., Cariou Ch., Martinet P. opracowali predykcyjny model sterowania, uwzględniający zjawisko poślizgu kół pojazdu rolniczego [25]. Model ten został opracowany w celu redukcji niekorzystnego wpływu poślizgu na tor jazdy przy uwzględnieniu dużej bezwładność pojazdu. Wydajność układu sterowania została zbadana podczas eksperymentów przeprowadzanych z wykorzystaniem ciągnika rolniczego.
Określenie pozycji maszyny w czasie rzeczywistym realizowane było przy wykorzystaniu systemu GPS z RTK. Dodatkowo zamontowany na przednich kołach czujnik zmiany kąta dostarczał informacje o aktualnym kącie skrętu. Dzięki aparaturze pomiarowej możliwe było bezpośrednie określenie parametru y (odległości pojazdu od punktu referencyjnego drogi) (rys.
2.7).
Rys. 2.7. Schemat układu położenia i orientacji pojazdu względem drogi [25]
W celu obserwacji stanu układu, poprawy jakości realizacji ścieżki i określenia parametru ~
(patrz rys. 2.7) wykorzystano filtr Kalmana (estymator), wykorzystujący pomiar wektora prędkości. Parametry poślizgu PF i PR nie mogły być mierzone bezpośrednio.
Niezbędna była liniowa estymacja tych parametrów, ponieważ nie są one stałe i zależne są od rodzaju opony i gruntu. Estymację parametrów poślizgu przeprowadzono przy użyciu adaptacyjnego modelu wewnętrznego przedstawionego na rys. 2.8. Algorytm estymacyjny opiera się na założeniu, że różnica między aktualną pozycją mierzona przez GPS a przewidywaną pozycją obliczoną z modelu kinematycznego służy do określenia wartości poślizgu. W wyniku prac nad modelem do redukcji wpływu poślizgu na tor jazdy osiągnięto oczekiwane rezultaty.
∞
Model bez poślizgu
Aktualny proces Aktualna pozycja
Teoretyczna pozycja
Estymacja poślizgu Sterowanie
Rys. 2.8. Model wykrywani a poślizgu [25]
Kilka urządzeń prowadzących pojazd po ścieżce jest dostępnych na rynku, m. in.
system opracowany dla maszyny produkowanej przez CLAAS [26] oraz John Deere [27].
Jednak systemy te opracowane zostały dla potrzeb realizacji specyficznych zadań, np.
wspomagania maszyny podczas zbioru plonów [26] oraz do prowadzenia pojazdu tylko wzdłuż linii prostych [27]. Nie uwzględniają one zjawiska poślizgu, mimo iż zjawisko to występuje podczas realizacji procesów agrotechnicznych, przyczyniając się do zmniejszania dokładności prowadzenia maszyny. Maszyny te wyposażone są w system RTK GPS
umożliwiający pozycjonowanie z dokładnością 1 cm. Dodatkowo, łącznie z RTK GPS stosowane są kamery, czujniki laserowe, INS (ang. Inertial Navigation System), itp. [25].
Zjawisko poślizgu rozważane było również w badaniach prowadzonych przez autorów publikacji [28]. Opracowali oni model kinematyczny ujmujący zakłócenia eksploatacyjne w postaci poślizgu i umożliwiający kontrolę nad precyzyjnym prowadzeniem ciągnika rolniczego z zagregowaną przyczepą. Podczas realizacji zadań agrotechnicznych precyzja prowadzenia jest zależna od sposobu holowania przyczepy. W opracowanym modelu koła sterujące zestawu rolniczego są reprezentowane przez pojedyncze koła ciągnika i przyczepy (tzw. model rowerowy). Poślizg natomiast został uwzględniony poprzez wprowadzenie bocznej i wzdłużnej prędkości poślizgu. Zaproponowano prowadzenie pojazdu z przyczepą po wyznaczonej ścieżce ruchu przy wykorzystaniu regulatora PI, który umożliwia śledzenie stałych wartości zadanych. Badania dostarczyły wiedzy odnośnie aktywnego śledzenia ruchu ciągnika z przyczepą, przy czym autorzy przyznają, że jest to ciągle niewystarczający zakres zrealizowanych prac z uwzględnieniem zjawiska poślizgu. Należy zaznaczyć, że mimo, iż regulator sprawdza się w sterowaniu pojazdem rolniczym, to jego dynamika procesu sterowania jest nieznana. Nie prowadzono badań nad wpływem poszczególnych parametrów regulatora na wartość wyjściową.
Jian Jun Liu i Long Wu [29] przedstawili opracowany, a utonomiczny system operacyjny maszyny typu ciągnik rolniczy. System ten jest odpowiedzialny za precyzyjne prowadzenie ciągnika wzdłuż wymaganego toru, przy czym procedura autonomiczności ujmuje również realizację czynności agrotechnicznych. Układ precyzyjnego prowadzenia maszyny został połączony z autonomicznym wysiewem nasion, wykrywaniem plonów, kontrolą operacji nawożenia oraz aplikowania herbicydów i pestycydów, zbiorem plonów. Na podstawie informacji wejściowych, takich jak ukształtowanie terenu, konturowe mapy pól, dostępne zasoby i typ plonów, układ sterowania wyznacza optymalny kierunek ruchu dla maszyny. Wydajne i precyzyjne prowadzenie ciągnika po wymaganej ścieżce osiągnięto przy wykorzystaniu modelu kinematycznego (rys. 2.9) uwzględniającego zjawisko poślizgu. W tym modelu przednie koła ciągnika są reprezentowane przez pojedyncze koło (tzw. model rowerowy). Parametry (x,y) przedstawiają pozycję pojazdu (w punkcie O umieszczonym na tylnej osi), oznacza orientację osi podłużnej ciągnika, natomiast jest kątem skrętu kierowanego koła przedniego w stosunku do osi podłużnej. Prędkość jazdy oznaczana jest jako v, a rozstaw osi jako L. Poślizg pojazdu reprezentowany jest przez kilka parametrów:
prędkość poślizgu vrl w kierunku podłużnym, prędkość poślizgu vrs w kierunku poprzecznym,
kąt poślizgu przedniej osi βf, kąt poślizgu tylnej osi βr. Należy zauważyć, że efekt poślizgu uzyskany na każdym z tylnych kół, jest połączony i sprowadzony do jednego wspó lnego punktu O tylnej osi. Współrzędne (xr,yr) i krzywa c(s) opisują wymaganą ścieżkę referencyjną.
W celu określenia położenia i kątów orientacji pojazdu, stosowano system GPS z korekcją RTK i z jednostką IMU (ang. Inertial Measurement Unit). Przedstawione wyniki prób symulacyjnych są obiecujące. Ciągnik próbuje śledzić trajektorię składającą się z odcinków prostych i półokręgów oraz wykorzystuje technikę powrotu krokowego do ścieżki referencyjnej. Zaproponowany układ jest układem autonomicznym, wykorzystującym regulator uwzględniający zjawisko poślizgu i informacje z systemu GPS RTK z IMU.
Rys. 2.9. Model kinematyczny wg [29]
Precyzyjne prowadzenie pojazdów autonomicznych po wymaganej ścieżce ruchu w dobie rolnictwa precyzyjnego wymaga zaprojektowania stabilnego sterownika z szybką odpowiedzią na napływające do niego informacje. Według autora publikacji [22] wymagane są dodatkowe badania w celu poprawienia cech funkcjonalnych sterowników z uwagi na wysoki stopień nieliniowości procesu i wiele nieznanych czynników mogących wystąpić podczas prowadzenia maszyn rolniczych. Grovum i Zoerb [30] opracowali dynamiczny model symulacyjny sterujący pojazdem rolniczym. Julian [31] zdefiniował model transmitancji skrętu (odchylenia) ciągnika. O’ Connor i inni [32] opracowali sterownik bazujący na liniowych równaniach ruchu. Lee [33] wykorzystał metodę sterowania typu
„model- following” podczas realizacji badań na stanowisku badawczym w postaci platformy testowej (Variable Dynamic Testbed Vehicle- VDTV). Erbach i inni [34] stwierdzili, że zmienne tarcie spowodowane np. warunkami glebowymi (ugniecione lub nieugniecione podłoże, obecność wody na polu), może wywoływać znaczący i nieprzewidywalny poślizg
boczny. Krishnaswami i Riozzoni [35] wykorzystali tryb sterowania ślizgowego i teorię estymacji do celów określenia stanu pojazdu prowadzonego.
Do istotnych problemów pojawiających się w rolnictwie można zaliczyć również konieczność automatycznego określenia stanu roślin, ich lokalizacji oraz przeszkód znajdujących się na polu. Autonomiczne maszyny rolnicze realizujące ruch po wymaganej ścieżce wyposażane są w systemy zbierające informacje o plonach, tworząc mapy ich lokalizacji i mapy zawartości w roślinach wilgoci [22]. Chociaż s tosowany powszechnie system GPS skutecznie pozycjonuje pojazd na polu, to nie może on dostarczyć informacji o pojawiających się przeszkodach i plonach, z którymi maszyna może się zetknąć. Zatem, autonomiczne pojazdy rolnicze wyposażane są w specjalistyczne układy wizyjne, dzięki którym można m.in. likwidować problemy związane z niezachowaniem wymaganej ścieżki ruchu.
Systemy wykrywania wizyjnego wykorzystują kamerę montowaną na pojeździe w celu dostarczania informacji o jego ruchu na polu. Standardowe kamer y wykonują kolorowe albo monochromatyczne zdjęcia, lecz dla specjalnych celów opracowano kamery (sensory) w połączeniu z optycznymi filtrami [36]. Wg autora publikacji [22] pozycjonowanie pojazdu na polu wymaga zrozumienia geometrycznych relacji między przetwornikiem obrazu, pojazdem, a polem widzenia. Relacje te wykorzystywane są do określenia niezbędnych informacji o prowadzeniu maszyny. Zatem, metoda wizyjna wymaga aby proces prowadzenia pojazdu był realizowany z wykorzystaniem przetwornika obrazu w celu generowania sygnałów sterujących. W przeprowadzanych badaniach zwracano uwagę na użytkowanie przetwornika w uprawach rzędowych i przy wykrywaniu krawędzi przejściowych między obszarem zebranych i niezebranych plonów. Zbadano różne metody przetwarzania obrazu, które ostatecznie dają sygnały wyjściowe, konieczne do wygenerowania sygnałów sterujących pojazdem. Celem polepszenia jakości realizacji ścieżki przez pojazd rolniczy skupiono się jedynie na systemach wizyjnych, nie rozważano bezpośredniej poprawy własności regulatora.
J.B. Gerrish [37,38] przeprowadził badania zdolności wizyjnego prowadzenia ciągnika, zwracając szczególną uwagę na możliwą do uzyskania dokładność realizacji ruchu maszyny.
Dokonywał on oceny kilku technik przetwarzania obrazów w celu określenia ich szczegółowego zastosowania w układach autonomicznej kontroli ruchu. Jego badania doprowadziły do dalszego rozwoju systemu wizyjnego prowadzenia [39], przy czym uzyskane wyniki prac naukowo- badawczych zaimplementowano do układu w ciągniku Case 7110 [40]. Pomiary stanu roślin przeprowadzane były po lewej stronie kabiny, przy użyciu
standardowego sensora RGB. Podczas konfiguracji użytkownik zaznaczał na obrazie punkty reprezentujące uprawy w celu dokonania segmentacji bazującej na wartościach RGB. Sygnał prowadzący pojazd oparty został na zasadzie „look- ahead”, wykorzystującej informacje o lokalizacji pojedynczego punktu na obrazie. Pozycja rzędu plonów określona jako jedna pozycja na obrazie, wykorzystywana była w układzie sterowania do bezpośredniej kontroli ustawienia kół ciągnika. W ostatecznym rozwiązaniu ciągnik był w stanie śledzić rzędy kukurydzy i podążać wzdłuż prostych rzędów z dokładnością 6 cm i 12 cm przy prędkości odpowiednio 4,8 km·h-1 i 12,9 km·h-1.
J. F. Reid [22] również pracował nad rozwojem wizyjnego systemu prowadzenia, przeznaczonego do sterowania ciągnikiem wzdłuż upraw rzędowych. Wykorzystywano obrazy podczerwieni do segmentacji tych upraw, gdzie segmentacja każdego obrazu wykonana została w oparciu o klasyfikator Bayesa. Obrazy te były przetwarzane w celu utworzenia zbioru punktów reprezentujących środki roślin zlokalizowanych w rzędach. Autor wyprowadził równanie regresji liniowej opisujące lokalizację rzędów plonów na uzyskanym obrazie (rys. 2.10).
Rząd
Grupa 1 Grupa 2
Linia regresji
dla grupy 1 Pojedyncza grupa zawiera dwa elementy lub więcej Tworzenie nowej grupy
elementów Jeśli grupa zawiera tylko jeden element, najbliżej zlokalizowany
piksel jest klasyfikowany do tej grupy
Grupa 3
Rys. 2.10. Metoda obliczania regresji liniowej [22]
Brandon i Searcy [41] zaprojektowali i zbudowali system sterowania pojazdem, używając rozpowszechnionej już wcześniej techniki kontroli jazdy do sterowania ciągnikiem wzdłuż upraw rzędowych. Algorytm sterowania opracowany przez Reida został zaimplementowany do obliczania pozycji i błędów przesunięcia względem roślin. Dla rzędów roślin dane sterujące wraz z danymi z układu planowania trajektorii były buforowane, do czasu aż pojazd osiągnie właściwy punkt zwrotny. Przeprowadzone testy wykazały, że system mógł wykrywać błędy pozycji. Wadą tych prac badawczych było to, że system wizyjny był
