0 引 言
1 自主定位与地图构建技术
表1 设施农业定位常用传感器对比[24]Table 1 Comparison of commonly used sensors for facility agriculture localization |
传感器 | 特点 | 适用环境 |
---|---|---|
RFID读写器 | 能同时识别多个标签,成本低 | 结构简单、面积不大的环境 |
车轮编码器 | 简单可靠,成本低,累积误差大 | 地面平整、干燥的环境 |
IMU | 无需外部参考,精度较高 | 温度变化不大、磁场稳定的环境 |
相机 | 成本较低,提供图像RGB信息 | 纹理信息充足、光照变化小的环境 |
激光雷达 | 成本较高,距离信息精度高 | 几何信息充足、空间开阔的环境 |
1.1 信标定位
1.2 惯性定位
表3 惯性测量单元类型Table 3 Types of inertial measurement unit |
类型 | 测量原件 | 测量参数 |
---|---|---|
三轴IMU | 三轴陀螺仪 | 角速度 |
六轴IMU | 三轴陀螺仪、三轴加速度计 | 角速度、线加速度 |
九轴IMU | 三轴陀螺仪、三轴加速度计、磁力计 | 角速度、线加速度、朝向 |
1.3 基于SLAM技术的定位
1.3.1 视觉SLAM
表4 不同视觉SLAM对比Table 4 Comparison of different visual SLAM |
类型 | 算法 | 匹配目标 | 实时性 | 定位精度 |
---|---|---|---|---|
直接法 | DTAM | 稠密像素 | 较低 | 高 |
LSD-SLAM | 稀疏像素 | 中等 | 高 | |
基于特征 | Mono SLAM | 单目相机特征点 | 高 | 中等 |
ORB-SLAM | ORB特征点 | 高 | 高 | |
RTAM | 模板匹配 | 高 | 中等 |
1.3.2 激光SLAM
表5 不同激光SLAM对比Table 5 Comparison of different LiDAR SLAM |
类型 | 算法 | 硬件成本 | 实时性 | 定位精度 |
---|---|---|---|---|
单线 | Gmapping | 低 | 中等 | 中等 |
Cartographer | 低 | 高 | 高 | |
多线 | LIO-SAM | 高 | 高 | 高 |
Lego-LOAM | 中等 | 高 | 高 | |
Cartographer 3D | 中等 | 高 | 高 |
1.3.3 融合SLAM
1.4 融合定位
表6 定位算法数据融合类型Table 6 Data fusion types of localization algorithms |
类型 | 信息损失 | 抗干扰能力 | 实时性 | 定位精度 |
---|---|---|---|---|
数据级融合 | 少 | 差 | 低 | 高 |
特征级融合 | 中等 | 中等 | 中等 | 中等 |
决策级融合 | 多 | 强 | 高 | 低 |
1.5 小结
2 全局路径规划
表7 设施农业场景中的主要全局路径规划算法Table 7 Global path planning algorithms in facility agriculture |
算法名称 | 优化目标数量 | 优点 | 缺点 |
---|---|---|---|
Dijsktra算法 | 单目标 | 简单,易于实现,能找到最短路径 | 计算效率低,复杂度高 |
A*算法 | 单目标 | 有效利用启发式信息进行搜索 | 需预先知道目标点位置,不适用于动态环境 |
快速扩展随机树(Rapidly-Exploring Random Tree,RRT)算法 | 单目标 | 能够在复杂环境中搜索出连续的路径 | 对高维空间和动态环境的处理能力有限 |
蚁群算法 | 多目标 | 具有分布式、自适应和全局搜索能力 | 收敛速度较慢,对问题规模和参数敏感 |
遗传算法 | 多目标 | 具有全局搜索和对复杂空间的优秀搜索能力 | 需要适当的编码方式和参数设置,收敛速度较慢 |
深度学习算法 | 多目标 | 能够通过学习训练生成高效的路径规划策略 | 训练需要大量的数据和计算资源 |
多目标进化算法 | 多目标 | 能够搜索出帕累托前沿的高质量均衡解 | 收敛速度较慢,需要适当的参数设置和运行时间 |