• 《中国科学引文数据库(CSCD)》来源期刊
  • 中国科技期刊引证报告(核心版)期刊
  • 《中文核心期刊要目总览》核心期刊
  • RCCSE中国核心学术期刊

无人驾驶农机避障路径跟踪仿真与验证

汪沛, 曾思晓, 何杰

汪沛, 曾思晓, 何杰. 无人驾驶农机避障路径跟踪仿真与验证[J]. 华南农业大学学报, 2024, 45(3): 416-426. DOI: 10.7671/j.issn.1001-411X.202308002
引用本文: 汪沛, 曾思晓, 何杰. 无人驾驶农机避障路径跟踪仿真与验证[J]. 华南农业大学学报, 2024, 45(3): 416-426. DOI: 10.7671/j.issn.1001-411X.202308002
WANG Pei, ZENG Sixiao, HE Jie. Simulation and verification for obstacle avoidance path tracking of unmanned agricultural machinery[J]. Journal of South China Agricultural University, 2024, 45(3): 416-426. DOI: 10.7671/j.issn.1001-411X.202308002
Citation: WANG Pei, ZENG Sixiao, HE Jie. Simulation and verification for obstacle avoidance path tracking of unmanned agricultural machinery[J]. Journal of South China Agricultural University, 2024, 45(3): 416-426. DOI: 10.7671/j.issn.1001-411X.202308002

无人驾驶农机避障路径跟踪仿真与验证

基金项目: 科技创新2030“新一代人工智能”重大项目(2021ZD0110902,2021ZD0110905);广东省科技计划(2021B1212040009)
详细信息
    作者简介:

    汪 沛,副教授,博士,主要从事智能农机检测和农情信息采集研究,E-mail: wangpei@scau.edu.cn

    通讯作者:

    何 杰,副教授,博士,主要从事智能农机装备和无人农场关键技术研究,E-mail: hooget@scau.edu.cn

  • 中图分类号: S24;S237

Simulation and verification for obstacle avoidance path tracking of unmanned agricultural machinery

  • 摘要:
    目的 

    为便于验证无人驾驶农机避障路径跟踪的效果,减少实际无人农机试验次数与消耗,设计一种无人驾驶农机避障路径跟踪仿真验证方法,构建一个仿真验证应用系统。

    方法 

    以无人农机为基础,集成真实复杂地形环境仿真、实际作业农机仿真和路径规划算法植入,构建一个一体化仿真验证应用系统。基于三维SLAM技术,采集环境点云数据,实现农田地形环境仿真建模,构建阿克曼转向机械结构的农机仿真建模,提出一种基于农机动力学约束的TEB局部路径规划算法;在仿真验证应用系统中实现路径规划跟踪及避障,并通过多次测试验证该算法的有效性。

    结果 

    避障路径跟踪有效性对比测试和避障路径跟踪平顺性验证测试结果表明,无人农机行驶过程中可有效动态避障,最短有效避障距离为4.1 m。路径跟踪控制效果良好,障碍物距离大于5.0 m时,可控平均误差≤0.4305 m,均方根误差≤0.3151 m;障碍物距离在4.5~5.0 m时,可控误差均值≤1.3538 m,均方根误差≤1.6126 m。

    结论 

    本文提出的改进TEB算法具有较强的作业能力以及较高的作业精度,满足农业机械导航避障路径跟踪仿真验证的需求,该算法可应用于无人农机在实际农田环境的避障路径跟踪。该应用系统易于扩充,为精准农业中针对各种复杂作业环境的农机运作状态的优化设计研究提供基础。

    Abstract:
    Objective 

    In order to facilitate the verification of the effectiveness of obstacle avoidance path tracking for unmanned agricultural machinery, reduce the number of actual unmanned agricultural machine tests and consumables, a simulation verification method for obstacle avoidance path tracking for unmanned agricultural machinery was designed, and a simulation verification application system was constructed.

    Method 

    Based on unmanned agricultural machinery, an integrated simulation and verification application system was constructed by integrating real complex terrain environment simulation, actual operation agricultural machinery simulation, and path planning algorithm implantation. Based on three-dimensional SLAM technology, environmental point cloud data was collected to achieve simulation modeling of farmland terrain environment. A simulation modeling of agricultural machinery was completed using unmanned agricultural machinery combined with ackermann steering mechanical structure. A TEB local path planning algorithm based on agricultural machinery dynamics constraints was proposed. Path planning tracking and obstacle avoidance were implemented in the simulation verification application system, and the effectiveness of the algorithm was verified through multiple tests.

    Result 

    The comparison test of obstacle avoidance path tracking effectiveness and the verification test of obstacle avoidance path tracking smoothness showed that the unmanned agricultural machine could effectively avoid obstacles dynamically during driving, with the shortest effective obstacle avoidance distance of 4.1 m. The path tracking control effect was good. When the distance between obstacles was greater than 5.0 m, the controllable average error was within 0.430 5 m, and the root mean square error was within 0.315 1 m. When the distance between obstacles was 4.5−5.0 m, the controllable average error was within 1.353 8 m, and the root mean square error was within 1.612 6 m.

    Conclusion 

    The improved TEB algorithm proposed in this article has strong operational capability and high operational accuracy, which meets the needs of simulation verification for obstacle avoidance path tracking in agricultural machinery navigation. This algorithm can be applied to obstacle avoidance path tracking of unmanned agricultural machinery in actual farmland environments in the future. This application system is easy to expand and can provide a foundation for the optimization design research of agricultural machinery operation status in precision agriculture for various complex working environments.

  • 广西地处亚热带地区,光热充沛,11月份晚稻收获后农田进入空窗期,利用冬闲田发展马铃薯产业空间大。然而广西冬季雨水偏少,灌水成为制约广西冬种马铃薯产业发展的条件之一。马铃薯实际生产中盲目灌水和过量施肥现象普遍存在,而滴灌施肥可以根据作物需水需肥规律和土壤水分养分状况精确控制灌水量、施肥量和灌水施肥时间,将水分养分直接供应到根区,实现作物“按需灌水施肥”,从而提高作物产量和水分养分利用效率[1],同时滴灌施肥也影响土壤碳组分,因此,研究合适的滴灌施肥模式将为调控土壤碳库提供新的途径。目前常用土壤可溶性有机碳、易氧化有机碳和微生物量碳、碳库管理指数等表征土壤碳库,而水肥管理会影响土壤碳库和酶活性。有研究表明,长期合理施肥显著提高土壤有机碳、易氧化有机碳、可溶性有机碳、微生物量碳含量及碳库管理指数[2],与传统施肥相比,滴灌施肥增加各层次土壤易氧化有机碳和可溶性有机碳含量[3]。其他研究也发现,滴灌施肥对提高土壤易氧化有机碳有积极的作用[4-6]。土壤水分含量影响土壤有机碳矿化速率和外界有机碳分解速率[7],从而使土壤有机碳的含量发生变化。俞华林等[8]发现,适量灌水会增加土壤有机碳含量,但少量或过量灌水降低土壤有机碳矿化速率。当土壤水分过量时,土壤透气性和土壤微生物生长环境变差,土壤中有机碳不易被土壤中的微生物分解,而外界的碳源则易被微生物降解腐烂成有机物质,原有的有机碳不会分解且外源有机碳增加,从而使土壤有机碳含量增加[9]。水肥管理也会影响土壤酶如蔗糖酶、纤维素酶和过氧化氢酶等酶活性,滴灌施肥有利于提高土壤中酶活性[10],而土壤酶活性会影响土壤碳组分。研究发现,各种形态有机碳组分与土壤蔗糖酶和纤维素酶活性均呈显著的正相关关系[11]

    近年来国内外学者较多关注滴灌施肥对马铃薯生长、产量、品质和水分利用效率的影响,而滴灌灌水量和滴灌施肥比例协同作用对种植马铃薯土壤碳库管理指数的影响研究较少,且土壤酶活性如何影响土壤有机碳组分和碳库管理指数有待深入研究。因此,在南宁市防雨棚内开展不同滴灌灌水量和滴灌施肥比例的田间试验,通过测定马铃薯收获后土壤有机碳及活性组分和酶活性,计算土壤碳库管理指数(Carbon pool management index,CPMI),分析土壤有机碳组分和碳库管理指数与酶活性之间的关系,以获得种植马铃薯土壤有机碳库调控的水肥管理模式,并揭示土壤酶活性对土壤有机碳组分和碳库管理指数的影响。

    田间试验在南宁市广西大学校内移动防雨棚中进行,该移动棚通风、透光,可以保障作物生长期间自然光照和温度,通过电控传感器在降雨时遮盖,非降雨时移开。供试土壤为赤红壤,pH6.60(水土质量比2.5∶1.0,pH计法),有机质10.6 g·kg−1(重铬酸钾容量法–外加热法),全氮0.99 g·kg−1(半微量开氏法),碱解氮53.6 mg·kg−1(NaOH碱解扩散法),速效磷68.7 mg·kg−1[0.05 mol·L−1 HCl–0.025 mol·L−1 H2SO4浸提,比色法],速效钾217.9 mg·kg−1(1 mol·L−1中性NH4OAc浸提,火焰光度法),田间持水量30.5%(环刀法),容重1.4 g·cm−3(室内环刀法)[12]。供试马铃薯品种为费乌瑞它。

    依据马铃薯在不同时期的需水规律及前人研究结果[13-14],试验设高、低2种滴灌灌水量,其中,高灌水量:苗期、块茎形成期、块茎膨大期和淀粉积累期土壤含水量分别保持在田间持水量的60%~70%70%~80%75%~85%和50%~60%;低灌水量:苗期、块茎形成期、块茎膨大期和淀粉积累期土壤含水量分别保持在田间持水量的50%~60%、60%~70%70%~80%和40%~50%。设3种滴灌施肥比例,即NK100-0:N、K肥以100%作基肥土施,不追肥;NK70-30:N、K肥以70%作基肥土施,30%作滴灌追肥(苗期7.5%,块茎形成期15%,块茎膨大期7.5%);NK50-50:N、K肥以50%作基肥土施,50%作滴灌追肥(苗期12.5%,块茎形成期25%,块茎膨大期12.5%)。试验共设6个处理,具体如表1所示,每个处理重复3次,共18个小区,每小区面积8.64 m2(3.6 m×2.4 m)。

    表  1  田间试验处理及N、K肥的基、追肥比例
    Table  1.  Treatments for field experiment and radio of base fertilizer and topdressing for N,K fertilizer
    处理
    Treatment
    滴灌灌水量
    Drip irrigation amount
    滴灌施肥比例
    Fertigation ratio
    基肥/%
    Base fertilizer
    追肥 Topdressing/%
    苗期
    Seedling stage
    块茎形成期
    Tuber formation stage
    块茎膨大期
    Tuber expansion stage
    T1 高灌水量
    High irrigation amount
    NK100-0 100 0 0 0
    T2 NK70-30 70 7.5 15 7.5
    T3 NK50-50 50 12.5 25 12.5
    T4 低灌水量
    Low irrigation amount
    NK100-0 100 0 0 0
    T5 NK70-30 70 7.5 15 7.5
    T6 NK50-50 50 12.5 25 12.5
    下载: 导出CSV 
    | 显示表格

    各小区均施用化学肥料N 150 kg·hm−2、P2O5 90 kg·hm−2和K2O 300 kg·hm−2,以及堆沤后牛粪15 t·hm−2。氮肥用尿素[w(N)为 46.4%],磷肥用钙镁磷肥[w(P2O5)为18.0%],钾肥用硫酸钾[w(K2O)为52.0%]。牛粪中养分:w(有机质)为14.3%、w(N)为0.76%、w(P2O5)为0.85%、w(K2O)为0.59%。牛粪和钙镁磷肥全部做基肥土施。灌溉方式采用地表滴灌,滴头流量一致,滴头设在马铃薯植株两侧,用水表计量灌水。N肥和K肥按上述施肥方式施用,事先按设计要求配好肥料溶液,通过滴灌带进行灌溉施肥,灌溉方法采用交替滴灌。

    于2017年11月4日将沤熟牛粪施入试验小区,11月5日翻地,11月10日将部分尿素、钙镁磷肥以及硫酸钾作为基肥土施。11月11日切马铃薯块茎,每个种薯块茎留2~3个芽眼,用质量分数为0.5%的高锰酸钾溶液和丁硫克百威水溶液浸泡拌种后晾干,11月14日播种,12月4日移栽或补齐未发芽位置的马铃薯苗。用TRIME-PICO-IPH TDR水分测定仪(德国IMKO)测定土壤含水量,确保土壤含水量在试验设定范围内。12月6日施苗肥,12月11日进行第一次中耕培土。12月20日施块茎形成肥,12月25日进行第2次培土(培土到植株附近,芽块顶部到垄背顶部达到15~20 cm左右,做成梯形垄)。2018年1月4日,施块茎膨大肥,2月8日喷农药(棉铃虫核型多角体病毒,预防马铃薯晚疫病),试验于2018年3月5日收获马铃薯。

    于3月6日(马铃薯收获后次日)用5点法在马铃薯相邻植株中间采集0~20 cm耕作层土壤,将土样混匀,迅速运回实验室,部分新鲜土样过孔径2 mm筛网,除去根系、砂石等后,保存于4 ℃冰箱,直接用于土壤有机碳组分和酶活性的测定。剩余土样风干后过0.149 mm筛后进行土壤总有机碳含量的测定。

    土壤总有机碳(Total organic carbon,TOC)含量用高温外加热重铬酸钾氧化–容量法测定[12];活性有机碳(Labile organic carbon,LOC)含量用浓度为333 mmol·L−1的高锰酸钾溶液氧化土样,并于565 nm下通过测定光密度得到[12];微生物量碳(Microbial biomass carbon,MBC)和可溶性有机碳(Dissolved organic carbon,,DOC)含量分别用三氯甲烷熏蒸和不用三氯甲烷熏蒸后,用浓度为0.5 mol·L−1硫酸钾溶液提取,采用高温外加热重铬酸钾氧化–容量法测定[12]

    土壤蔗糖酶活性用3,5–二硝基水杨酸溶液比色法测定,其活性以1 g干土1 d生成葡萄糖的质量(mg)表示;纤维素酶活性也用3,5–二硝基水杨酸溶液比色法测定,以1 g干土3 d生成葡萄糖的质量(mg)表示1个活性单位(U);过氧化氢酶活性用高锰酸钾滴定法测定,其活性以1 g干土消耗浓度为0.02 mol·L−1的KMnO4溶液体积(mL)表示,3种酶活性测定的具体操作步骤见《土壤酶及其研究法》[15]

    土壤碳库指数(Carbon pool index,CPI)和碳库管理指数的计算参照杜爱林等[16]的方法进行。

    试验数据采用Excel 2016和SPSS 24.0软件进行分析。方差分析包括滴灌灌水量和滴灌施肥比例主效应,以及它们之间的交互效应。用Duncan’s法对不同处理进行多重比较。用Pearson相关系数表示土壤总有机碳及其组分和碳库管理指数与酶活性之间的相关性。

    表2方差分析可知,滴灌灌水量和滴灌施肥。比例对土壤总有机碳(TOC)影响显著(P<0.05)。土壤TOC质量分数在5.46~7.12 g·kg−1之间。多重比较结果显示,相同滴灌施肥比例下,高灌水量土壤TOC含量显著高于低灌水量土壤。在高灌水量下,NK50-50施肥处理土壤TOC含量分别比NK100-0和NK70-30处理提高15.2%和7.1%。在低灌水量下,NK50-50施肥处理土壤TOC含量比NK100-0和NK70-30处理提高12.6%和9.8%。

    表  2  不同处理对土壤有机碳及其组分的影响1)
    Table  2.  Effects of different treatments on soil organic carbon and its components
    处理
    Treatment
    滴灌灌水量
    Drip irrigation amount
    滴灌施肥比例
    Fertigation ratio
    w/(g·kg−1) w/(mg·kg−1)
    总有机碳
    Total organic carbon(TOC)
    活性有机碳
    Labile organic carbon(LOC)
    可溶性有机碳
    Dissolved organic carbon(DOC)
    微生物量碳
    Microbial biomass carbon(MBC)
    T1 高灌水量
    High irrigation amount
    NK100-0 6.18±0.15bc 0.44±0.03b 323.0±57.0ab 374.8±25.3ab
    T2 NK70-30 6.65±0.24ab 0.49±0.01b 369.5±27.5a 384.8±20.3a
    T3 NK50-50 7.12±0.24a 0.55±0.02a 328.7±14.8ab 370.6±3.1b
    T4 低灌水量
    Low irrigation amount
    NK100-0 5.46±0.15d 0.43±0.01b 189.5±49.8b 325.8±8.5b
    T5 NK70-30 5.60±0.16cd 0.44±0.01b 241.3±93.5ab 343.0±9.6ab
    T6 NK50-50 6.15±0.18bc 0.47±0.01b 215.6±7.6ab 324.1±18.7b
    显著性检验
    (P值)
    Significance test
    (P value)
    滴灌灌水量 Drip irrigation amount 0.004 0.008 0.011 0.005
    滴灌施肥比例 Fertigation ratio 0.001 0.003 0.626 0.567
    滴灌灌水量×滴灌施肥比例
    Drip irrigation amount × Fertigation ratio
    0.674 0.125 0.979 0.975
     1) 同列数据后的不同小写字母表示处理间差异显著 (P<0.05,Duncan’s法)
     1) Different lowercase letters in the same column indicate significant differences among treatments (P<0.05,Duncan’s test)
    下载: 导出CSV 
    | 显示表格

    滴灌灌水量和滴灌施肥比例对土壤活性有机碳(LOC)影响显著(P<0.05)(表2)。土壤LOC质量分数介于0.43~0.55 g·kg−1之间。NK50-50下,高灌水量土壤LOC含量显著高于低灌水量土壤。高灌水量下,NK50-50处理土壤LOC含量较NK100-0增加25.0%,且差异显著,而在低灌水量下,不同滴灌施肥比例土壤LOC含量之间的差异并不显著。

    滴灌灌水量对于土壤可溶性有机碳(DOC)影响显著(P<0.05)(表2)。土壤DOC质量分数介于189.5~369.5 mg·kg−1之间。相同滴灌施肥比例下,高灌水量土壤DOC含量与低灌水量土壤之间的差异不显著,相同滴灌灌水量下,不同滴灌施肥比例土壤DOC含量之间的差异也不显著。低灌水量下,NK70-30土壤DOC含量比NK100-0高27.3%。

    滴灌灌水量对土壤微生物量碳(MBC)影响显著(P<0.05)(表2)。土壤MBC质量分数在324.1~384.8 mg·kg−1之间。相同滴灌施肥比例下,高灌水量土壤MBC含量与低灌水量土壤MBC含量之间的差异不显著;相同滴灌灌水量下,不同滴灌施肥比例土壤MBC含量之间的差异也不显著。

    此外,滴灌灌水量和滴灌施肥比例之间的交互作用对土壤TOC、LOC、DOC和MBC含量的影响均不显著(P>0.05)。T3处理土壤TOC和LOC含量相对较高,而T2处理土壤DOC和MBC含量相对较高。在相同滴灌施肥比例下,高灌水量土壤有机碳及其组分较低灌水量土壤高。

    表3方差分析可知,滴灌灌水量对土壤蔗糖酶活性影响显著(P<0.05),但滴灌施肥比例和滴灌灌水量×滴灌施肥比例对土壤蔗糖酶活性的影响并不显著(P>0.05)。多重比较结果显示,NK100-0和NK50-50下,高灌水量土壤蔗糖酶活性较相应低灌水量土壤分别提高18.9%和18.2%,但差异不显著。土壤蔗糖酶活性以T3处理较高。

    表  3  不同处理对土壤酶活性的影响1)
    Table  3.  Effects of different treatments on soil enzyme activity
    处理
    Treatment
    滴灌灌水量
    Drip irrigation amount
    滴灌施肥比例
    Fertigation ratio
    蔗糖酶活性/(mg·g−1·d−1)
    Sucrase activity
    纤维素酶活性/U
    Cellulase activity
    过氧化氢酶活性/(mL·g−1)
    Catalase activity
    T1 高灌水量
    High irrigation amount
    NK100-0 7.17±0.36ab 0.73±0.06a 0.45±0.03a
    T2 NK70-30 7.29±0.14a 0.75±0.04a 0.47±0.03a
    T3 NK50-50 7.39±0.24a 0.75±0.03a 0.46±0.02a
    T4 低灌水量
    Low irrigation amount
    NK100-0 6.03±0.56b 0.64±0.06a 0.39±0.06a
    T5 NK70-30 6.30±0.18ab 0.67±0.06a 0.45±0.04a
    T6 NK50-50 6.25±0.44ab 0.66±0.03a 0.44±0.04a
    显著性检验
    (P值)
    Significance
    Test
    (Pvalue)
    滴灌灌水量 Drip irrigation amount 0.003 0.062 0.311
    滴灌施肥比例 Fertigation ratio 0.799 0.906 0.602
    滴灌灌水量×滴灌施肥比例
    Drip irrigation amount × Fertigation ratio
    0.969 0.999 0.873
     1)同列数据后的不同小写字母表示处理间差异显著 (P<0.05,Duncan’s法)
     1) Different lowercase letters in the same column indicate significant differences among treatments (P<0.05,Duncan’s test)
    下载: 导出CSV 
    | 显示表格

    滴灌灌水量、滴灌施肥比例以及滴灌灌水量×滴灌施肥比例对土壤纤维素酶和过氧化氢酶活性的影响均不显著(P>0.05)(表3)。各处理土壤纤维素酶和过氧化氢酶活性之间的差异不显著。

    表4方差分析可知,滴灌灌水量对土壤碳库指数影响显著(P<0.05),但对碳库管理指数(CPMI)影响不显著(P>0.05)。滴灌施肥比例对土壤CPI和CPMI影响均不显著(P>0.05)。滴灌灌水量×滴灌施肥比例对土壤CPI和CPMI均有显著影响(P<0.05)。

    在相同滴灌施肥比例下,高灌水量土壤CPI和CPMI均高于低灌水量土壤。高灌水量下,NK50-50施肥处理土壤的CPI和CPMI比NK100-0分别提高15.1%和25.8%;低灌水量下,NK50-50施肥处理土壤的CPI和CPMI比NK100-0分别提高12.6%和8.4%。土壤CPI和CPMI以T3处理最高。

    土壤有机碳及其组分和碳库管理指数与酶活性之间的相关性分析结果如表5所示。土壤TOC、DOC、MBC和CPI均与蔗糖酶活性之间呈显著正相关(相关系数分别为0.61,0.48,0.46和0.60),而土壤碳库指数与其他2种酶活性之间的相关性均不显著。

    表  4  不同处理对土壤碳库管理指数的影响1)
    Table  4.  Effects of different treatments on soil carbon pool management index
    处理
    Treatment
    滴灌灌水量
    Drip irrigation amount
    滴灌施肥比例
    Fertigation ratio
    碳库指数
    Carbon pool index
    (CPI)
    碳库管理指数
    Carbon pool management index
    (CPMI)
    T1 高灌水量
    High irrigation amount
    NK100-0 1.26±0.03bc 121.65±7.57b
    T2 NK70-30 1.35±0.05ab 134.36±4.23b
    T3 NK50-50 1.45±0.05a 153.04±5.71a
    T4 低灌水量
    Low irrigation amount
    NK100-0 1.11±0.03d 120.08±4.93b
    T5 NK70-30 1.14±0.03cd 122.43±4.23b
    T6 NK50-50 1.25±0.04bc 130.19±2.63b
    显著性检验
    (P值)
    Significance test
    (P value)
    滴灌灌水量 Drip irrigation amount 0.001 0.111
    滴灌施肥比例 Fertigation ratio 0.113 0.194
    滴灌灌水量×滴灌施肥比例
    Drip irrigation amount × Fertigation ratio
    0.000 0.001
     1)同列数据后的不同小写字母表示处理间差异显著(P<0.05,Duncan’s法)
     1)Different lowercase letters in the same column indicate significant differences among treatments (P<0.05,Duncan’s test)
    下载: 导出CSV 
    | 显示表格
    表  5  土壤有机碳及其组分含量和碳库管理指数与酶活性的相关性分析1)
    Table  5.  Correlation analyses of soil organic carbon and fraction contents and carbon pool management index with enzyme activity
    指标
    Index
    蔗糖酶
    Sucrase
    纤维素酶
    Cellulase
    过氧化氢酶
    Catalase
    总有机碳 Total organic carbon (TOC) 0.61** 0.24 0.33
    活性有机碳 Labile organic carbon (LOC) 0.29 0.23 0.14
    可溶性有机碳 Dissolved organic carbon (DOC) 0.48* 0.02 0.29
    微生物量碳 Microbial biomass carbon (MBC) 0.46* 0.29 0.03
    碳库指数 Carbon pool index (CPI) 0.60** 0.24 0.31
    碳库管理指数 Carbon pool management index (CPMI) 0.23 0.24 0.20
     1)“*”和“**”分别表示达0.05和0.01水平的显著相关(n=3,Pearson法)
     1)“*” and “**” indicate significant correlations at 0.05 and 0.01 levels, respectively(n=3, Pearson method)
    下载: 导出CSV 
    | 显示表格

    本研究表明,在相同滴灌灌水量下,与NK100-0相比,NK50-50和NK70-30滴灌施肥下的土壤TOC、LOC和DOC含量都有所提高。NK100-0处理土壤总有机碳及其组分含量等都较低,原因是该处理的肥料全部用作基肥施入土壤,后期养分供应不足,而且部分N肥易通过挥发或反硝化损失,影响N肥施用效果。而NK50-50和NK70-30交替灌溉追施N、K肥使两侧根区土壤处于交替干燥和湿润状态,在提供作物所需水分和养分的同时,使根区土壤处于良好的通气状态,为土壤微生物提供了有益的生存条件,故交替滴灌施肥比例的增加有利于土壤有机碳组分的增加[17];再加上在马铃薯成熟期化学N、K肥配施能够促进作物根系生长,通过增加地下生物量来提高土壤有机质含量,进而有助于有机碳及其组分的增加[18]

    本研究表明,滴灌灌水量对于土壤有机碳及其组分的影响都达到显著水平。在相同滴灌施肥比例下,高灌水量土壤TOC、LOC、DOC和MBC含量都高于低灌水量土壤。相关研究发现,土壤含水量从土壤含水量<50%变成50%~100%时,土壤微生物活性通常会受到抑制,使土壤有机碳矿化分解缓慢,进而使土壤有机碳及其组分增加[19]

    土壤碳库管理指数作为反映土壤碳素动态变化灵敏而有效的指标,与土壤有效碳的关系密切,可反映和评估土壤碳素动态变化[20]。土壤碳库管理指数可用于衡量土壤质量,CPMI值越大,表明土壤质量越好[21]。本研究表明,在相同的灌水量下,NK50-50施肥处理土壤的CPI和CPMI均高于NK100-0,说明提高滴灌施肥比例会增加土壤CPMI,这与滕秋梅等[22]和张鹏等[23]的研究结果一致。说明适量N、K肥的加入可促进植物生长,增强土壤养分循环功能。究其原因,可能是N、K肥施入后主要提高的是LOC含量,导致碳库管理指数较高。凋落物和根系分泌物转化为有机质时,一部分有机质活化后为植物生长提供养分,一部分有机质转化为惰性碳库固存下来,这2个比例维持在一定范围内[24]

    土壤酶在土壤养分周转及土壤功能稳定中有重要作用。在影响土壤酶活性因子中,土壤水分对酶活性的影响具有异质性。本研究表明,土壤蔗糖酶活性在高灌水量下较高,说明灌水量的增加会提高土壤蔗糖酶活性,这与田幼华等[25]、高丽敏等[26]研究结果一致,但与万忠梅等[27]的研究结果相反,这可能是由于不同作物的需水量不同。而本研究结果可能是因为土壤水分的增加,加快了微生物胞外酶和底物的运输速率,可为酶促反应提供良好的反应环境,进而蔗糖酶和纤维素酶活性得到提高[28]。但滴灌施肥比例对土壤蔗糖酶、纤维素酶、过氧化氢酶活性的影响不显著,这与大多数研究结果并不相同。这可能是由于本研究是在相同的施肥量下,滴灌施肥比例对各种酶活性的影响较小;而大多数研究是通过设置不同的施肥梯度实现的。

    蔗糖酶对蔗糖分解的催化作用具有专一性,能将土壤中蔗糖分子分解成果糖和葡萄糖,为土壤微生物提供营养物质,促进土壤有机碳积累与分解转化,从而直接或者间接地影响有机碳矿化过程[29]。本研究表明,土壤总有机碳与蔗糖酶活性呈极显著正相关,以往研究也有相似的结果[30],说明土壤蔗糖酶活性影响土壤有机碳的积累。本研究发现,土壤有机碳组分与纤维素酶和过氧化氢酶活性之间的关系不显著,然而,马瑞萍等[11]对黄土高原不同植物群落土壤团聚体中有机碳和酶活性研究表明,土壤纤维素酶活性与各种组分有机碳之间的关系均呈显著正相关。张英英[31]研究发现,不同耕作措施下甘肃旱地农田0~30 cm土层土壤活性有机碳与纤维素酶和过氧化物酶活性之间的关系呈显著正相关,与本试验结果不同,可能是试验条件和土壤类型不同的原因所致。

    综上所述,在高灌水量(苗期、块茎形成期、块茎膨大期和淀粉积累期土壤含水量分别保持在田间持水量的60%~70%70%~80%、75%~85%和50%~60%)和NK50-50施肥处理(N、K肥以50%作基肥土施,50%作滴灌追肥)下土壤总有机碳及其组分、蔗糖酶活性和碳库管理指数较高,因此,高灌水量和N、K肥基、追肥比50∶50处理为广西冬种马铃薯种植土壤有机碳库调控的水肥耦合模式。此外,土壤TOC、DOC、MBC含量和CPI均与蔗糖酶活性呈显著正相关,说明土壤蔗糖酶活性会影响土壤有机碳及其组分。

  • 图  1   3D激光雷达测量目标示意图

    P为测量点的坐标; OZ为雷达信号接收端坐标原点; $\alpha $为方位角; $\theta $为仰角

    Figure  1.   Schematic diagram of 3D LiDAR measurement target

    P is the coordinate of the measurement point; OZ is the coordinate origin of the radar signal receiving end; $\alpha $ is the azimuth angle; $\theta $ is the elevation angle

    图  2   农田环境点云图

    Figure  2.   Point cloud map of farmland environment

    图  3   阿克曼结构转向示意图

    α为左前轮转向角;β为右前轮转向角;K为后轮两轮距; L为前后轮旋转轴轴距;R为转弯半径;vl为左后轮线速度;vr为右后轮线速度

    Figure  3.   Schematic diagram of ackermann structure turning

    α is the left front wheel steering angle; β is the right front wheel steering angle; K is the wheelbase of the two rear wheels; L is the wheelbase of rotation axis for front and rear wheel; R is the turning radius; vl is the linear speed of the left rear wheel; vr is the linear speed of the right rear wheel

    图  4   农机模型机械结构

    Figure  4.   Mechanical structure of agricultural machinery models

    图  5   运动控制系统节点关系

    Figure  5.   Node relationships in motion control system

    图  6   导航过程示意图

    全局路径以紫色曲线表示,局部路径规划以农机行驶时沿实际运动方向的绿色短线表示

    Figure  6.   Navigation process diagram

    The global path is represented by a purple curve, while the local path planning is represented by a green short line along the actual movement direction of theagricultural machinery during operation

    图  7   避障成功率

    Figure  7.   Obstacle avoidance success rate

    图  8   避障路径规划

    图中紫色曲线为农机自起点至终点的全局路径;绿色曲线为局部路径修正的全局路径

    Figure  8.   Path planning of obstacle avoidance

    The purple curve in the figure is the global path planned from the starting point to the end point of the agricultural maehinery; The green curve is the global path corrected by the local path

    图  9   距障碍物不同距离时实际行驶路径与规划路径的相对误差

    Figure  9.   Relative errors between the actual driving path and planned path of obstacles at different distances

  • [1] 罗锡文, 廖娟, 胡炼, 等. 我国智能农机的研究进展与无人农场的实践[J]. 华南农业大学学报, 2021, 42(6): 8-17.
    [2] 尚业华, 王昊, 孟志军, 等. 基于激光雷达的稻麦收获边界检测与自动对齐系统研究[J]. 农业机械学报, 2023, 54(5): 19-28.
    [3] 张朝宇, 董万静, 熊子庆, 等. 履带式油菜播种机模糊自适应纯追踪控制器设计与试验[J]. 农业机械学报, 2021, 52(12): 105-114.
    [4] 丛佩超, 崔利营, 万现全, 等. 基于改进ORB-SLAM2的果园喷药机器人定位与稠密建图算法[J]. 农业机械学报, 2023, 54(7): 45-55.
    [5] 刘慧, 段云鹏, 沈跃. 果园移动机器人激光雷达双源信息融合实时导航方法[J]. 农业机械学报, 2023, 54(8): 249-258.
    [6] 齐咏生, 姚辰武, 刘利强, 等. 基于信息融合描述子的机器人复杂场景位姿估计算法[J]. 农业机械学报, 2022, 53(10): 293-305.
    [7] 陈子文, 胡宗锐, 熊扬凡, 等. 树冠环绕式仿形对靶施药机设计与试验[J]. 农业工程学报, 2023, 39(3): 23-32.
    [8] 刘慧, 张世义, 段云鹏, 等. 基于改进双向RRT~*的果园机器人运动规划算法[J]. 农业机械学报, 2022, 53(11): 31-39.
    [9] 胡炼, 王志敏, 汪沛, 等. 基于激光感知的农业机器人定位系统[J]. 农业工程学报, 2023, 39(5): 1-7.
    [10] 郑路, 张啸, 王建国, 等. 基于宏微结合的田间作业机器人路径规划[J]. 农业机械学报, 2023, 54(9): 13-26.
    [11] 郑凯林, 韩宝玲, 王新达. 基于改进TEB算法的阿克曼机器人运动规划系统[J]. 科学技术与工程, 2020, 20(10): 3997-4003.
    [12] 王宾. 基于RRT的虚拟现实环境中ROS机器人路径规划研究[J]. 呼伦贝尔学院学报, 2023, 31(1): 112-116.
    [13] 郑凯强. 基于软件定义的VR控制无人车架构研究[D]. 杭州: 浙江理工大学, 2022.
    [14] 李献雯. 基于数字孪生的病害路面交通场景建模[D]. 西安: 西安工业大学, 2023.
    [15] 王辉, 王桂民, 罗锡文, 等. 基于预瞄追踪模型的农机导航路径跟踪控制方法[J]. 农业工程学报, 2019, 35(4): 11-19.
    [16] 胡子威. 基于多线激光雷达的室外移动机器人SLAM研究与实现[D]. 上海: 上海师范大学, 2023.
    [17]

    FAN X, WANG Y, ZHANG Z. An evaluation of lidar-based 2D SLAM techniques with an exploration mode[J]. Journal of Physics: Conference Series, 2021, 1905(1): 012021. doi: 10.1088/1742-6596/1905/1/012021.

    [18]

    SUPOD K, MONGKOL E, UKRIT T. High-accuracy position-aware robot for agricultural automation using low-cost IMU-coupled triple-laser-guided (TLG) system[J]. IEEE Access, 2021, 9: 54325-54337.

    [19] 陆海英, 张成铭, 郭艳秋, 等. 基于阿克曼原理的三轴车辆全轮转向最优控制[J]. 广西大学学报(自然科学版), 2020, 45(3): 558-568.
    [20] 宫金良, 马全坤, 张彦斐. 阿克曼转向农业机器人的多级模糊控制避障[J]. 农机化研究, 2021, 43(4): 196-201.
    [21] 李萍, 杨晓辉, 房启飞, 等. 基于阿克曼理论的四轮转向汽车转向梯形优化设计[J]. 北京汽车, 2021(3): 16-20.
    [22]

    YANG L G, CHI H F. SLAM self: Cruise vehicle based on ROS platform[C]//2021 IEEE International Conference on Consumer Electronics and Computer Engineering (ICCECE). Guangzhou, China: IEEE, 2021: 6-11. doi: 10.1109/ICCECE51280.2021.9342204

    [23] 张文玥, 娄小平, 陈福笛. 移动机器人多传感器融合定位仿真研究[J]. 计算机仿真, 2023, 40(3): 436-441.
    [24]

    LIN Z N, YUE M, CHEN G Y , et al. Path planning of mobile robot with PSO-based APF and fuzzy-based DWA subject to moving obstacles[J]. Transactions of the Institute of Measurement and Control, 2022, 44(1): 121-132. doi: 10.1177/01423312211024798

  • 期刊类型引用(3)

    1. 罗锡文,谷秀艳,胡炼,赵润茂,岳孟东,何杰,黄培奎,汪沛. 大田无人化智慧农场农田边界识别技术研究现状与展望. 农业机械学报. 2025(02): 1-18 . 百度学术
    2. 冯国练. 无人驾驶农机路径跟踪控制方法探索研究. 现代农机. 2025(02): 68-70 . 百度学术
    3. 寇浩,曲双为. 基于AHP-FCE的花椒采摘机器人设计. 工业设计. 2024(06): 146-150 . 百度学术

    其他类型引用(1)

图(9)
计量
  • 文章访问数:  1314
  • HTML全文浏览量:  75
  • PDF下载量:  68
  • 被引次数: 4
出版历程
  • 收稿日期:  2023-08-01
  • 网络出版日期:  2024-03-03
  • 发布日期:  2024-04-01
  • 刊出日期:  2024-05-09

目录

/

返回文章
返回