摘要：针对联合收获机在复杂农田环境下作业劳动强度大、单传感器导航精度容易受到扰动等问题，提出一种基于多传感器融合的自主导航与避障系统。系统采用工业控制计算机，将RTK-GNSS、IMU、3D激光雷达和双目视觉数据相融合，建立时空同步数据处理模型，实现行驶轨迹的高精度跟踪和动态障碍识别。田间试验结果表明，该方法在直线导航中的侧向误差、动静障碍辨识率和避障响应时间等方面皆能满足作业要求，可有效提高联合收获机的智能性和作业安全性。

　　关键词：多传感器融合；联合收获机；自主导航；避障系统；设计与试验

　　无人驾驶农机已成为现代农业发展的一个重要方向。联合收获机作业环境恶劣，粉尘浓度高、振动强度大、光照变化大，田间障碍物多[1]。传统的纯视觉和卫星导航单传感器很难在复杂工况下保持高精度和鲁棒性[2]。因此，探索多源异类传感器信息融合机理，构建高可靠性自主导航和障碍规避系统，是实现无人驾驶农机规模化应用的关键。本文以农业机械的实际需求为背景，探讨多传感器融合的集成控制方法，为无人驾驶农业机械的智能化升级提供技术支持。

　　1.联合收获机自主导航与避障系统总体设计

　　1.1系统功能需求分析

　　联合收获机需要具有厘米级的全天时定位和轨迹跟踪能力，精确控制割幅重叠率，减少能量消耗，提高作业效率。同时，还需要具备全方位的环境感知能力，能够穿越粉尘的干扰，并能主动规避障碍物。此外，由于发动机满载运行和底盘的复杂激励，系统硬件和软件都需要具有很强的抗振和抗干扰能力，同时具备感知、决策和执行的协调能力[3]。

　　1.2总体硬件架构与模块划分

　　为了满足高精度导航和实时避障的苛刻需求，提出了一种基于移动机器人的自主导航和避障系统的硬件结构，整个系统分为三个核心模块，即环境感知层，决策控制层和底层执行层，如图1所示。

　　环境感知层由高精度RTK-GNSS双天线接收机、高频IMU组件、32线阵3D激光雷达和宽动态双目工业相机组成，其中RTK卫星导航系统和IMU负责获取收获机的绝对位姿信息；激光雷达和双目相机可以相互补充，构建密集点云和纹理图像特征的收获机前视区。在决策控制层，以高性能车载边缘计算工业计算机为核心计算单元，搭载以ROS（机器人操作系统）为核心的软件平台，实现多传感器融合算法、局部路径重规划和底层转向控制逻辑的运行。底层执行层利用CAN总线与收获机底盘电控系统深度通信，以电液比例转向阀、电子油门执行器、液压驱动控制电机、制动电磁阀等为主要部件，实现对收获机行驶速度、转向角及紧急制动命令的精确执行。

　　2.多传感器融合算法与导航避障策略
       2.1多源感知数据同步与预处理

　　多传感器数据融合的前提是高精度的空间坐标和时间标记对齐。在时间同步方面，利用RTK-GNSS的秒脉冲信号作为全局时钟参考，实现激光雷达与双目相机同步获取信息数据，消除传感器采样频率不一致引起的时延误差。对于空间同步，采用标定板联合标定方法，分别求取激光雷达坐标系、摄像机坐标系和车体坐标系间的刚体转动和平移矩阵。

　　在数据预处理环节，针对因农田扬尘干扰而产生的激光雷达点云“伪障碍物”问题，引入统计离群点滤波算法和多回波解析机制，有效滤除悬浮颗粒物引起的稀疏噪声。在双目图像中，为了解决逆光、黄昏等弱光环境中出现的图像模糊问题，采用基于直方图均衡的图像增强方法，利用扩展卡尔曼滤波（EKF）对高频IMU加速度、角速度和低频GNSS定位数据进行深度融合，实现在短时间遮挡条件下仍能保持平稳连续的姿态输出。

　　2.2路径跟踪与自主导航控制

　　根据预先规划好的全局全覆盖作业网络，对联合收获机的路径进行跟踪。在大范围田间作业中，以直线为主，辅助田间转向。系统采用改进的自适应前视距离预瞄控制算法，通过实时计算收获机当前形心坐标与目标跟踪轨迹的侧向偏差和航向角偏差，动态地调整前视距离参数。当收获机偏离预定轨迹较大或者行驶速度较快时，为保证机身回转轨迹的平滑性，系统会自动增加前视距离，避免收获机在垄沟中剧烈摆动；在接近目标路径和低速状态下，为提高跟踪精度，减小前视距离[4]。

　　针对收获机底盘液压转向系统中存在死区、迟滞等问题，提出了一种基于前馈与模糊PID相结合的复合转向控制方法，通过收获机当前行驶速度和负载状态实时调整液压转向阀工作状态的控制策略，实现收获机平稳、快速地接近并维持理想行走路径。

　　2.3动态障碍物识别与主动避障机制

　　在复杂的农田环境下，避障可靠度是实现无人驾驶作业的基础[5]。系统使用基于视觉和激光雷达特征层融合的动态障碍物识别方法。首先，采用基于深度学习的目标检测网络如YOLO序列模型，对双目摄像机获取的图像进行快速推理，实现行人、电线杆、农用车辆等典型障碍物的二维边界框识别，并确定其分类可信度。然后，将点云投影到图像平面上，在相应的边框中提取深度信息和几何聚类特征。通过Lidar高精度测距方法，以弥补视觉系统测量距离的不足。

　　系统将障碍物主动避障机制按危险程度分为三个等级。当距离超过设定的安全门限，且在相邻作业线上时，系统只发出声光警报，并维持预定的路径；当障碍物位于当前工作轨道前方，且距离处于减速区域时，系统控制HST机构减速，实时估计障碍物的运动轨迹；对于静态障碍物，系统启动局部重规划算法，生成光滑的局部绕行曲线；当车辆突然闯入应急制动区域时，该系统能立即切断收获机动力，并启动应急制动电磁阀，保证人与车的安全。

　　3.田间试验验证与结果分析

　　3.1试验平台搭建与测试工况设定

　　在某农业标准化示范园区中实践检验设计的新型线控履带式联合收获机实际作业效果。设置常规直线收获（检验跟踪精度）、粉尘扰动（人为制造浓密粉尘，检验抗干扰能力）、动静混杂（放置假人模型和模拟横穿越）。使用第三方的高精度RTK测量设备，记录作业轨迹和避障反应数据。

　　3.2导航精度与避障性能测试结果

　　新型线控履带式联合收获机实际作业性能的表1所示。

　　在不同工作状态下，联合收获机均具备良好的导航和障碍规避性能。在正常工作状态下，直线轨迹跟踪最大侧向误差只有4.2 cm，障碍识别精度达到99.2%，应急制动响应时间小于0.35 s，完全符合操作要求。在恶劣的沙尘环境中，识别率略微下降到94.5%，反应时间略微延长，总体性能仍在安全范围之内，没有发生碰撞事故。试验结果表明，该系统具有很好的鲁棒性和可靠性。

　　4.结语

　　针对无人驾驶联合收获机作业过程中的自动导航和避障问题，研究提出一种基于多传感器融合技术的自主导航和避障系统。通过构建时空数据同步和扩展卡尔曼滤波机制，融合视觉-雷达特征层融合和前视预瞄控制，实现厘米级高精度导航和可靠避障。现场测试结果表明，所设计的系统具有良好的鲁棒性和响应能力。未来，将探索无人机集群协同优化机理和极端气象条件下的自适应容错控制方法，进一步促进农机装备无人化发展。

参考文献：

　　[1]赵立军,代凡程,雷良钥,等.基于滑移率与姿态反馈的丘陵山地联合收割机自适应抗滑控制策略[J].智能化农业装备学报(中英文),2026,7(01):19-30.

　　[2]李加念,吴坤澍,李坤依,等.小麦联合收获机导航路径识别方法研究[J].智能化农业装备学报(中英文),2026,7(01):8-18.

　　[3]李文鑫.联合收割机与运粮车协同作业调度与避障技术研究[D].河北农业大学,2023.

　　[4]汤玲玉,魏新华,童浩,等.联合收割机喂入量检测方法研究[J].农机化研究,2023,45(05):37-42.

　　[5]习晨博.基于深度学习的联合收割机故障诊断系统研究[D].湖北工业大学,2021.