CN115407656A - 基于动态自适应lqr的智能农机自主作业控制方法及系统 - Google Patents

Abstract

本发明提出一种基于动态自适应LQR的智能农机自主作业控制方法，包括：建立智能农机的运动模型，并基于LQR算法生成该运动模型的目标函数，建立关于该目标函数的状态权重矩阵和控制权重矩阵的动态调整模型；在该智能农机的工作过程中，获取该智能农机于当前时刻的位姿态信息，根据该位姿态信息以该动态调整模型调整该状态权重矩阵和该控制权重矩阵；以调整后的目标函数解算出当前时刻的航向偏差控制量，并以该航向偏差控制量对该智能农机进行运行控制。本发明还提出一种基于动态自适应LQR的智能农机自主作业控制系统，以及一种用于智能农机自主作业控制的数据处理装置。

Description

基于动态自适应LQR的智能农机自主作业控制方法及系统

技术领域

本发明属于智能农机技术领域，具体涉及一种基于LQR算法的智能农机自主作业控制方法及系统。

背景技术

中国是农业大国，农业产业是我国主要的经济产业之一。然而受到全球疫情的影响，粮食安全、农业发展愈发受到学术界和公众的关心。要保粮食安全，促进农业的稳定发展，要结合整个农业的生产过程，从制约方面入手，提高效率，节省劳动力。因此，使用无人驾驶农机(简称：智能农机)用于农业作业管理成为了热门的研究。智能农机在运行过程中，决策控制算法更是重中之重。

智能农机通过感知环境、定位、规划路径、实时跟踪完成特定的作业任务，成熟的控制决策方法能够极大的提高智能农机的作业质量，提高作业效率，传统的控制算法有PID、MPC、LQR等控制算法，传统的PID算法将比例、积分、微分三种环节结合在一起进行控制，但是该算法作为单输入变量进行调控，面对横向误差、航向误差等多输入变量的调控存在不足，面对多输入变量时，LQR、MPC等控制算法有更好的表现。

线性二次调节器(linear quadratic regulator，LQR)，以现代控制理论中的状态空间表达式为基础，通过最优控制理论设计目标函数，求解出状态反馈控制器，而反馈控制由LQR算法的Q、R矩阵唯一确定。而且概算法易于构成最优控制，方便农机稳、准、快的实现作业任务。

模型预测控制(Model Predictive Control,MPC)，与LQR算法一样也是一种多变量控制策略，MPC算法包含三个步骤，包括预测未来动态、求解最优化，通过滚动矫正进行反复求解、反馈矫正，计算当前时刻的最佳动作值。通过当前时刻的状态值，进行预测计算，求多未来多个时刻的控制指令，只取最近时刻的控制指令，当再次计算控制指令时，再次进行预测，计算未来时刻的控制指令，进行滚动优化，需要大量的计算，精确对输入变量有较大变化率的情形有准确的控制。

农业场景对智能农机的控制决策提出的基础技术需求为：(1)降低与目标作业路径之间的横向与朝向误差；(2)保证作业质量与效率。此外，随着农田场景下的无人驾驶定位精度的提高，智能农机的控制决策技术也需要达到相应的性能指标。例如在满足作业速度的同时，要满足作业精度在3厘米左右，这对平衡横向误差与朝向误差的权重参数和曲线跟踪效果提出了挑战。传统PID算法只能处理单输入变量的问题，无法较好应用在农机跟踪这种需要调控多输入变量的场景，且应用PID算法时需要跟踪较远距离点之外的预瞄点，角度变换量较小，难以进行单变量调控，在转弯时刻容易发生目标点丢失。MPC算法通过预测，在获取农机精确建模的条件下，能够精确地完成农机状态的跟踪预测控制，但是农机在跟踪作业控制时，横向误差的变化率小，对未来时刻的状态预测需求性低，且由于作业环境无法精确获取，预测的结果无法结合环境，需要大量计算，在低成本设备上运行时实时性较差。LQR算法虽然也需要精确的模型，但是只计算当前状态时刻下的最优动作值，在预测多个时刻最优控制值时可保证较低的计算复杂度，方便实现且成本低廉，适合智能农机跟踪直线时，横向误差变化小的情况。

发明内容

针对现有技术中的智能农机作业精度低、效果差等难题，本发明提出了一种基于动态自适应LQR算法的智能农机自主作业控制方法，包括：建立智能农机的运动模型，并基于LQR算法生成该运动模型的目标函数，建立关于该目标函数的状态权重矩阵和控制权重矩阵的动态调整模型；在该智能农机的工作过程中，获取该智能农机于当前时刻的位姿态信息，根据该位姿态信息以该动态调整模型调整该状态权重矩阵和该控制权重矩阵；以调整后的目标函数解算出当前时刻的航向偏差控制量，并以该航向偏差控制量对该智能农机进行运行控制。

本发明所述的智能农机自主作业控制方法，其中该状态权重矩阵Q＝diag[q₁,q₂,q₃]，该控制权重矩阵R＝[γ₁]；该动态调整模型包括：

γ₁＝k_v·v

q₁为相对于世界坐标系中X方向的偏差权重值，q₂为相对于世界坐标系中Y方向的偏差权重值，q₃为相对于世界坐标系中航向偏差的权重值，γ₁表示对该智能农机控制动作的输出限制；Q_ψ为动态补偿值，k_ey为横向权重调整系数，k_ψ为朝向权重调整系数，e_y为当前时刻该智能农机与最近预瞄点的横向误差，e_ψ为当前时刻该智能农机与该最近预瞄点的航向角误差，e_yth为当前时刻该智能农机与该最近预瞄点的横向误差上限，e_ytl为补偿权重的横向误差下限，e_ψth为朝向误差上限，q_{1_max}为预设的q₁最大值，q_{3_max}为预设的q₃最大值，k_v为输出权重调整系数，v为该智能农机的期望速度。

本发明所述的智能农机自主作业控制方法，其中通过该智能农机在世界坐标系中状态变化与速度、角度的关系，建立该智能农机的阿克曼运动模型：

通过该阿克曼运动模型整理获得该智能农机于采样时间T时的状态量

控制量u＝[v,ω]，该智能农机的运动学方程：

其中，

为该智能农机的航向角，ω为该智能农机的横摆角速度，

为该智能农机在世界坐标系X方向上的瞬时变化量，

为该智能农机在世界坐标系Y方向上的瞬时变化量，r为该智能农机在当前速度与横摆角速度下的转向半径，δ为该智能农机的前轮转向角度，l为该智能农机的轴长。

本发明所述的智能农机自主作业控制方法，其中该目标函数

本发明还提出一种基于动态自适应LQR的智能农机自主作业控制系统，包括：模型构建模块，用于建立智能农机的运动模型，并基于LQR算法生成该运动模型的目标函数，建立关于该目标函数的状态权重矩阵和控制权重矩阵的动态调整模型；权重调整模块，用于在该智能农机的工作过程中，获取该智能农机于当前时刻的位姿态信息，根据该位姿态信息以该动态调整模型调整该状态权重矩阵和该控制权重矩阵；运行控制模块，用于以调整后的目标函数解算出当前时刻的航向偏差控制量，并以该航向偏差控制量对该智能农机进行运行控制。

本发明所述的智能农机自主作业控制系统，其中该状态权重矩阵Q＝diag[q₁,q₂,q₃]，该控制权重矩阵R＝[γ₁]；该动态调整模型包括：

γ₁＝k_v·v_r

q₁为相对于世界坐标系中X方向的偏差权重值，q₂为相对于世界坐标系中Y方向的偏差权重值，q₃为相对于世界坐标系中航向偏差的权重值，γ₁表示对该智能农机控制动作的输出限制；Q_ψ为动态补偿值，k_ey为横向权重调整系数，k_ψ为朝向权重调整系数，e_y为当前时刻该智能农机与最近预瞄点的横向误差，e_ψ为当前时刻该智能农机与该最近预瞄点的航向角误差，e_yth为当前时刻该智能农机与该最近预瞄点的横向误差上限，e_ytl为补偿权重的横向误差下限，e_ψth为朝向误差上限，q_{1_max}为预设的q₁最大值，q_{3_max}为预设的q₃最大值，k_v为输出权重调整系数，v为该智能农机的期望速度。

本发明所述的智能农机自主作业控制系统，其中该模型构建模块中，通过该智能农机在世界坐标系中状态变化与速度、角度的关系，建立该智能农机的阿克曼运动模型：

通过该阿克曼运动模型整理获得该智能农机于采样时间T时的状态量

控制量u＝[v,ω]，该智能农机的运动学方程：

其中，

为该智能农机的航向角，ω为该智能农机的横摆角速度，

为该智能农机在世界坐标系X方向上的瞬时变化量，

为该智能农机在世界坐标系Y方向上的瞬时变化量，r为该智能农机在当前速度与横摆角速度下的转向半径，δ为该智能农机的前轮转向角度，l为该智能农机的轴长。

本发明所述的智能农机自主作业控制系统，其中该目标函数

本发明还提出一种计算机可读存储介质，存储有计算机可执行指令，其特征在于，当该计算机可执行指令被执行时，实现如前所述的基于LQR算法的智能农机自主作业控制方法。

本发明还提出一种数据处理装置，包括如前所述的计算机可读存储介质，当该数据处理装置的处理器调取并执行该计算机可读存储介质中的计算机可执行指令时，执行基于动态自适应LQR算法的智能农机自主作业控制。

附图说明

图1是本发明的基于LQR算法的智能农机自主作业控制方法流程图。

图2是本发明的基于LQR算法的智能农机自主作业控制系统示意图。

图3是本发明的数据处理装置示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图，对本发明进一步详细说明。应当理解，此处所描述的具体实施方法仅仅用以解释本发明，并不用于限定本发明。

发明人用LQR算法进行农机决策控制研究时，发现传统的PID控制农机进行农机控制决策时，由于使用与单输入变量，需要前置预瞄点形成有效跟踪偏航角，从而进行调控输出指令；转弯时常发生预瞄点跟踪丢失，由于各环节调节效果相互影响，需要大量时间调节，且跟踪精度不理想，积分环节参数难以把控，容易存在稳态误差的问题；此外，LQR算法在做智能农机控制决策时，由于存在Q、R矩阵的参数调优，调节时间长，效果上还往往难以达到预期。

发明人经过对LQR算法研究发现，解决上述缺陷可以引用LQR算法作为农机作业控制策略，跟踪效果更好，转向时不容易丢失预描点。通过最优控制理论所建立的目标函数，求解的反馈矩阵能够更好控制农机稳、快的跟踪目标点；根据横向误差e_y与航向误差e_ψ的变化，建立数学模型，动态调节LQR算法中Q矩阵中的状态权重值q₁,q₂,q₃，再将速度与LQR算法中R矩阵中的角度输出权重γ₁进行建模，依据速度大小，增大对角度的输出限制，优化跟踪效果。

基于上述问题，本发明通过分析智能农机模型的运动学状态空间表达式，建立最优目标函数，将LQR算法迁移应用在智能农机作业路径跟踪决策中，并对LQR算法中的Q、R矩阵依据测试数据建立数学模型，进行动态参数修正，使其能够达到实际的应用需求。

针对LQR算法的状态权重与输出权重调节时，通过对智能农机大量测试，获取数据，建立了动态参数修正数学模型，依据当前时刻智能农机与目标点之间的横向距离e_y、航向差角e_ψ的大小，动态调整LQR算法Q参数矩阵，根据当前时刻的纵向速度调整LQR算法的R矩阵，一定程度上降低了跟踪误差，减少了调节参数需要的时间，提高了作业精度。

本发明对于LQR算法作为智能农机决策控制的应用进行理论解释及算法推导，通过运动学模型分析，目标函数建立，LQR算法推导及求解，将LQR算法迁移到农机作业决策中去，以提高智能农机的作业精度，而且应用模型类算法进入智能农机作业领域，为复杂的农机作业环境提供了可用的算法决策。此外，根据数据建立数据模型，动态调整LQR算法中状态矩阵和输出矩阵的权重参数，减少矩阵众多参数调节所耗时间，实时调节提高作业精度，一定程度降低了参数调节需要的时间，减轻了测试压力，提高了农机入线的稳定程度，提高了跟踪作业时的横向精度，提高了系统的稳定性，降低了系统超调现象出现的频率。

本发明利用农机与目标点之间的横向差值e_y和航向角差值e_ψ两个动态变量，实时更新LQR状态Q矩阵的参数值q₁,q₂,q₃，根据不同状态的速度调整输出矩阵R的参数γ₁，更好的平衡算法所输出的角度指令，减小系统的超调问题。

图1是本发明的基于LQR算法的智能农机自主作业控制方法流程图。如1所示，本发明的基于LQR算法的智能农机自主作业控制方法具体包括：

步骤S1，划分智能农机的作业区块，并规划智能农机的作业路径；

步骤S2，根据GPS数据去定农机当前点坐标与航向角信息；

步骤S3，搜索规划路径中与当前农机最近的目标点信息，计算横向差值与航向角差值。

步骤S4，判断当前横向差值是否大于30厘米；若当前横向差值小于或等于30厘米，则执行步骤S5，若当前横向差值大于30厘米，则执行步骤S7；

步骤S5，根据建立的数学模型，动态更新LQR算法的权重；

步骤S6，LQR高速作业指令求解，重新加载农机速度，执行高速作业；

步骤S7，加载固定LQR算法权重；

步骤S8，LQR低速作业指令求解，重新加载农机速度，执行低速入线；

步骤S9，农机底层执行动作指令；

步骤S10，判断是否到达最终目标点，若已达到最终目标点，则结束本次智能农机自主作业控制，若未达到最终目标点，则再次执行步骤S2。

本发明总体算法解析如图2所述，具体包括：

根据运动学模型，建立智能农机的状态空间表达式，通过最优控制构建代价函数，利用代数黎卡提方程计算出反馈增益，根据当前时刻的状态误与Q、R矩阵的权重算出最优的控制决策。

1.1)智能农机为阿克曼模型，建立智能农机在世界坐标系中状态变化与速度、角度的关系方程：

为智能农机在世界坐标系X方向上的瞬时变化量，

为智能农机在世界坐标系Y方向上的瞬时变化量，v为智能农机的期望速度，

为智能农机的航向角，

为农机瞬时航向角的变化量。

ω为农机的横摆角速度，r为智能农机在当前期望速度与横摆角速度下的转向半径，δ为前轮转向角度，l为智能农机的轴长。

将状态量整理为

控制量为u＝[v,ω]，则可以将车辆的运动学模型转换为以下形式：

得到该农机的运动学方程后，该控制系统表示为：

将(4)式泰勒展开并进行离散化处理，并忽略高阶项，化简可得到A、B矩阵：

V为设定的速度值，ψ_r参考航向角度，t为采样时间，l为农机轴长，δ为参考前轮转角。

1.2)全状态控制器

假设农机的线性控制系统为：

为下一时刻的状态，A、B为农机的运动模型的状态空间矩阵A、B。

为了达到预期的状态，需要设置一个状态反馈控制器：

u＝-Kχ (9)

将(5)式带入(4)式则有：

1.3)目标函数

目标函数能够确保智能农机快速、平稳跟踪上期望的轨迹上，因此需要加上对系统状态量的偏差和控制量的优化，通过最优控制原理，构建如下形式的目标函数：

χ为状态量，u为控制量，Q为状态权重矩阵，R为控制权重矩阵。

将u＝-Kx带入代价(7)式后得到：

假设存在一个常量矩阵P使得：

将(9)左边进行微分展开：

将(6)式带入(10)式中，整理可得：

从(11)式可知，该求解变成了二次型求最优问题。

将(11)式中的A_c＝A-BK进行替换：

A^TP+PA+Q+K^TRK-K^TB^TP-PBK＝0 (16)

在(12)中的K假设为K＝R^-1B^TP，然后该式整理为：

A^TP+PA+Q-PBR^-1B^TP＝0 (17)

在(13)式中，A、B、Q、R为已知量，利用黎卡提方程进行求解：

并将求解的P带入K＝R^-1B^TP计算出反馈矩阵K；并通过该反馈矩阵得到该时刻的最优控制量u＝-Kχ。

根据测试数据，建立数学模型，用于动态调整Q、R矩阵的参数。LQR作为农机的控制器，Q、R权重矩阵会对整个控制器的性能产生重要的影响，为了进一步提高对目标路径的跟踪精度和减少调节时间，该发明将Q、R矩阵中的参数与状态误差进行实时调整，设计了一个动态Q、R矩阵。

基于本文中的农机状态模型，可以将加权矩阵描述为：

Q＝diag[q₁,q₂,q₃]，R＝[γ₁] (18)

其中，矩阵Q中的各元素表示相应的状态重视程度，即q₁表示控制系统对世界坐标系中X方向上的偏差权重值，q₂表示控制系统对世界坐标系中Y方向的偏差权重值，q₃表示控制系统对世界坐标系中航向偏差的权重值，γ₁表示控制动作的输出限制。

在靠近预期轨迹时，计算农机与最近目标点之间的出横向误差e_y与航向角误差e_ψ，建立数学模型(19)实时调整q₁,q₂,q₃的权重值的大小，优化输出的角度控制指令，由于该发明只利用LQR做角度的控制决策，为保证农业作业均匀程度，速度为匀速值，并没有应用算法的变量速度，农机再逼近预期轨迹时，航向角权重q₃会协同q₁,q₂完成智能农机跟踪决策，但是权重参数过大会导致系统超调，过小又会延长系统收敛时间，针对上述问题，设计动态参数修正，当误差参数过大，对应的权重参数会增加，当误差参数过小，对应误差小，参数随之减小，避免超调。

式中：e_y为当前时刻农机与最近预瞄点的横向误差，e_ψ为当前时刻农机与最近预瞄点的航向角误差，e_yth为横向误差的上限，为补偿权重的横向误差下限，e_ψth为朝向误差的上限，k_ey为横向权重调整系数，k_ψ为朝向权重的调整系数。

当横向误差大于e_ytl时，根据当前的横向差值计算出一个动态补偿值Q_ψ，用于平衡当前航向角的差值权重q₃，防止航向权重调节过大，延迟系统收敛。并设置了状态权重的上限值q_{1_max}、q_{3_max}，防止当前状态差值过大引起的过大权重值，引起系统超调，稳定性降低。

γ₁＝k_v*v (20)

式中：k_v为输出权重调整系数。

对于R矩阵需要根据当前速度值进行动态调控，当智能农机在不同的作业速度作业时，即使当前的速度已经作为状态矩阵中变量进行调控，但是由于速度过快仍然导致系统超调问题。需要将γ₁根据速度值进行调节，根据速度的大小限制输出的角度，降低了系统超调问题的出现频率。

图3是本发明的数据处理装置示意图。如图3所示，本发明实施例还提供一种计算机可读存储介质，以及一种数据处理装置。本发明的计算机可读存储介质存储有计算机可执行指令，计算机可执行指令被数据处理装置的处理器执行时，实现上述农机自主作业控制方法。本领域普通技术人员可以理解上述方法中的全部或部分步骤可通过程序来指令相关硬件(例如处理器、FPGA、ASIC等)完成，所述程序可以存储于可读存储介质中，如只读存储器、磁盘或光盘等。上述实施例的全部或部分步骤也可以使用一个或多个集成电路来实现。相应地，上述实施例中的各模块可以采用硬件的形式实现，例如通过集成电路来实现其相应功能，也可以采用软件功能模块的形式实现，例如通过处理器执行存储于存储器中的程序/指令来实现其相应功能。本发明实施例不限制于任何特定形式的硬件和软件的结合。

该发明在智能农机的控制算法中引入了改进的动态自适应的LQR算法，在保证作业效率的同时，提高了作业精度，通过建立横向误差和航向角误差建立与状态矩阵参数的动态修正关系、农机不同的作业速度与输出矩阵参数的动态修正关系，使智能农机的状态矩阵和输出矩阵根据误差值与速度值实时修正，不仅提高农机的作业精度，还降低了LQR算法Q、R矩阵多参数调节所需时间，减少了系统出现超调及系统收敛慢的问题。

以上实施方式仅用于说明本发明，而并非对本发明的限制，有关技术领域的普通技术人员，在不脱离本发明的精神和范围的情况下，还可以做出各种变化和变形，因此所有等同的技术方案也属于本发明的范畴，本发明的专利保护范围应由权利要求限定。

Claims (10)

1.一种基于动态自适应LQR的智能农机自主作业控制方法，其特征在于，包括：

建立智能农机的运动模型，并基于LQR算法生成该运动模型的目标函数，建立关于该目标函数的状态权重矩阵和控制权重矩阵的动态调整模型；

在该智能农机的工作过程中，获取该智能农机于当前时刻的位姿态信息，根据该位姿态信息以该动态调整模型调整该状态权重矩阵和该控制权重矩阵；

以调整后的目标函数解算出当前时刻的航向偏差控制量，并以该航向偏差控制量对该智能农机进行运行控制。

2.如权利要求1所述的智能农机自主作业控制方法，其特征在于，该状态权重矩阵Q＝diag[q₁,q₂,q₃]，该控制权重矩阵R＝[γ₁]；该动态调整模型包括：

γ₁＝k_v·v

q₁为相对于世界坐标系中X方向的偏差权重值，q₂为相对于世界坐标系中Y方向的偏差权重值，q₃为相对于世界坐标系中航向偏差的权重值，γ₁表示对该智能农机控制动作的输出限制；Q_ψ为动态补偿值，k_ey为横向权重调整系数，k_ψ为朝向权重调整系数，e_y为当前时刻该智能农机与最近预瞄点的横向误差，e_ψ为当前时刻该智能农机与该最近预瞄点的航向角误差，e_yth为当前时刻该智能农机与该最近预瞄点的横向误差上限，e_ytl为补偿权重的横向误差下限，e_ψth为朝向误差上限，q_{1_max}为预设的q₁最大值，q_{3_max}为预设的q₃最大值，k_v为输出权重调整系数，v为该智能农机的期望速度。

3.如权利要求2所述的智能农机自主作业控制方法，其特征在于，通过该智能农机在世界坐标系中状态变化与速度、角度的关系，建立该智能农机的阿克曼运动模型：

通过该阿克曼运动模型整理获得该智能农机于某一采样时刻的状态量

控制量u＝[v,ω]，该智能农机的运动学方程：

其中，

为该智能农机的航向角，ω为该智能农机的横摆角速度，

为该智能农机在世界坐标系X方向上的瞬时变化量，

为该智能农机在世界坐标系Y方向上的瞬时变化量，r为该智能农机在当前期望速度与横摆角速度下的转向半径，δ为该智能农机的前轮转向角度，l为该智能农机的轴长。

4.如权利要求3所述的智能农机自主作业控制方法，其特征在于，该目标函数：

5.一种基于动态自适应LQR的智能农机自主作业控制系统，其特征在于，包括：

模型构建模块，用于建立智能农机的运动模型，并基于LQR算法生成该运动模型的目标函数，建立关于该目标函数的状态权重矩阵和控制权重矩阵的动态调整模型；

权重调整模块，用于在该智能农机的工作过程中，获取该智能农机于当前时刻的位姿态信息，根据该位姿态信息以该动态调整模型调整该状态权重矩阵和该控制权重矩阵；

运行控制模块，用于以调整后的目标函数解算出当前时刻的航向偏差控制量，并以该航向偏差控制量对该智能农机进行运行控制。

6.如权利要求5所述的智能农机自主作业控制系统，其特征在于，该状态权重矩阵Q＝diag[q₁,q₂,q₃]，该控制权重矩阵R＝[γ₁]；该动态调整模型包括：

γ₁＝k_v·v_r

q₁为相对于世界坐标系中X方向的偏差权重值，q₂为相对于世界坐标系中Y方向的偏差权重值，q₃为相对于世界坐标系中航向偏差的权重值，γ₁表示对该智能农机控制动作的输出限制；Q_ψ为动态补偿值，k_ey为横向权重调整系数，k_ψ为朝向权重调整系数，e_y为当前时刻该智能农机与最近预瞄点的横向误差，e_ψ为当前时刻该智能农机与该最近预瞄点的航向角误差，e_yth为当前时刻该智能农机与该最近预瞄点的横向误差上限，e_ytl为补偿权重的横向误差下限，e_ψth为朝向误差上限，q_{1_max}为预设的q₁最大值，q_{3_max}为预设的q3最大值，k_v为输出权重调整系数，v为该智能农机的期望速度。

7.如权利要求6所述的智能农机自主作业控制系统，其特征在于，该模型构建模块中，通过该智能农机在世界坐标系中状态变化与速度、角度的关系，建立该智能农机的阿克曼运动模型：

通过该阿克曼运动模型整理获得该智能农机于某一采样时刻的状态量

控制量u＝[v,ω]，该智能农机的运动学方程：

其中，

为该智能农机的航向角，ω为该智能农机的横摆角速度，

为该智能农机在世界坐标系X方向上的瞬时变化量，

为该智能农机在世界坐标系Y方向上的瞬时变化量，r为该智能农机在当前速度与横摆角速度下的转向半径，δ为该智能农机的前轮转向角度，l为该智能农机的轴长。

8.如权利要求7所述的智能农机自主作业控制系统，其特征在于，该目标函数：

9.一种计算机可读存储介质，存储有计算机可执行指令，其特征在于，当该计算机可执行指令被执行时，实现如权利要求1～4任一项所述的基于动态自适应LQR的智能农机自主作业控制方法。

10.一种数据处理装置，包括如权利要求9所述的计算机可读存储介质，当该数据处理装置的处理器调取并执行该计算机可读存储介质中的计算机可执行指令时，执行基于动态自适应LQR的智能农机自主作业控制。

Images