2. 农机自动驾驶的作业对象与工况分析
农机自动驾驶系统并不是在理想道路上行驶的乘用车自动驾驶，它的“路面”是农田，“障碍”是作物与垄沟，“乘客”是农具。控制器输出的转向角、速度指令，最终都要通过土壤—作物—农具这一物理链条转化为作业效果。因此，在讨论控制算法之前，必须先弄清楚被控对象所处的环境特性、几何约束、土壤条件、速度区间和干扰来源，否则参数整定就会变成盲目试凑。本节围绕这五个方面展开，并说明它们分别作用于控制回路的哪个环节。
一、农田环境特性：不规则边界与低频姿态扰动
农田的典型特征是地块形状不规则、地头空间狭窄、田间无固定参照物。地块边界往往由田埂、沟渠、道路或防护林构成，直线段与曲线段交替，转弯半径受地头宽度限制。对自动驾驶而言，这意味着路径规划不能只依赖“两点一线”，而需要先通过打点或测绘生成边界与作业幅宽内的往复路径，并在每个地头预留掉头区。
另一个容易被忽视的特性是低频姿态扰动。农田表面存在犁底层起伏、旋耕后的松软层和局部洼地，车辆俯仰与横滚角会缓慢变化。GNSS 天线安装在车顶，其位置与地面实际接地点之间存在杆臂，姿态变化会把天线位置误差耦合进定位解算。工程上通常用双天线航向或 IMU 与 GNSS 组合来抑制这一影响；若只靠单点定位，在坡地或深松后的地块上，横向偏差可能出现数厘米到十几厘米的周期性波动。判断方法很直接：在同一路径上往返行驶，若横向偏差呈现与地形起伏相关的规律性摆动，而非随机跳动，就应优先检查姿态补偿与杆臂参数，而不是急于调大转向增益。
二、作物行距与农艺几何约束
作物行距决定了作业机组的“几何基准”。以玉米为例，常见行距为 60 cm 或 65 cm，播种机、中耕机、喷杆喷雾机的轮距与行距必须匹配，否则会出现压苗或漏喷。自动驾驶的路径并不是任意一条线，而是要与播种时的基准行对齐，这就是“接行”问题。若播种与中耕分两次作业，第二次作业的路径必须复用第一次的基准线或按固定偏移量平移，偏移量等于作业幅宽的整数倍。
行距还影响横向偏差的容许范围。以中耕追肥为例，施肥铲与植株根部的安全距离通常只有几厘米，横向偏差超过 5 cm 就可能伤根。此时控制目标不是“越小越好”，而是“稳定在容许带内”，因为过度追求零偏差会引入高频转向抖动，反而加剧机具磨损。实际调试中可先设定 3～5 cm 的死区，再观察行间通过性。
三、土壤条件：滑移率与转向阻力
土壤是控制回路中最大的不确定性来源。干硬土壤与湿软土壤的附着系数差异明显，同一台车在旋耕后的松软地表上，实际前进速度可能只有轮速换算值的 80%～90%，即滑移率可达 10%～20%。速度反馈若取自轮速传感器，就会高估实际速度，导致路径跟踪的预瞄距离偏大、转弯提前量不足。更可靠的做法是融合 GNSS 地速，或在标定时实测滑移率并写入参数。
转向阻力同样随土壤变化。水田烂泥层中前轮转向阻力矩显著增大，若转向电机扭矩余量不足，会出现“指令已下发、车轮未到位”的滞后，表现为过弯时横向偏差突然增大。排查时应对比转向指令与实际轮角的跟随曲线，若跟随存在明显延迟或饱和，应先解决执行机构能力问题，再谈控制参数。
四、作业速度范围与工况分段
不同作业环节的速度差异很大：播种通常 6～10 km/h，喷药 8～12 km/h，深松可低至 4～6 km/h，运输转移则可达 20 km/h 以上。速度直接改变路径跟踪的动态特性——速度越高，同样的转向延迟对应的横向偏移越大，预瞄距离需要相应加长；速度越低，转向执行器的死区与摩擦越容易造成“画龙”。因此控制器通常按速度分段整定，而不是一套参数走天下。
示例（合理假设，非实测）：某 120 马力拖拉机 + 6 行播种机
作业速度 8 km/h ≈ 2.22 m/s
转向执行延迟约 0.3 s → 延迟距离 ≈ 0.67 m
若预瞄距离设为 3.0 m，则有效修正余量约 2.3 m
速度升至 12 km/h（3.33 m/s）时，延迟距离增至 1.0 m
预瞄距离宜同步加长至 4.0～4.5 m，否则弯道偏差明显增大五、典型干扰因素及其对控制的影响
把干扰按作用位置归类，比笼统罗列更有助于排查。作用于定位层的干扰包括多路径反射（靠近防护林、库房时尤为明显）、卫星几何分布变化和电离层扰动，表现为定位跳变或精度因子变差；作用于执行层的干扰包括转向机构间隙、轮胎气压不均和农具偏载，表现为同一指令下左右转向响应不对称；作用于地面的干扰包括坡地重力分量和土壤滑移，表现为上坡偏、下坡冲。此外还有一类“人为干扰”：地头临时堆放的农资、未收割的边角作物，会使实际可作业宽度小于标称幅宽，路径若按满幅规划就会压苗。
六、把工况转化为可整定的参数
上述分析最终要落到参数上。建议按“先几何、后动态、再干扰”的顺序处理：第一步确认基准行、幅宽、行距与偏移量，保证路径本身正确；第二步按作业速度分段设定预瞄距离与转向增益，用往返行驶的横向偏差曲线判断是否收敛；第三步针对具体干扰逐项排查，例如在防护林附近观察定位精度因子是否恶化，在坡地对比上下坡的偏差方向是否相反。只有把工况差异映射为具体参数和观察指标，自动驾驶系统才能在不同地块上稳定复现作业精度。