● 摘要
农业自动化程度的提升是农业产量提高的基础，而农业车辆作为农业生产的重要工具，也应该具有较高的自动化程度，其主要是能够实现自主导航能力。车辆的自主导航依赖于对自身相对位姿（位置和姿态）的准确估计，因此本文针对传统导航方式在实际应用中所存在的缺陷，提出了基于立体视觉里程计的农业车辆自主导航方法，着重研究了车辆二维和三维相对位置和姿态估计；同时针对实际应用中的多个关键问题进行了深入研究，实现了车辆在非结构化的农业环境中的准确导航，并对车辆运动估计在作物三维测量上的应用进行了验证。
首先，本文详细阐述了立体视觉基本理论，构建了双目立体视觉系统，通过引入非线性相机模型对相机内、外参数进行了准确标定，并对相机的测距结果进行二次修正，进一步提高了系统测距精度，为后续车辆位姿估计提供了基础。
然后，本文构建了针对温室大棚或较为平坦农田环境的小型农业自主导航车辆平台，采用了基于平面运动假设的车辆离散运动学模型，将导航问题转化为对车辆二维平移和旋转运动的估计。在立体视觉里程计系统框架下，针对航向角发生较大变化时特征点跟踪算法正确率明显下降的问题，提出了基于车轮里程计预测的特征点跟踪方法，有效地提升了系统对车辆大范围运动的适应性。根据特征点的相对运动，利用奇异值分解法求取车辆最优运动估计参数，完成了在室内环境下较精准地导航，为实现车辆在非结构化农业环境下的自主导航提供了基础。
其次，针对传统测量手段无法准确获取立体相机初始姿态的问题，本文提出了立体相机初始姿态自标定方法，在线测量相机的初始俯仰角、侧倾角和横摆角。方法通过提取大地静态特征点的三维信息拟合大地平面，并提出了两步改进的随机一致性抽样算法（RANSAC, Random Sample Consensus）检测车辆行驶方向。然后，通过分步计算的方法依次估计相机侧倾角、俯仰角和横摆角。针对不同的地面进行了验证实验，结果显示立体相机初始姿态自标定系统有一定的精度，并可适应常见的田间环境。
接着，本文构建了全尺寸农业数据采集车辆，不再基于平面假设，将车辆位姿估计由二维扩展至三维，增加了车辆俯仰角和侧倾角的估计。针对农业环境中纹理重复、遮挡和阴影等问题，本文采用对称匹配算法检测和跟踪特征点。针对传统迭代最近点算法 ( ICP, Iterative Closest Point)的不足，本文提出了两方面改进：一方面，利用有效的帧间特征点跟踪结果，明确点云中部分点的对应关系，帮助选取初始运动参数，缩减ICP算法的迭代次数；另一方面，在最近点的欧氏距离平方和最小化的过程中，引入点云重心加权值和平滑运动评价因子，有效地提高了算法的抗干扰能力。针对场景中存在自运动物体或者车辆自身发生大范围运动时现有算法无法准确估计运动参数的问题，本文提出了平滑运动约束和多帧估计策略，使得可以在复杂的农业环境中准确的估计车辆的三维位姿信息。本文还在常见的农业场景中分别进行了轨迹估计实验、航向角估计实验、侧倾角和俯仰角估计实验。实验结果表明三维估计的方法相对于二维估计的方法可以提供更可靠的车辆位姿估计，实现更准确的车辆自主导航。这也为基于农业数据采集车辆的农作物三维测量提供了基础。
最后，针对传统的农作物测量手段的局限性，本文详细讨论二维激光雷达（LIDAR）和图像技术在农作物三维测量上的可行性，并结合车辆运动位姿信息构建了农业地理信息系统，形成农作物高度、体积以及密度地图等。