基于UWB与机器视觉融合的设施农业智能跟随运输车设计与试验

Design and experiment of an intelligent tracking transport vehicle for facility agriculture based on Ultra-wideband and machine vision fusion

摘要

针对设施农业生产运输中机械化程度低、劳动力需求大的突出问题，开发了一种可用于多种种植模式的智能跟随运输车。首先，根据农艺要求设计轮距可调式差速底盘；定位方面，提出基于卡尔曼滤波融合超宽带（UWB）与机器视觉的方法，利用UWB构建全局坐标系以抑制累积误差，利用YOLOv5s模型识别目标并提供局部精确位姿。静态试验表明，融合定位相较于单一UWB，横向与纵向平均偏差分别降低78.14%和79.82%，标准差分别降低59.14%和58.19%，定位精度与稳定性显著提升。在此基础上，设计基于比例积分微分控制（PID控制）的纵向距离和跟随角度控制器。田间试验结果表明：在目标速度为0.4 m/s、运输车限速0.5 m/s工况下，直线跟随时平均横向偏差为0.017 8 m，最大横向偏差为0.042 1 m；转向过程平顺，能快速收敛至稳态。该系统定位精度与动态响应特性均满足设施农业大棚内运输作业要求，可为农业装备的自主跟随技术提供参考。

Abstract

To address the critical issues of low mechanization and high labor demand in facility agriculture production and transportation， an intelligent tracking transport vehicle adaptable to various planting modes was developed. Firstly， a differential chassis with adjustable wheel track was designed according to agronomic requirements. For positioning， a Kalman filter-based fusion method integrating Ultra-wideband （UWB） and machine vision was proposed： UWB establishes a global coordinate system to suppress cumulative errors， while the YOLOv5s model identifies the target and provides local precise pose. Static tests showed that compared with single UWB alone， the fusion method reduced the average lateral and longitudinal deviations by 78.14% and 79.82%， and decreased their standard deviations by 59.14% and 58.19%， respectively， significantly improving positioning accuracy and stability. Subsequently， a Proportional-Integral-Derivative（PID）-based controller was designed for longitudinal distance and tracking angle. Field test results indicated that under the conditions of target speed 0.4 m/s and vehicle speed limit of 0.5 m/s， the average lateral deviation during straight-line tracking was 0.017 8 m， with a maximum of 0.042 1 m. The turning process was smooth and could quickly converge to a steady state. The positioning accuracy and dynamic response characteristics of this system meet the operational requirements inside facility agriculture greenhouses， providing a reference for autonomous tracking technology in agricultural equipment.

Graphical abstract

关键词

跟随运输车 / 超宽带 / 机器视觉 / 数据融合 / 跟随控制

Key words

following transport vehicle / Ultra-wideband （UWB） / machine vision / data fusion / following control

设施农业是突破资源限制、实现周年生产的重要途径，其智能化水平直接关系到我国农业现代化进程。在设施生产的花果管理、采收运输等环节，物料搬运作业劳动强度大、重复性高，已成为提高生产效率的突出瓶颈^［1-2］。尤其在多品种、高密度的种植模式下，传统人工作业或轨道运输方式已难以兼顾效率与灵活性^［3-4］。因此，开发能够自主跟随作业机械的智能运输平台，对于提升设施农业全程机械化水平具有现实意义。

实现精准跟随的核心在于对前方移动目标的可靠感知与定位。现有技术中，全球卫星导航系统（GNSS）^［5］在大棚等半封闭环境下信号易衰减，难以保证连续定位；激光雷达^［6］虽精度较高，但在烟尘、水雾及复杂光照条件下稳定性下降。超宽带（Ultra-wideband，UWB）^［7］技术凭借其抗多径干扰、能够提供绝对位置等优势，在室内定位领域得到广泛关注。然而，受非视距传播和环境动态变化影响，单一UWB系统在复杂环境下难以实现稳定厘米级精度。相比之下，机器视觉感知能够提供丰富的目标语义信息，但在光照剧烈变化或目标遮挡时表现不稳定^［8］。上述分析表明，单一传感器均存在固有局限性，多源信息融合是实现复杂环境下鲁棒感知的必然选择。基于此，本研究提出一种UWB与机器视觉融合的自动跟随定位系统：利用UWB构建全局坐标系，为视觉提供先验感兴趣区域；同时利用视觉识别获取的目标精确位姿，对UWB定位结果进行实时校正，二者协同互补。在此基础上，进一步设计考虑运动学约束的跟随控制策略，旨在实现运输车对移动目标的平滑、稳定跟随，为设施农业自动化运输提供了一种兼具可靠性与经济性的技术方案。

1　总体方案与底盘设计

1.1　总体方案

本研究的核心目标是开发一种适用于设施大棚环境的智能跟随运输小车，该小车可自动跟随前方拖拉机作业，并具备遥控功能以应对突发工况。根据应用场景的农艺与功能要求，该车需满足：为适应绿叶菜（跨垄式1 350 mm）与茄果类蔬菜（宽沟行驶750 mm）2种不同种植模式的轮距调节功能，轮距需在750~1350 mm范围内调节，且调节过程中不损伤作物；具有原地转向功能，以适应温室大棚内的狭窄空间；同时，为实现全程机械化，运输车以自动跟随为主，遥控为辅，提升系统可靠性。整车硬件架构及通信方式如图1所示。上层控制器（工控机）通过串口接收深度相机图像与UWB测距数据，经融合解算后生成底盘控制指令；下层控制器（STM32）接收指令驱动电机，并通过RS485总线上报状态信息；遥控模块与下层控制器通过SBUS通信建立联系，实现无线遥控功能。

1.2　底盘构型及设计参数

本研究根据实际应用场景及设计要求，综合考虑结构复杂度、成本、能效与机动性，选用轮式差速转向底盘^［9-10］。为实现轮距调节，左右轮组采用模块化独立驱动设计，通过直线滑轨机构实现轮距的对称延展或收缩，既能保证结构刚度，又简化了调节机构。底盘构型及机械结构三维模型如图2所示。

跟随运输小车主要设计参数如表1所示。其中，轮距调节范围覆盖两种主流种植模式，载重量大于200 kg，满足一般物料运输需求；最大速度4.3 km/h，与棚内拖拉机作业速度相匹配；整机质量控制在350 kg以内，避免对土壤造成过度压实。

2　目标识别定位系统

对前方目标进行识别定位是实现跟随控制的前提。本研究采用深度相机与UWB模块构建融合定位系统，以兼顾全局稳定性与局部精度。

2.1　基于UWB技术的目标定位方法

采用LD-600模块搭建五基站两标签定位系统，俯视图如图3所示。4个固定基站（A0、A1、A2、A3）部署在定位区域的4个顶点，形成矩形覆盖范围；标签T0、T1分别安装于运输车和目标拖拉机上，进行双向测距^［11］通信，获取精确的距离信息；移动基站A4安装在跟随运输车上，作为移动数据汇聚节点，负责接收基站与标签间的测距信息，将固定基站与标签的测距信息传输至上位机进行定位解算。

定位解算采用三边定位算法^［12-14］，通过双向测距（Two-way ranging，TWR）^［15-16］获取目标与基站距离。由于测距存在4个基站，可得到4组球面方程，求解时保留2个候选解以兼容噪声干扰，利用第四基站信息进行精细化修正，最终得到目标坐标（X，Y，Z），原理如图4所示。

UWB模块存在天线延时与算法延时问题^［17-18］，需进行校准修正。采用单基站-单标签一对一测距，建立测距校正模型：

D=\mathrm{1.000}\mathrm{026}d+\mathrm{0.164}\mathrm{2}(1)

式中：D为真实距离值，m；d为测量距离值，m。

基于该模型进行重复试验，校正后最大误差为0.174 4 m，相较于校正前降低了52.18%，均方根误差为0.035 2 m，降低了70.72%，因此基于上述测距偏差修正方法，能够有效降低由UWB固有属性导致的测距性能下降的问题，进一步提高定位精度。

为验证定位算法精度，在空旷室内场地（图5（a））开展试验。固定标签T0，在不同点位放置T1，如图5（b）所示，每点采集50组数据，计算坐标差（Δx，Δy）并与理论值对比。定位试验结果（表2和表3）显示，系统定位精度为10 cm级，X、Y轴平均误差稳定在±0.2 m以内。

为进一步验证UWB动态定位效果，移动T1在x=1.8 m处沿y轴方向直线行走，通过定位结果与理论轨迹的横向误差来评价动态定位精度，结果如图6所示。识别轨迹未出现明显离群点，表明该UWB定位系统对多径效应有一定的抑制能力，绝对偏差均值为0.092 3 m，均方根误差为0.114 5 m。但最大偏差仍超过0.2 m，分析认为主要源于棚内金属构件引起的多径反射。因此，需要引入具有局部精度的感知信息进行融合校正。

2.2　基于深度相机的局部定位

选用YOLOv5s作为目标检测算法。该算法属于单阶段检测算法，将目标检测任务转化为回归问题，通过单次前向传播直接预测目标的类别与位置^［19］，具备检测速度快、易于嵌入式部署的特点^［20］。为实现全程机械化作业要求，运输车需识别并跟随前方拖拉机，因此使用包含1 200张拖拉机图像的数据集进行训练。选取最优权重后进行模型轻量化处理：将输入尺寸调整为320像素×320像素，并通过锚框优化、通道压缩及特征重构降低计算复杂度，提升检测速度。针对多尺度检测产生的重叠框，采用非最大抑制（NMS）^［21］剔除冗余框，输出置信度最高的目标预测边界框B=（x₁，y₁，x₂，y₂），并选取检测框中心点B₀（u₀，v₀）读取深度信息。

为避免单点采样噪声导致的坐标跳变，提出一种随机采样深度估计方法。以B₀为中心构建采样窗口，其范围δ与检测框的尺寸关系如公式2所示：

\delta =\beta \cdot \mathrm{m}\mathrm{i}\mathrm{n}(w_{\mathrm{B}},h_{\mathrm{B}})(2)

式中：w_B、h_B分别为检测框宽、高，像素；β为经验系数，取0.25。

在窗口区域内生成4N个均匀分布的随机点进行独立采样，获取深度值集合D=\{d_i|i=\mathrm{1,2},\dots ,\mathrm{4}N\}，经排序后保留中间50%的有效观测集合，N是正整数。最终将筛选后的深度值转换至相机坐标系，经均值计算得到目标在相机坐标系下的三维位置。

2.3　基于卡尔曼滤波的多源信息融合

卡尔曼滤波（Kalman filter，KF）是一种基于贝叶斯理论的最优递归状态估计算法，通过构建动态系统状态空间模型，利用前次的状态估计与当前观测值递推更新系统状态，能够有效处理含噪声的动态系统，提供稳定且最优的状态估计^［22］。该算法由状态预测与状态更新两个核心方程构成^［23］，本研究采用分布式融合架构（图7），将UWB输出的全局坐标与相机识别的局部位姿作为观测值，通过卡尔曼滤波实现对目标位置的最优估计。

为验证融合效果，需同时采集深度立体相机和UWB模块对前方跟随目标的识别定位数据并进行融合。保持标签T0、T1在X轴方向齐平，定位板置于相机正前方，将标签T1固定在定位板上并移动定位板进行静态数据采集，场景如图8所示。

参考2.1节方法记录传感器采集数据和融合后的数据，统计结果列于表4。融合后系统的最大横向与纵向定位误差分别为0.074 5和0.079 3 m，相较于融合前的UWB定位结果分别降低了78.94%和76.38%，表明融合算法可有效抑制UWB的偶然干扰，显著提升了系统可靠性。横向、纵向标准差分别降至0.028 6和0.029 6 m，分别降低了59.14%和58.19%，说明数据波动性得到明显抑制。融合后横向与纵向偏差均值分别为0.025 1和0.026 8 m，较融合前分别降低78.14%和79.82%。各项误差统计指标均显著下降，验证了所提融合方法在整体误差抑制方面的有效性。

图9为定位板直线移动时融合前后的结果对比。图中虚线为理论轨迹，红色和蓝色散点分别代表UWB原始数据与融合后数据。两者均围绕理论轨迹分布，但UWB数据离散性明显，融合后数据点沿理论路径分布更紧密，离散程度显著降低，进一步证实了融合方法在平滑轨迹、抑制野值方面的优势。

上述试验结果表明，所构建的融合定位系统以卡尔曼滤波为框架，将UWB全局坐标与视觉的局部位姿作为观测输入，通过递推估计有效抑制了单一UWB测量中的多径野值，显著提升了定位精度与数据平滑性。融合后的各项误差指标较单一传感器均有数量级的改善，验证了该方法在复杂设施环境下的鲁棒性与有效性。该系统可根据不同作业场景对精度与实时性的需求，灵活配置传感器权重与滤波参数，具有良好的工程适应性与可扩展性。

3　跟随控制系统设计

3.1　控制系统架构

跟随控制系统以融合后的目标定位数据（X_target，Y_target）为输入，按预设的期望纵向距离和跟随角度控制运输车运动。控制框图如图10所示：实时计算纵向距离误差E_d与角度误差E_θ，分别输入至相应PID控制器，输出期望线速度v和角速度ω；经逆运动学解算得到左右轮速v_left和v_right，转为十六进制数据发送至下位机驱动运输车运动，并通过闭环反馈实时更新运输车位姿（X_actual，Y_actual，θ_actual）修正偏差，实现稳定跟随。

3.2　运动学模型

基于UWB模块构建全局坐标系XOY，同时在跟随运输车上建立底盘坐标系xoy。如图11所示，全局坐标系下，k时刻跟随目标P坐标为（X_Pk，Y_Pk ），运输车位姿为（X_k，Y_k，θ_k ）。

跟随运动中，控制器以周期T获取目标坐标（X_Pk，Y_Pk ）与底盘位姿（X_k，Y_k，θ_k ），通过式（3）计算纵向距离d及横向角度偏差φ作为输入，以消除运输车的跟随偏差。

\left\{\begin{array}{l}d=(X_{\mathrm{P}k}-X_k)\mathrm{c}\mathrm{o}\mathrm{s}{\theta }_k+(Y_{\mathrm{P}k}-Y_k)\mathrm{s}\mathrm{i}\mathrm{n}{\theta }_k\\ \phi =\mathrm{a}\mathrm{r}\mathrm{c}\mathrm{t}\mathrm{a}\mathrm{n}\frac{-(X_{\mathrm{P}k}-X_k)\mathrm{s}\mathrm{i}\mathrm{n}{\theta }_k+(Y_{\mathrm{P}k}-Y_k)\mathrm{c}\mathrm{o}\mathrm{s}{\theta }_k}{(X_{\mathrm{P}k}-X_k)\mathrm{c}\mathrm{o}\mathrm{s}{\theta }_k+(Y_{\mathrm{P}k}-Y_k)\mathrm{s}\mathrm{i}\mathrm{n}{\theta }_k}\end{array}\right.（3）

同时系统建立底盘在全局坐标系下的运动学模型，以获得每个周期底盘的运动位置坐标。根据底盘线速度v与角速度ω，假定在t时刻，底盘位姿为（X_k，Y_k，θ_k ），经周期T运动后更新为（X_k+1，Y_k+1，θ_k+1），位姿更新公式为：

\begin{array}{l}\left[\begin{array}{c}{X}_{k+\mathrm{1}}\\ Y_{k+\mathrm{1}}\\ {\theta }_{k+\mathrm{1}}\end{array}\right]=\left[\begin{array}{c}{\dot{X}}_k\\ {\dot{Y}}_k\\ {\dot{\theta }}_k\end{array}\right]T+\left[\begin{array}{c}{X}_k\\ Y_k\\ {\theta }_k\end{array}\right]=\\ \left[\begin{array}{ccc}\mathrm{c}\mathrm{o}\mathrm{s}{\theta }_k& \mathrm{0}& \mathrm{0}\\ \mathrm{s}\mathrm{i}\mathrm{n}{\theta }_k& \mathrm{0}& \mathrm{0}\\ \mathrm{0}& \mathrm{0}& \mathrm{1}\end{array}\right]\left[\begin{array}{c}v\\ v\\ \omega \end{array}\right]T+\left[\begin{array}{c}{X}_k\\ Y_k\\ {\theta }_k\end{array}\right]\end{array}（4）

式中：{\dot{X}}_k,{\dot{Y}}_k,{\dot{\theta }}_k分别为X_k，Y_k，θ_k 关于时间的求导。

3.3　跟随控制策略

跟随控制的目标是实时减小运输车与目标之间的位姿偏差，同时尽可能降低控制系统的调节频次。鉴于设施大棚内目标运动轨迹存在不确定性，本研究设计了一种基于阈值决策的自适应控制策略。设纵向距离控制阈值为Y_thres，横向偏差控制阈值X_thres，具体控制逻辑如下：

1）纵向距离d>Y_thres时，激活纵向距离控制器，驱动运输车缩短与目标的间距；同时判断横向偏差x>X_thres，则同步启动角度控制器修正横向偏移。

2）纵向距离d≤Y_thres时，纵向控制器停止工作；此时若横向距离偏差x>X_thres，则控制小车原地旋转对准目标方向；若x≤X_thres，则认为系统已进入稳态区域，暂停运动等待下一控制周期。

底层控制器采用增量式PID算法，其输出信号u（t）与误差信号e（t）的时域关系为：

\left\{\begin{array}{c}u(t)=K_{\mathrm{p}}e(t)+K_{\mathrm{i}}{\int }_{\mathrm{0}}^{t}e(t)\mathrm{d}t+K_{\mathrm{d}}\frac{\mathrm{d}e(t)}{\mathrm{d}t}\\ e(t)=x(t)-y(t)\end{array}\right.（6）

式中：K_p、K_i、K_d分别为比例、积分、微分增益系数；x（t）、y（t）分别为控制器输入值和输出值。

基于Python搭建PID控制仿真模型，采用面向对象方法封装控制器，引入积分限幅（max_integral=1.0）以抑制积分饱和引起的控制超调。针对跟随系统中纵向位置与航向角偏差的调整需求，分别设计纵向距离与跟随角度PID控制器。通过仿真分析与参数整定，确定纵向控制器系数为K_p=5.00、K_i=7.00、K_d=0.08；角度控制器参数为K_p=3.60、K_i=0.02、K_d=0.20。该组参数使系统在动态响应速度与稳态控制精度之间取得良好平衡，满足跟随控制要求。

4　试验与结果分析

4.1　试验条件

为验证跟随运输车的实际作业性能，于2025年4月在山东省潍坊市安丘市中科滕森工业园内的农业大棚（长60 m、宽8 m、高3.8 m）开展实车试验。采用滴水法记录行驶轨迹：在小车纵向中轴线固定底部开孔容器，利用水流在地面形成的痕迹作为实际行驶路径。试验人员手持目标定位板，在不同光照时段以约0.4 m/s的速度多次沿指定道路前进，小车以最大速度限幅0.5 m/s分别进行直线和转向跟随试验，每隔0.5 m测量横向偏差（以目标路径右侧为正方向），多次重复试验取均值进行分析（图12）。

4.2　直线跟随性能

直线跟随试验中，目标移动路径长6 m。多次试验结果表明，运输车均能稳定跟随目标，未出现失控或跟随失败现象。横向偏差统计结果如表5所示：最大横向偏差为0.042 1 m，平均偏差为0.017 8 m，标准差为0.014 4 m。数据表明，系统在直线工况下具有较高的跟踪精度与稳定性。

4.3　转向跟随性能

转向试验中，目标在不同光照下多次执行“3 m直线→直角转向→3 m直线”的复合路径，同样每隔0.5 m记录横向偏差取平均值。结果如表6所示，运输车转向跟随横向偏差呈阶段性变化：初始段（0.5~2.0 m）偏差小于0.003 5 m，系统处于稳定跟随状态；进入转向段（2.5~4.5 m）后，偏差逐渐增大，在3.5 m处达到峰值0.132 1 m；随后控制系统快速响应，在4.5 m处降至0.032 5 m；此时转向已基本完成，偏差在小范围内稳定波动。虽然系统在转向初期偏差增幅较大，但控制系统能快速修正回归目标路径，完成跟随任务。

对比直线与转向试验结果可见，转向过程中横向偏差显著增大，其峰值约为直线工况最大偏差的3倍。分析认为，该现象主要由两方面因素导致：一是转向过程中，代替拖拉机的目标定位板无法提供拖拉机侧面相关特征，导致视觉跟踪算法识别置信度下降；二是由于转向时接近农业大棚框架结构，与所标记拖拉机驾驶舱存在一定的相似度，目标检测定位框可能出现漂移。二者共同影响导致机器视觉局部定位精度下降，进而降低了融合定位精度，直到UWB测量的横向偏差较大时，控制系统才快速响应进行纠偏。

综合直线和转向跟随试验结果表明，所开发的智能跟随运输车能够在设施大棚环境下稳定完成跟随作业，其跟踪精度满足设计要求，系统在连续作业过程中表现出良好的可靠性与稳定性。

5　结 论

1）针对设施农业生产过程中的实际需要和农艺要求，设计了跟随运输车底盘。该底盘采用差速转向与滑轨式轮距调节机构，实现了轮距在750~1 350 mm范围内的无级调节，该集成方案兼顾了不同种植模式的农艺要求与狭窄空间的机动性。

2）提出了基于卡尔曼滤波的UWB与机器视觉融合定位方法。该方法利用UWB的全局定位能力抑制累积误差，利用视觉的局部高精度特性抑制多径干扰引起的测量野值。静态试验表明，融合后横向与纵向平均偏差相较于单一UWB分别减少了78.14%和79.82%，标准差分别降低59.14%和58.19%，定位精度与稳定性得到显著提升。

3）设计了基于位姿偏差的PID跟随控制器，并通过实车试验验证其有效性。在目标速度为0.4 m/s、运输车最大速度限幅为0.5 m/s工况下，直线跟随时平均横向偏差0.017 8 m，最大横向偏差0.042 1 m；转向过程中偏差增大，但系统能够修正完成转向并迅速恢复直线行驶。试验结果表明，系统跟踪精度与动态响应特性均满足设施大棚内运输作业的精度与稳定性要求。

参考文献

[1] 郭娜， 郭洪恩， 杨茹莎， 许宁， 程娟. 山东省设施农业发展现状分析与提升对策［J］.农业装备与车辆工程， 2024， 62（7）： 153-156

[2] Guo N， Guo H E， Yang R S， Xu N， Cheng J. Analysis on development status of facility agriculture in Shandong Province and improvement strategies［J］. Agricultural Equipment & Vehicle Engineering， 2024， 62（7）： 153-156 （in Chinese）

[3] van Henten E J. Greenhouse mechanization： State of the art and future perspective［J］. Acta Horticulturae， 2006（710）： 55-70

[4] 王一珺. 甘肃设施农业机械化技术推广与应用［J］. 农机科技推广， 2024（1）： 30-31

[5] Wang Y J. Popularization and application of mechanization technology of protected agriculture in Gansu Province［J］. Agriculture Machinery Technology Extension， 2024（1）： 30-31 （in Chinese）

[6] 王山松. 北京市大兴区设施蔬菜生产农业机械化分析［J］. 农业工程， 2024， 14（5）： 59-62

[7] Wang S S. Agricultural mechanization analysis of facility vegetable production in Daxing district of Beijing City［J］. Agricultural Engineering， 2024， 14（5）： 59-62 （in Chinese）

[8] Nørremark M， Griepentrog H W， Nielsen J， Søgaard H T. The development and assessment of the accuracy of an autonomous GPS-based system for intra-row mechanical weed control in row crops ［J］. Biosystems Engineering， 2008， 101（4）： 396-410

[9] Hiremath S A， van der Heijden G W A M， van Evert F K， Stein A， ter Braak C J F. Laser range finder model for autonomous navigation of a robot in a maize field using a particle filter［J］. Computers and Electronics in Agriculture， 2014， 100： 41-50

[10] Krishnaveni B V， Reddy K S， Reddy P R. Wireless indoor positioning techniques based on Ultra Wideband （UWB） technology ［J］. International Journal of Recent Technology and Engineering （IJRTE）， 2019， 7（5c）： 15-22

[11] 郑航， 叶云翔， 薛向磊， 于健麟， 冯昊栋， 俞国红. 基于UWB和视觉组合导航的设施植保机器人叶菜垄作跟踪控制［J］. 农业工程学报， 2025， 41（4）： 144-152

[12] Zheng H， Ye Y X， Xue X L， Yu J L， Feng H D， Yu G H. Facility plant protection robot based on UWB and visual integrated navigation for leafy vegetable ridge tracking control［J］. Transactions of the Chinese Society of Agricultural Engineering， 2025，41（4）： 144-152 （in Chinese）

[13] 樊正强， 张青， 邱权， 杨青丰. 农业机器人移动平台行进方式综述［J］. 江苏农业科学， 2018， 46（22）： 35-39

[14] Fan Z Q， Zhang Q， Qiu Q， Yang Q F. Locomotion modes for agricultural robot platform： A review［J］. Jiangsu Agricultural Sciences， 2018， 46（22）： 35-39 （in Chinese）

[15] 冯海明. 果园和温室大棚多功能遥控作业车的研制与试验［D］. 泰安： 山东农业大学， 2016

[16] Feng H M Research and test of multi function remote control operating vehicle in orchard and greenhouse［D］. Taian： Shandong Agricultural University， 2016 （in Chinese）

[17] 刘珂. 基于UWB的跟随行李箱研究与设计［D］. 武汉： 武汉理工大学， 2019

[18] Liu K Research and design of following luggage based on UWB［D］. Wuhan： Wuhan University of Technology， 2019 （in Chinese）

[19] Yang B， Guo L Y， Guo R J， Zhao M M， Zhao T T. A novel trilateration algorithm for RSSI-based indoor localization［J］. IEEE Sensors Journal， 2020， 20（14）： 8164-8172

[20] 钱剑航. 加权最小二乘的NLOS UWB室内定位精度分析［J］. 地理空间信息， 2023， 21（8）： 86-88

[21] Qian J H. NLOS UWB indoor positioning accuracy analysis based on weighted least squares［J］. Geospatial information， 2023， 21（8）： 86-88 （in Chinese）

[22] 董宇. 基于超宽带室内定位系统的关键技术研究［D］. 太原： 山西大学， 2023

[23] Dong Y. Research on key technologies of indoor positioning system based on UWB［D］. Taiyuan： Shanxi University， 2023 （in Chinese）

[24] Kim H. Double-sided two-way ranging algorithm to reduce ranging time ［J］. IEEE Communications Letters， 2009， 13（7）： 486-488

[25] Lee J X， Lin Z W， Chin P S， Law C L. The use of symmetric multi-way two phase ranging to compensate time drift in wireless sensor network［J］. IEEE Transactions on Wireless Communications， 2009， 8（2）： 613-616

[26] 项伟涛. 基于UWB的棚架式果园机器人定位导航系统研究［D］. 杭州： 杭州电子科技大学， 2024

[27] Xiang W T. R. Research on positioning and navigation system of scaffolding orchard robot based on UWB［D］. Hangzhou： Hangzhou Dianzi University， 2024 （in Chinese）

[28] 顾衍明. 基于UWB的室内机器人定位系统研究与设计［D］. 哈尔滨： 哈尔滨工业大学， 2018

[29] Gu Y M. Research and design of indoor robot positioning system based on UWB［D］. Harbin： Harbin Institute of Technology， 2018 （in Chinese）

[30] Redmon J， Divvala S， Girshick R， Farhadi A. You only look once： Unified， real-time object detection ［C］ In： 2016 IEEE Conference on Computer Vision and Pattern Recognition（CVPR）.New York： Institute of Electrical and Electronics Engineers， 2016： 779-788

[31] 张凯祥， 朱明. 基于YOLOv5的多任务自动驾驶环境感知算法［J］. 计算机系统应用， 2022， 31（9）： 226-232

[32] Zhang K X， Zhu M. Environmental perception algorithm for multi-task autonomous driving based on YOLOv5［J］. Computer Systems & Applications， 2022， 31（9）： 226-232 （in Chinese）

[33] Dalal N， Triggs B. Histograms of Oriented Gradients for human detection［C］ In： 2005 IEEE Computer Society Conference on Computer Vision and Pattern Recognition（CVPR’ 05）.New York： Institute of Electrical and Electronics Engineers， 2005： 886-893

[34] Moghanian M， Dobakhshari A S. Accurate Kalman filter based estimation of transmission line parameters utilizing synchronized phasor measurements［J］. Electric Power Systems Research， 2024， 230： 110218

[35] Wei Y Q， Yang X， Bai X L， Xu Z G. Adaptive hybrid Kalman filter for attitude motion parameters estimation of space non-cooperative tumbling target［J］. Aerospace Science and Technology， 2024， 144： 108832

基金资助

山东省重点研发项目(2023CXGC010715)

工信部产业基础再造和制造业高质量发展专项(0747-2361SCCZA209)