Development of a novel neural network-based control scheme for autonomous farming vehicles

Agriculture industries call upon autonomous tractors to speed up the process of farming tasks.Although there has been a lot of research on autonomous vehicles, this research mostly concerns road vehicles, which operate in a controlled road environment.This thesis is a part of the ongoing Arion project, from Institut du Véhicule Innovant (IVI).The ultimate goal of the Arion project is to develop an autonomous farming vehicle, which can operate independently and safely.This research is dedicated to designing a robust controller to maintain the accuracy of the autonomous farming vehicle path on different types of soil.The autonomous farming vehicle designed at IVI is an electrical four-wheel-drive vehicle.In this study, the dynamics equations of the vehicle are derived.The model used here is a four-wheel model, with two steerable wheels in the front.Moreover, realistic terramechanics equations, regarding the interaction between the soil and the wheels, are established.The equations of terramechanics are then solved offline, to be used as a lookup table online.This method will increase the efficiency, as the equations need to be solved numerically, and are computationally expensive.The lookup tables are created for four different soil types: Clay, Loam, Sand, and Sandyloam.We introduce a novel scheme for the control of the vehicle.The system contains two controllers: a PID controller for longitudinal speed, and a Model Predictive Controller (MPC) for steering angle.In this scheme, a neural network is used to iv classify the soil type, and to act as a switch to adapt the MPC controller to the new soil type.The neural network is trained on physical features that can be measured with inexpensive sensors on the vehicle, such as velocity, slip angle, slip ratio, and wheel's sinkage in the soil.The performance of the controller for each soil type is evaluated independently, as well as the performance of the vehicle operating on a field with various soil types.The results show a considerable improvement in accuracy when the proposed controller is used.v R ÉSUM É L'industrie agricole réclame des tracteurs autonomes pour accélérer le processus des tâches agricoles.Bien que de nombreuses recherches aient été menées sur les véhicules autonomes, ces recherches concernent principalement les véhicules routiers, qui fonctionnent dans un environnement routier contrôlé.Cette thèse fait partie du projet Arion en cours de l'Institut du véhicule innovant (IVI).Le but ultime du projet Arion est de développer un véhicule agricole autonome, capable de fonctionner de manière autonome et en toute sécurité.Cette recherche est dédiée à la conception d'un contrôleur robuste pour maintenir la précision de la trajectoire du véhicule agricole autonome sur différents types de sol.Le véhicule agricole autonome conçu par l'IVI est un véhicule électrique à quatre roues motrices.Dans cette étude, les équations dynamiques du véhicule sont établis.Le modèle dynamique utilisé est le modèle à quatre roues, avec deux roues directrices orientables à l'avant.De plus, les équations de la mécanique des sols, concernant l'interaction entre le sol et les roues, sont développées.Les équations de la mécanique des sols sont alors résolues hors ligne, pour servir de table de recherche en ligne.Cette méthode augmentera l'efficacité, car les équations doivent être résolues numériquement et sont coûteuses en calculs.Les tables de recherche sont créées pour quatre types de sol, l'argile, le terreau, le sable et le terreau sablonneux.L'auteur propose une nouvelle architecture pour le contrôle du véhicule.Le système contient deux contrôleurs: Un PID pour le contrôle de la vitesse longitudinale et un contrôleur à modèle prédictif pour le contrôle de la direction.Dans cette vi architecture, un réseau de neurones est utilisé pour classifier le type de sol et pour servir de commutateur pour adapter le contrôleur MPC au nouveau type de sol.Le réseau de neurones est entraîne en utilisant des variables physiques, qui peuvent être mesurées avec des capteurs peu coûteux sur le véhicule, tels que la vitesse, l'angle de glissement et le taux de glissement, ainsi que l'enfoncement des roues dans le sol.Par la suite, la performance du contrôleur est évaluée indépendamment pour chaque type de sol, aussi que la performance du véhicule dans une ferme avec un sol mixte.Les résultats montrent une amélioration considérable de la précision lorsque le contrôleur proposé est utilisé.

Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.