随着我国农村城镇化进程以及人口老龄化程度的加快,从事农业生产的劳动力数量供给严重不足,急需要智能化、精准化的农业装备技术,而农业机器人技术无疑是解决这一问题的有效方法之一。本文针对陕西关中地区乡村道路没有明显的车道线标志、没有清晰规则的边界、形状不规则、路面存在各种破损或裂痕、颜色或纹理不均匀等非结构化特征,对该环境下行驶的农业机器人导航避障中涉及的非结构化道路检测、障碍物检测、运动障碍物跟踪、道路偏离检测和障碍物测距、导航避障等关键技术进行算法设计和仿真试验验证,以期为农业机器人自主导航领域提供技术支撑。论文的主要研究内容和结果如下:(1)研究了乡村非结构化道路的分割算法与在线检测算法。为了降低外界环境对道路分割效果的干扰,提出了一种基于超像素合并的非结构化道路分割算法,应用该方法对光照均匀、光照不均、水渍、裂纹和阴影等五种类型的乡村道路图像进行分割;仿真试验结果表明:该算法可以很好地保持道路实际边界,对上述五种类型乡村道路图像分割准确率的平均值为81.47%,平均每幅图像所需的运行时间为498ms。同时,为了提高道路检测算法的实时性,利用道路区域在多帧图像间时空相关的特点,提出了一种基于模糊支持向量机增量学习的道路在线检测算法;该方法选择违背Karush-Kuhn-Tucker条件的、且隶属度低的样本对模糊支持向量机进行增量训练;仿真试验结果表明:该方法对上述五种类型的乡村道路具有更好的鲁棒性,准确率的平均值达到84.64%,比不进行增量训练的模糊支持向量机方法的准确率平均值提高了1.74%,道路在线检测的处理速度约为28fps。(2)研究了乡村道路中障碍物的检测与跟踪算法。针对农业机器人乡村行驶道路的非结构化特征,提出了一种基于直觉模糊距离的障碍物检测算法;仿真试验结果表明:相较于Otsu方法、海明距离方法和指数型直觉模糊距离算法,该方法能够更好地解决外部环境带来的影响,准确率最高,为85.73%,平均每幅图像的分割时间约为100ms。同时,为了解决运动障碍物旋转、形变、扭转和背景杂乱等因素对跟踪结果的影响,借鉴Ada-Boost思想,将具有最小错误率的样本和随机树选中作为代表学习权重分布,提出了一种基于样本权重和随机决策树权重的改进霍夫森林构建算法,并将其应用于运动障碍物跟踪;仿真试验结果表明:该算法能够实现乡村道路环境下的运动障碍物跟踪,准确率的平均值为84.44%,比应用经典霍夫森林的准确率提高了4.44%,障碍物跟踪的处理速度为25fps。(3)研究了道路偏离检测与障碍物测距方法。为了解决摄像机对应点标定过程繁琐、误差大、精度低等问题,同时降低农业机器人行驶过程中颠簸状态对摄像机的影响,构建了一种基于小孔成像的单目模型,推导出一种基于道路边界线斜率的道路偏离检测方法和一种基于道路与图像间几何关系的障碍物测距方法。仿真试验结果表明:提出的道路偏离检测方法简单、易用,能够准确地反映农业机器人在道路上的偏离情况;当农业机器人和障碍物之间的实际距离小于7m时,障碍物测距方法计算得到的距离和实际距离间的绝对误差不超过10cm。(4)研究了农业机器人的导航避障算法。针对农业机器人有效避开障碍物后需要继续沿导航线行驶的难题,提出了一种分层次多传感器信息融合的导航避障算法。该算法首先采用神经网络对多个超声波测距传感器检测到的距离和障碍物测距模型计算得到的距离进行数据层信息融合,以消除传感器数据的不确定性;再采用模糊神经网络对数据层信息融合得到的结果和道路偏离信息进行决策层信息融合,使得到的控制信号更适合于农业机器人导航避障系统的要求。仿真试验结果表明:当农业机器人和障碍物之间的实际距离小于7m时,应用神经网络融合后的距离和实际距离间的绝对误差不超过7cm,用时约为100ms;应用模糊神经网络对隶属函数的参数进行估计,经过约100次的迭代训练之后,目标误差迅速收敛至3.33e-02,训练用时300ms;该导航避障算法使农业机器人能够较好地跟踪道路中心线并快速、有效地躲开障碍物。