定位精度直接影响农业机械进行路径自动跟踪的质量。中国农业大学硕士研究生陈艳与张漫副教授，将GPS和摄像机两种传感器结合起来，大大改善了农业机械的导航定位效果，填补了该领域的空白。
在农业机械导航系统中，采用基于GPS和机器视觉的多传感器组合导航定位获取信息，再使用UKF(无痕迹变化卡尔曼滤波Unscented Kalman Filter)滤波后，导航定位精度和稳定性得到改善，定位曲线得到平滑，克服了使用单一传感器进行定位的弊端。
此研究报告刊登于《农业工程学报》2011年第3期，题为“基于GPS和机器视觉的组合导航定位方法”，第一作者为中国农业大学“现代精细农业系统集成研究”教育部重点实验室的硕士研究生陈艳。通信作者为张漫副教授，该研究为国家自然科学基金项目和国家“863”计划项目。
全球卫星定位系统(GPS)和机器视觉是自动导航系统中使用较多的两类传感器，农田中作物收割与未收割的边界有时并非直线，单独使用GPS进行导航，在确定导航基准线方面存在一定的误差;使用机器视觉进行此类作业，可以实时提取出当前作物行的特征信息，提高了定位的精度，但是单独使用机器视觉时，在图像处理过程中有时会出现漏检的情况;为了弥补单一传感器的不足，常采用多传感器组合进行导航定位。
对多传感器信息进行融合时，常采用Kalman滤波算法，该方法可对研究对象过去、现在和将来的状态做出线性最优估计，比较适合动态环境中传感器信息的实时融合;但是Kalman滤波器是一种线性滤波器，对农业机械导航的非线性系统无法得到满意的效果;而UKF方法是根据Unscented变化(无迹变换)和卡尔曼滤波相结合得到的一种算法，该方法是对非线性函数的概率密度分布进行近似，用一系列确定样本来逼近状态的后验概率密度，UKF没有线性化忽略高阶项，因此非线性分布统计量的计算精度较高。
为了更好的改善农业机械的导航定位效果，研究者将GPS和摄像机两种传感器结合起来，并采用UKF滤波算法对采集到的信息进行融合。
该研究构建了一个基于GPS和机器视觉的多传感器组合导航定位系统。在此系统中，采用GPS获取导航车的绝对位置信息、航向角度和行驶速度;机器视觉通过图像处理获取导航基准线，并得到代表作物行特征的点;UKF滤波器用来对上述传感器获取的信息进行滤波，并以电瓶车为平台，对滤波前后的定位效果进行对比。试验结果表明，使用UKF滤波后的定位精度得到了改善，减少了定位数据的标准偏差，免了视觉信息丢失时导航无法进行的情况，提高了系统的稳定性。
目前国内对于GPS与机器视觉的组合导航研究相对较少，国外的一些研究大多是通过逻辑判断进行传感器的互补导航，或者使用Kalman滤波算法进行滤波，定位精度有待提高。此项研究填补了该领域的空白。研究成果显示该方法能够满足农业机械导航的要求，使农业机械导航系统的定位精度和鲁棒性得到了改善。[
