Como componente central de la navegación autónoma de maquinaria agrícola, el control de seguimiento de trayectorias tiene un valor significativo en la investigación. El algoritmo de persecución pura se ha convertido en un método prevalente para la navegación de vehículos agrícolas debido a su efectividad a bajas velocidades, sin embargo, su rendimiento depende críticamente de la selección de la distancia de anticipación. Los enfoques convencionales requieren una extensa calibración de parámetros debido a los complejos factores influyentes, mientras que las distancias de anticipación fijas luchan por equilibrar la precisión del seguimiento y la adaptabilidad. Se necesita un esfuerzo considerable para ajustar el sistema y lograr un rendimiento óptimo, lo que afecta directamente la precisión del seguimiento de la trayectoria y resulta en la tarea engorrosa de seleccionar un punto objetivo apropiado para la trayectoria de seguimiento. Para abordar estos desafíos, este documento presenta un algoritmo de persecución pura para pulverizadores de alto despeje en maquinaria agrícola, utilizando una distancia de anticipación autoajustable. Al desarrollar un modelo cinemático del algoritmo de persecución pura para maquinaria agrícola, se emplea una función de evaluación para estimar la posición de la maquinaria e identificar la distancia de anticipación óptima correspondiente dentro del área designada. Esto se hace basado en el principio de minimizar el error general, lo que permite la optimización dinámica y adaptativa de la distancia de anticipación dentro del algoritmo de persecución pura. Finalmente, este algoritmo fue verificado en simulaciones y pruebas de campo en terrenos irregulares bajo condiciones diversas, con el valor promedio del error lateral reducido en más de 0,06 m y los pasos de ajuste también significativamente reducidos en comparación con la distancia de anticipación fija en pruebas de campo. La precisión del seguimiento ha mejorado y la aplicabilidad del algoritmo para un despliegue rápido ha sido mejorada.