摘要：Citation:HE Yong, HUANG Zhenyu, YANG Ningyuan, LI Xiyao, WANG Yuwei, FENG Xuping. Research Progress and Prospects of Key Navigatio

本文节选自：

何勇, 黄震宇, 杨宁远, 李禧尧, 王玉伟, 冯旭萍. 设施农业机器人导航关键技术研究进展与展望[J]. 智慧农业(中英文), 2024, 6(5): 1-19.

Citation:HE Yong, HUANG Zhenyu, YANG Ningyuan, LI Xiyao, WANG Yuwei, FENG Xuping. Research Progress and Prospects of Key Navigation Technologies for Facility Agricultural Robots[J]. Smart Agriculture, 2024, 6(5): 1-19.

官网全文在线阅读

设施农业机器人自主定位与地图构建技术研究进展与展望

在大田场景中，由于信号遮挡较少，依靠全球定位系统（Global Positioning System, GPS）即可为机器人提供精确的绝对定位。然而，在设施农业中，由于存在遮挡较多，需要其他传感器如射频识别（Radio Frequency Identification, RFID）读写器、车轮编码器、惯性测量单元（Inertial Measurement Unit, IMU）、相机、激光雷达等来实现精确定位，不同传感器特点和适用环境如表1所示。对近年设施农业自主定位和地图构建研究的文献分析发现，机器视觉在定位与地图构建中的应用起步较早，但随着时间推移，即时定位与地图构建（Simultaneous Localization and Mapping, SLAM）、超宽带（Ultra Wide Band, UWB）和深度学习等技术逐渐发挥着越来越重要的作用。从研究地域分布来看，美国、德国等国家的相关研究起步较早且数量较多，而中国的研究数量近年来逐步增加。

表1 设施农业定位常用传感器对比

Table 1 Comparison of commonly used sensors for facility agriculture localization

设施农业智能机器人定位方法主要包括信标定位、惯性定位，以及基于SLAM的定位和融合定位。其中，基于SLAM的定位与融合定位方式逐渐成为设施农业机器人自主定位与地图构建的主流。

“

1 信标定位

信标定位技术通过部署多个已知位置的无线信标，并利用目标设备接收这些信标的信号来计算目标的位置。在设施环境中，目前常用的主要是UWB（图1）和RFID两种定位方式（表2）。

图1 UWB定位实现形式

Fig. 1 Implementation forms of UWB localization

表2 常见信标定位方法

Table 2 Beacon localization method

信标定位能够在设施农业中代替GPS为机器人提供全局定位信息，且精度较高，硬件成本较低。但设施环境中的遮挡问题对信标定位构成挑战。部分研究通过与其他传感器融合以提高定位稳定性和精度。毕松等设计了UWB测距值修正模型，并基于扩展卡尔曼滤波器（Extended Kalman Filter, EKF）设计了UWB测距修正值和IMU数据融合方法，有效克服草莓温室内因环境遮挡引起UWB定位精度下降的问题，实现了温室草莓植保机器人作业过程中的可靠定位。将信标定位与深度学习相结合也是提高定位精度与鲁棒性的主要方法。Niu等提出了一种基于残差网络模型ECA-ResNet的测距误差抑制方法，利用深度学习方法学习到不同障碍物遮挡情况下信道冲激响应的变化特征，利用信道冲激响应在不同非视距条件下呈现不同响应状态的特点，预测UWB的测距误差，从而对定位结果进行修正。但深度学习所需的大量数据样本和泛化能力的局限性限制了其在不同设施环境中的大范围应用。Jan等采用UWB技术实现了机器人在室内鸡舍中的高精度定位，并结合视觉引导使其沿饲料盆进行精确移动。该机器人不仅可用于家禽农场的巡查，还能执行清除死鸡和捡拾鸡蛋等任务，其平均定位精度达到40 cm。Feng等在禽畜养殖场的拐角处放置RFID标签与磁钉，记录旋转角度。当消毒喷洒机器人到达时即可按要求转弯，但喷洒路线相对固定。Reshma和Kumar将RFID标签集成至无人机上，实现了高精度的定位功能，在渔场应用中，该系统不仅能够实现精准地投喂，还能确保饲料在笼内的均匀分布，将饲料损失降至最低，此外，该系统具备高度的定制能力，可以扩展应用于其他投入品，如药物、疫苗。这一综合方案显著提升了养殖管理的自动化水平和资源利用效率。

“

2 惯性定位

惯性定位通过对传感器测得的加速度和角速度数据进行积分实现定位，使用的传感器包括加速度计、陀螺仪和磁力计等，能够在无外部参考的情况下实时提供位姿信息。IMU根据内部配置不同分为三轴、六轴和九轴三种类型，如表3所示。在设施农业智能机器人中，常配备六轴或九轴IMU。IMU不受外部限制，测量精度较高，但在静止状态下易受干扰而产生抖动，且长时间工作易受积累误差影响。

表3 惯性测量单元类型

Table 3 Types of inertial measurement unit

通过融合车轮编码器和IMU数据，可以综合两者优势。Qi等利用EKF融合IMU与车轮里程计数据，相比单一传感器提高了畜禽养殖场空气监测机器人的航向角估计准确性。Joffe等针对自动拾取鸡蛋机器人，利用超声波传感器对经EKF融合的车轮里程计与IMU数据进行校正，结果表明，定位精度可达到2 cm。将惯性定位与视觉和激光雷达传感器等其他定位方式多元融合能有效解决累积误差问题。Yan等将视觉惯性里程计、车轮编码器和惯性测量单元的测量集成到EKF中，该定位系统在多种植物茂密的日光温室中展示了良好的精度和鲁棒性。Roldán等将IMU与单线激光雷达传感器相结合，利用EKF整合测量的姿态，并估计环境检测机器人的全局姿态；惯性定位输出频率高，可以提供连续、平滑的位置估计，而视觉或激光雷达可以提供高分辨率、高精度的空间信息，二者结合不仅能提供连续的机器人状态估计，还能在一定时间间隔内利用视觉或激光雷达里程计校正定位偏差。设施渔业场景中，Pribadi等通过将陀螺仪与EKF技术相结合，成功实现了无人船的高精度定位，该研究不仅提高了无人船在复杂环境中的定位精度，而且通过模糊控制策略与蓝牙传输技术，实现渔场的精准投喂。

“

3 基于SLAM技术的定位

SLAM技术使机器人在未知环境中通过感知建立地图并实时定位其在地图中的位姿。SLAM属于基于特征的传感器定位方式。依据使用的传感器类型分为视觉SLAM、激光SLAM和融合SLAM。经典的SLAM框架由5个部分组成，视觉和激光SLAM在设施环境中都有应用，如图3所示。在SLAM框架中首先利用视觉、激光雷达等传感器获取环境数据，根据数据计算出短时间内的机器人位姿，作为前端的里程计信息。为了降低累积误差，采用滤波或非线性优化方法进行状态估计，得到里程计与全局地图的最优估计。回环检测用于识别是否到达重复场景，若检测到回环即可实现地图和轨迹校正。图3b和图3c展示了视觉与激光SLAM的应用效果。

图3 SLAM定位在设施农业中的应用

Fig. 3 The application of SLAM localization in facility agriculture

3.1 视觉SLAM

视觉SLAM利用视觉传感器实时捕捉环境图像，通过匹配全部像素或特征点以确定机器人位姿。国内外关于视觉SLAM研究多以普通相机和深度相机等作为信息感知来源。近年来，视觉SLAM凭借其高便携性、低成本、能获取语义信息的优势成为设施场景中SLAM研究的主流方向。

根据是否进行特征提取，视觉SLAM主要分为直接法和基于特征的方法。直接法利用全部像素值进行定位和地图构建，在纹理稀疏或动态场景中表现更好。典型的直接法包括：稠密跟踪与建图（Dense Tracking and Mapping, DTAM）和大规模直接单目SLAM（Large-Scale Direct Monocular SLAM, LSD-SLAM）等。Barth等利用LSD-SLAM重建甜椒三维信息并定位，利用机械臂在温室内实现甜椒采摘。基于特征的方法通过提取和匹配图像中的特征点，估计相机运动和场景的几何结构。该方法速度快、实时性强，但只适用于纹理特征丰富的场景，例如单目SLAM（Monocular SLAM, Mono SLAM）、定向FAST和旋转BRIEF SLAM（Oriented FAST and Rotated BRIEF SLAM, ORB-SLAM）系列、实时基于外观建图（Real-Time Appearance-Based Mapping, RTAM）等。Matsuzaki等将基于RGB-D的RTAM算法与语义分割网络相结合，在玫瑰种植温室场景中建立了具有障碍物类型标签的语义地图。语义SLAM不仅考虑环境的几何结构，还关注物体的类别、功能和属性等信息。Krul等在奶牛场谷仓中使用搭载在小型无人机上的单目摄像头比较了LSD-SLAM和ORB-SLAM算法的绝对轨迹和相对姿态误差，结果表明ORB-SLAM的定位精度更高。总体来看，视觉SLAM在设施畜牧和设施渔业中的应用较为有限。在长走廊的禽畜养殖场景中，由于视觉特征的高度重复性和动物的移动性，视觉SLAM面临挑战。目前的改进方法包括开发位姿图优化算法和引入深度学习技术。表4对比了不同视觉SLAM算法的特点。

表4 不同视觉SLAM对比

Table 4 Comparison of different visual SLAM

3.2 激光SLAM

激光SLAM测量激光束返回的时间和方向，通过激光点匹配估计机器人位姿。激光雷达与传统雷达的区别在于发射脉冲激光而不是无线电波。激光SLAM目前已较为成熟，虽缺乏颜色和纹理信息，但相比视觉SLAM具有更高的距离测量精度和可靠性，并且作为主动光源，受光照条件影响较小。

激光雷达根据扫描线数可分为单线和多线激光雷达。单线激光雷达通常只能感知单一平面数据，信息获取有限且对安装位置要求高。多线激光雷达可以测量一定范围内的三维数据，但数据量大，依赖更高的计算性能。针对单线激光雷达，季宇寒等融合单线激光雷达与编码器信息，使用Gmapping和分支界定算法建立二维环境地图并搜索最优巡检路线，结合自适应蒙特卡洛定位（Adaptive Monte Carlo Localization, AMCL）算法和PID实现了温室巡检机器人的自动行走。Zhang等研发了一种应用于大规模畜牧场中的巡检系统，采用Gmapping、Hector、Karto三种算法构建畜牧场栅格地图并定位巡检系统，结果表明Karto算法效果最佳。胡勇兵等在工厂化循环水养殖鱼池环境下设计机器人，基于Gmapping算法构建环境栅格地图，采用自AMCL算法实现鱼池清刷机器人精准定位。为了降低多线激光雷达的数据量，Jiang等将三维激光雷达采集的数据滤波为二维激光信息，利用Cartographer算法实现了机器人对日光温室环境的实时定位。还有研究改进Cartographer算法以适应设施环境的复杂性。近年来，随着工控机性能的提升，多线激光雷达LOAM系列在设施场景中的应用逐渐增多。表5对比了不同激光SLAM算法的特点。

表5 不同激光SLAM对比

Table 5 Comparison of different LiDAR SLAM

3.3 融合SLAM

融合SLAM通过多个不同类型的传感器在多层次和不同空间维度上收集数据，综合提供机器人所处环境的全面信息。这种方式有效解决了温室环境中单一传感器精度低、鲁棒性差的问题。

目前融合SLAM的传感器包括视觉、激光雷达和惯性传感器等。在融合视觉与激光传感器方面，谢天轩将ORB-SLAM2得到的三维点云图经优化后投影至二维平面，与Cartographer构建的二维激光点云通过融合策略构建信息更丰富的二维栅格地图，帮助植保机器人实现鲁棒、高精度定位。Zhang等设计了一种专在禽畜养殖场中应用的环境监测机器人，该系统采用视觉辅助激光的SLAM方案。采用贝叶斯融合策略，集成激光和视觉ORB-SLAM输出以提高定位准确性和鲁棒性。在与惯性传感器融合方面，Vroegindeweij等通过采用粒子滤波器，将激光雷达、IMU，以及车轮里程计的信息融合应用于拾蛋机器人。该技术显著提升了机器人在大面积鸡舍内的定位精度，定位的平均误差为0.2 m。孙国祥等基于扩展EKF算法融合了轮式里程计和视觉里程计信息实现局部定位，融合激光点云配准算法和AMCL算法实现全局定位，这种方法解决了日光温室内光照变化大、行间距狭窄的问题。

“

4 融合定位

多传感器融合能够有效弥补单一定位的不足，提高设施智能机器人定位的精度和鲁棒性。定位算法根据融合的信息类型和阶段可以分为数据级、特征级和决策级。表6从信息损失、抗干扰能力、实时性和定位精度四个方面对这三种融合方式进行分析。在农业设施场景中，数据级和特征级融合是主流的融合定位方式。数据级融合将不同传感器的原始数据整合，能提供更全面的信息，减少由单一传感器引起的误差。这种方法直接利用原始数据，信息量大，但受限于传感器的精度和同步性。特征级融合则是在传感器提取的特征上进行融合，通过结合不同传感器提取的特征信息提高定位准确性。此方法提高了对环境变化的适应性，但需要精确地特征提取和匹配算法。这两种定位方式信息损失少、精度高，能有效应对设施环境的空间狭小和遮挡问题，确保机器人的作业安全性。例如，SLAM定位通常涉及多传感器融合，如视觉传感器、激光雷达、惯性测量单元和车轮编码器，该方法通过提取环境特征并结合多传感器数据进行定位，属于特征级融合。决策级融合是结果层面的融合，综合考虑不同传感器的定位结果及其可信度，得到最终的定位决策。但需要准确的融合策略和决策规则。高层次决策过程可能未能充分利用各传感器提供的细节信息且易产生累积误差，从而无法达到数据级和特征级融合在处理设施环境时所能提供的精确度。

表6 定位算法数据融合类型

Table 6 Data fusion types of localization algorithms

“

5 小结

在设施环境中，障碍物遮挡（设施种植障碍物包括植物、灌溉设备、支撑结构和农业工具，设施养殖障碍物包括动物、饲料和水槽、分隔栏以及清洁设备）、动植物动态变化、可通行空间狭小，以及硬件成本与算力的限制都给机器人的自主定位和地图构建带来了巨大挑战。

信标定位在设施环境中具有良好的精度和实时性，且在设施种植和设施养殖中都展现出广阔的应用前景。然而，设施环境中障碍遮挡会导致信号衰减或多径效应，严重影响定位性能。此外，为了确保信号覆盖，在大面积环境中可能需要布设大量信标基站，显著增加了硬件安装和维护成本。因为水下信标系统的部署和维护成本较高，且在水下环境中信号传播和干扰问题较为复杂。在设施渔业中，信标传感器主要部署在水面和水上机器人中，而在水下的应用受到局限。此外，水下环境的特殊性使得信标技术难以提供稳定的定位精度，尤其是在水体深度变化和水流影响较大的情况下。

惯性定位具有成本低、输出频率高的优势。与信标定位相比，惯性定位无需布置基站，且受外界环境干扰较小。因此，其在设施种植和设施畜牧场景的定位中已经得到了广泛应用。然而，由于惯性定位存在误差随时间累积、漂移等问题，目前多与其他传感器融合使用。与信标定位类似，惯性定位在设施渔业的水下环境应用较少，主要因为水下的运动复杂性和长时间的累积误差使得IMU系统在水下环境中受到的漂移和误差较大，定位精度难以保证。此外，IMU系统对环境变化的适应性较差，导致其在水下深度和水流变化中的表现不稳定。

基于SLAM技术的定位方法具有自主性、实时性和适应性等特点，其在设施种植和设施养殖场景中应用广泛，但也面临挑战。视觉SLAM在光照变化和复杂遮挡下的表现不稳定，机器人任务执行中的抖动可能导致图像模糊，影响算法性能。激光SLAM相对成熟，但存在成本较高、在几何信息匮乏的场景中容易出现退化的问题。总体而言，设施场景的高度重复性导致的纹理、几何信息稀疏，以及场景的动态性都可能会使算法精度和稳定性下降。融合SLAM能有效提升算法的精度和鲁棒性，但也面临硬件成本上升、系统复杂性增加和能耗高的问题。融合定位算法需要实时处理不同来源的数据，这需要高效的算法和大量的计算资源，这些在农业应用中通常是有限的。此外，融合不同传感器数据还需解决传感器之间的同步和数据不一致问题。设施渔业场景中，尤其是在水面和水下机器人中的应用更加有限。水面环境特征单一，SLAM系统难以获取有效的特征点。而水下环境的复杂性高，水流、光线散射和不同的介质特性都显著影响了传感器的数据质量和SLAM系统的性能。此外，水下环境也对传感器提出了更高的要求，大大增加了硬件成本。

以上挑战共同要求在设施农业中开发更加智能和鲁棒性的定位解决方案，以满足实际应用的需求。未来研究可考虑以下方向：第一，在降低成本的同时，提高单个信标的有效信号覆盖范围；改进定位算法，将自主定位与地图构建技术与深度学习方法结合，例如，结合深度学习与信标定位以校正遮挡和环境干扰带来的误差；将语义分割模型与SLAM技术结合，赋予感知物体语义信息和动静态特征。第二，除了提升传感器性能外，通过融合多种传感器（如IMU、视觉传感器、激光雷达等）来提升算法性能，鉴于农业机器人算力有限，应设计轻量级、高效率的融合算法，在有限资源下快速准确地处理传感器数据并生成精确的定位结果。第三，推动低成本高性能传感器和计算硬件的发展，研究适应农业环境的低成本信标方案、新型材料和技术。最后，将自主定位和地图构建与大数据和云计算结合，建立农业环境动态数据库，提升计算能力和数据处理效率。

发布征集

来源：智慧农业资讯