選擇性收獲機器人技術研究進展與分析

苑 進

(1.山東農業大學機械與電子工程學院， 泰安 271018； 2.山東省園藝機械與裝備重點實驗室， 泰安 271018；3.山東省農業裝備智能化工程實驗室， 泰安 271018)

0 引言

據聯合國糧農組織數據統計，2018年我國新鮮果蔬產量達9.65億噸，占全球果蔬產量的50%，成為世界第一的果蔬生產大國。果蔬產業是典型的勞動密集型產業，在收獲環節中是機器部件與鮮食器官間存在直接或間接的互作過程，容易造成果實損傷，限制了其收獲效率，果蔬收獲是最難實現機械化作業的瓶頸環節[1]。隨著全球范圍內的季節性農業產業勞動力急缺、勞動力成本驟升和消費者對蔬果商品化品質要求的日益提高，收獲環節占全部投入成本比例越來越大[2]，例如美國加州的草莓收獲成本占到了生產成本的60%。針對果蔬產業發展遇到發展瓶頸，解決收獲環節的勞動力替代問題，選擇性收獲技術成為一種新興技術，也是農業機器人技術的重要研究領域之一[3-5]，可以降低人工成本，提高果蔬品質和利潤，已成為國際果蔬收獲技術發展的重要方向。

果蔬作物生產中，針對可一次性收獲作物的機械化收獲裝備，發達國家技術發展較為成熟，作業已達到了高度自動化。然而仍有大量果蔬作物具有發育和成熟度不一致的生長特性，需要分批次或個性化選擇性收獲。針對需選擇性收獲的果蔬個體，其收獲環節需要進行快速魯棒地目標識別定位和高效自動化采收。即使在歐美發達國家高度自動化收獲作業水平下，選擇性收獲技術仍然是尚未解決的技術難題，其發展過程經歷著人工收獲輔助技術階段、半自動化收獲階段和機器人選擇性收獲階段[6]。目前選擇性收獲機器人在生產效率和投入產出比方面仍不如人工作業，因此選擇性收獲仍然以人工作業為主，成為勞動力耗費最大的瓶頸環節[2]。

我國80%～90%的果蔬屬于鮮食生產，即采摘后直接進入超市和菜場，對成熟度、外觀、品質、貨架期的要求大大提高，因此我國對以選擇性采收為特征的機器人應用更為急迫、要求也更高，已成為果蔬產業生產發展的重大現實需求。國內外學者針對選擇性收獲技術開展了大量研究并取得了重要階段性成果[2]。然而，目前果蔬產業的選擇性收獲裝備產品市場化尚處于空白，高效率、低損傷的選擇性收獲技術亟待取得突破[5-6]。

以白蘆筍為代表的地下部產品和蘋果、草莓、番茄等為代表的地上部產品的鮮食果菜是選擇性采收機器人研究最為活躍、研發成果最為豐富的領域。針對典型果蔬，本文首先對近5年市場化前景較好的選擇性收獲機器人發展現狀進行闡述，然后針對選擇性收獲涉及的3個關鍵技術展開分析，以高效率、低損傷、魯棒性為目標，對選擇性收獲技術趨勢和未來發展方向進行分析和展望。

1 選擇性收獲概念與內涵

依據作物的食用器官是否成熟度一致或是否鮮食，果蔬產品的收獲方式分為選擇性收獲(Selective harvesting)和非選擇性收獲(Non-selective harvesting)兩種(如圖1所示)。其中，非選擇性收獲又可分為一次性收獲(Clear harvesting)和批次收獲(Bulk harvesting)兩種。一次性收獲是指收獲植株所有食用和非食用器官，如馬鈴薯、花生、菠菜、甘藍等；批量收獲是指不加區分地分批次收獲所有食用部分，如采用激振方法收獲的非鮮食番茄、葡萄、蘋果，擊打方式收獲的藍莓，分層切割的茶葉等。需選擇性收獲的作物大多是多年生，或一年生但作物花期長、多次開花座果或鱗芽多次萌發，每次收獲作業需要針對果實個體且僅收獲成熟的果實。不同果蔬成熟收獲期跨度差異很大，短則一周，長則數月。果蔬產品是否需要選擇性收獲，主要考慮一次性收獲和選擇性收獲成本比較、收獲后是否鮮食、收獲批次成熟相對一致性、是否產品分級、果實價值梯度等與農產品商品性收益間的綜合平衡。

圖1 果蔬收獲方式分類框圖Fig.1 Taxonomy block diagram of fruit and vegetable harvesting

選擇性收獲最早來源于林業管理中有選擇地進行樹木間伐。目前國際上對選擇性收獲技術沒有一個公認的定義，比較可行的定義為：移除單株或多棵植株，使其他植株仍生長在土壤上[7]。但這個定義并不適用于農業領域的農產品收獲。

在果蔬的生長發育過程中，由于各食用器官個體所在根莖葉的結構位置差異及其對應的外部“光、溫、氣、肥、水”等不同輸入，導致在相應的食用器官中營養物質積累、著色過程和干物質生長量等指標發育不均勻，在果實上表現出成熟度不一致。選擇性地適期采收不僅能體現農產品的最佳品質和商品屬性，而且能夠獲得最大的經濟效益。此時相應的收獲過程需要對目標物進行選擇，依據其果實成熟度、產品尺寸、色澤、紋理、硬度等特征或食用部分內含物的糖度等單個或多個指標綜合評價，并根據產品特點、采后用途、運輸特點和貯藏特點，確定其選擇性采收標準，決定其是否符合即時收獲條件，進行選擇性收獲[8]。更寬泛的定義是，選擇性收獲是相對于不加區分地一次性收獲而言，即在一次收獲過程中，需要對待收獲食用部分或全部植株加以采收，允許剩余未采收的果實繼續生長發育直至進入下個批次采收。

綜合上述分析可知，選擇性收獲技術具備市場化的存在條件和剛性需求，但這并不等同于符合進入現有市場的應用條件。原因在于：相比現有選擇性收獲機器人，盡管人工采收存在收獲質量因人而異、參差不齊問題，但人工選擇性采收的優勢在于功能多樣性導致其成本邊際效應低，因此現階段產業工人采收仍然有其成本優勢。只有當選擇性機器人在采收速度和品質綜合質量高于產業工人采收或選擇性采收標準(如采用多光譜的內容物量化指標)是人工無法勝任的情況下，機器人選擇性采收才具有市場化優勢。目前看，國內外選擇性收獲技術成熟度和應用成本還未達到進入市場條件。然而在產業工人短缺和成本持續提高情況下，通過農業機器人降低農產品生產成本已成共識，為此各國都在加大研發工作以加速機器人選擇性采收的市場化進程。

2 選擇性收獲技術研究進展

農業生產屬于非結構化環境并且在天氣條件、植株位置和時間上存在較大差異，本質上的不確定性對農業機器人提出了更高的靈活性和適應性要求。農業機器人領域涵蓋了多個農業生產環節的不同技術領域[4]，收獲過程中涉及到機器與果實互作，因而收獲是果蔬生產中最具技術集成度的環節，而選擇性收獲更是因作業動作要求精細成為農業機器人技術最具挑戰性的任務之一。

隨著傳感器、深度學習和機器人技術的快速發展，近年來選擇性收獲技術得到了快速發展，特別是以白蘆筍為代表的地下部產品和蘋果[6]、草莓、番茄等為代表的地上部產品的鮮食果菜成為最具活力的選擇性收獲機器人研究領域。特別是近5年來，農業機器人的選擇性收獲領域已出現了許多初創公司，為全球農業機器人研發增添了最為活躍的因素?？紤]到其商業化的驅動因素，一方面，初創公司快速成為除大學和研究機構外的重要創新實體，并能最快速地吸收研究進展和技術要素；另一方面，初創公司能更好地平衡技術實現、裝備成本和市場應用等因素，促進其成為引導選擇性收獲機器人發展的最重要力量。

本文按果蔬產品分布的不同，分地下部和地上部兩類，按照市場化前景情況，分析國內外選擇性收獲機器人技術發展進程。

2.1 地下部產品

地下部產品是指采收的可食用部分生長于土壤中，其選擇性采收需要位置判斷、莖芽切割、土壤分離等過程，這就意味著采收末端執行器不但要與地下根莖互作，還需要與土壤交互。地下部產品的選擇性收獲以白蘆筍最為典型。我國白蘆筍種植面積約10萬公頃，種植面積和產量都居世界第一，是白蘆筍最大生產國和出口國。白蘆筍一次栽植多年采收，筍芽地下生長，嫩莖先后抽發，成筍時間不一，每年持續采收3～5個月[9]。非選擇性(批次收獲)白蘆筍收獲機，不區分筍芽長度，一次性切割，傷根嚴重，成筍率低，嚴重降低產量[10]，已被筍農棄用。白蘆筍筍芽先后抽發，成熟時間不一，依據筍芽出土狀態的選擇性收獲是目前公認的最佳收獲方式，目前全部采用人工挖掘作業[9-10]。

白蘆筍的選擇性采收包含筍尖識別、壟面定位、快速入土、定距切根、筍體夾持、筍體拔取、土筍分離、土壤回填和筍體集箱等一體化作業。在此過程中涉及末端執行器、筍芽與土壤互作過程，容易影響到采收筍芽的商品化外觀和品質屬性；加之白蘆筍生長于地下，筍芽在土壤中的形態存在差異，精準檢測難度大，筍芽壟面識別存在更多不確定性，準確判斷難度大；因此在上述離散化收獲過程中難以實現高速低損傷采收，因此白蘆筍被認為是機器人選擇性收獲難度最大的蔬果之一。

圖2 白蘆筍選擇性收獲機器人Fig.2 White asparagus selective harvesting robot

在白蘆筍收獲機器人領域，目前最具市場化前景的是荷蘭Cerescon 和AvL Motion初創公司(圖2)。前者研發了第一款拖拉機牽引式白蘆筍選擇性收獲機器人Sparter(圖2a)[11]，采用了3項創新專利技術：壟面下蘆筍檢測，精準白蘆筍收獲末端執行器和雙臂并行收筍機構，這將使收獲成本降低50%，頂級蘆筍的產量提高20%，單產提高20%。目前該原型系統還處于測試階段，尚未完全達到商業化應用。該機器人的采收效率取決于蘆筍的品種、天氣狀況和收獲頻率，收獲效率約0.3 hm2/h。在一個蘆筍采收季，單行作業機器人可覆蓋約30 hm2，結合黑白膜覆蓋的種植方式，收獲頻率降為每2.5天1次，每天收獲16 h，相當于25個人工采筍工作量。

AvL Motion公司研發了第一款無需人工干預就能成功進行白蘆筍選擇性收獲的COMPACT S1560型自主機器人(圖2b)[12]，采用光學視覺手段檢測出土筍芽，設計的末端執行器采用了入土、切割、柔性夾持和出土過程，幾乎不需要進行土筍分離，采用基于運動鏈循環的10個末端執行器模塊同時用于同一壟的收獲。該機器人以3.6 km/h的恒定速度跟蹤蘆筍床，每株平均收獲時間為1.3 s，收獲壟寬為60 mm，蘆筍收獲長度為240～340 mm。

2.2 地上部產品

地上部器官是指采收的可食用部分位于地上，即采收末端執行器不需要與土壤交互，直接與食用部分互作，或通過柄、莖間接與食用器官互作。蘋果、草莓、番茄等是全世界最廣泛種植和廣受歡迎的鮮食果蔬，世界范圍內鮮食比例為80%～90%。由于其采收期長達14～150 d不等，其鮮食果實是地上部器官選擇性收獲的典型目標，世界范圍內仍主要依賴人工采收。

地上部產品的選擇性采收方式主要有兩大類：果實類(如蘋果、大果番茄、獼猴桃等)采收和果梗類(如串番茄、葡萄、草莓等)采收。前者需要末端執行器直接接觸果實，損傷可能發生在采收、輸送和集箱環節；后者直接接觸果梗不接觸果實，損傷僅可能發生在集箱環節。地上部產品的選擇性采收難度在于：不同栽培模式、果實之間貼碰聚集、果實與枝葉間遮擋重疊嚴重、果實容易機械損傷[13]、外形尺寸復雜多變、果實冠層內分布和待收獲姿態差異大等因素，造成了識別上的不確定性和采摘機理與結構上的差異，從而造成選擇性收獲難以實現高效率、低損傷和魯棒性。

在蘋果收獲機器人[6]領域，目前最具市場化前景的初創公司為以色列的FFRobotics(圖3a)和美國的Abundant Robotics(圖3c)。兩者目前還在針對實際果園收獲狀況進行技術改進，并于2019年10月在美國華盛頓果園中，開展了蘋果收獲技術競賽與性能評估。FFRobotics開發了一種伸縮式三指末端執行器[14](圖3b)，通過串行PPP(Prismatic-prismatic-prismatic)方式接近采摘目標、伸縮抓取和扭斷果梗實現果柄分類的快速采摘蘋果。Abundant Robotics公司則開發了一種具有基于真空吸入的末端執行器[15](圖3d)的并行機器人。兩者都是采用深度相機方式識別和定位蘋果，串行機器人的優勢是能夠覆蓋更大蘋果樹冠，并由于其較小的徑向尺寸允許伸入樹冠中；并行機器人的優勢在于快速和魯棒的采收效果，并在收獲的同時可以完成集箱過程，因而減少了采收環節，極大地縮短了蘋果收獲時間。FFRobotics宣稱，優質水果的采摘效率比人工高10倍，但沒有給出單果平均采收時間。Abundant Robotics則宣稱能夠每秒采摘一個蘋果。

圖3 蘋果選擇性收獲機器人Fig.3 Apple selective harvesting robot

在設施環境下的番茄選擇性收獲領域，目前美國Root AI和以色列Metomotion初創公司具有較好市場化前景。Root AI公司研發了小番茄單果選擇性采摘機器人Virgo(圖4a)，實現了設施種植行內自動移動，應用3D相機所獲取的空間圖像信息和深度學習技術，檢測果實成熟度和推斷目標番茄的位置，采用食品級材料的小型三爪末端執行器[16]，可以在不傷番茄的情況下快速完成小番茄果的采摘。

圖4 番茄選擇性收獲機器人Fig.4 Tomato selective harvesting robot

Metomotion公司研發了溫室大果番茄的成串選擇性采摘機器人(圖4b)，設計了與現在商業化生產配套的自主移動、雙六自由度機械臂獨立作業系統和集成機載系統，具有先進的3D視覺系統和機器視覺算法可識別和定位成熟的果實，設計的兩自由度閉合鏈串番茄果梗套剪夾持末端執行器[17]，用于分離其他碰觸的果實，并夾持果梗以實現無損收獲目標串番茄，從作業視頻看，每串番茄收獲速度為8～12 s。

日本松下公司研發了溫室小番茄單果采摘機器人(圖4c)，使用相機和距離圖像傳感器檢測待收獲區域的植株與果實分布，依據獲取的番茄顏色評估目標物的收獲可行性，通過獲取區域中莖葉和番茄的形狀、位置和其他信息，形成對實際采摘路徑和姿態規劃，激活收獲末端執行器和機械手分別抓住果實和莖，然后施加適當的力以分離它們。該方法是仿生人工拾取動作而開發的。目前速度達到6 s收獲一顆番茄。

在設施甜椒收獲機器人領域，ARAD等[18]開發了設施用甜椒選擇性收獲機器人SWEEPER(圖5a)，采用六自由度工業臂配有甜椒采摘專用末端執行器實現無損收獲，與帶有結構光的深度相機配合深度學習方法檢測甜椒和果柄，通過ROS系統實現收獲過程控制。在生產性溫室中的性能測試表明：在合理打葉條件下收獲成功率為61%，正常生產條件下收獲成功率為18%，甜椒采收平均時間是24 s，通過提高AGV底盤的運動速度，可降低到15 s。圖5b給出了每個采收周期中各個子動作的平均消耗時間，從中可以看出視覺伺服、果實集箱和平臺移動3個子過程耗費時間最長。

圖5 溫室甜椒選擇性收獲機器人Fig.5 Greenhouse sweet pepper selective harvesting robot

西班牙初創公司AGROBOT Robotics開發了針對高壟栽培和架式栽培草莓選擇性收獲機器人[19](圖6a)，通過24個獨立機械臂以無線方式協同工作，每個機械臂帶有一個短視距集成彩色和紅外深度傳感器和圖像處理單元確定待收獲草莓的成熟度，其末端執行器采用斷莖夾持方式收獲草莓，不直接接觸果實，避免損傷。

圖6 草莓選擇性收獲機器人Fig.6 Strawberry selective harvesting robot

美國初創公司Harvest CROO針對地面栽培和高壟栽培草莓設計了4行同時作業的選擇性收獲機器人[20](圖6b)。考慮到大田的高壟栽培模式中草莓與莖葉遮擋問題，設計了一種開卷式莖葉圍攏裝置，將草莓果從莖葉中暫時分離開，然后使用圍繞植株旋轉的光學相機識別并定位草莓果。創新設計了每行配置6個鴨嘴式食品級硅爪組成的采收輪，避免了拾取和移動以減少采收時間，采收的草莓依次轉運到頂部的輸送帶上完成集箱和包裝作業。

新西蘭新創公司Robotics Plus研發了多機械臂獼猴桃選擇性收獲機器人[21-22](圖7a)用于棚架式果園中自主作業。機器人由4個專為獼猴桃收獲而設計的三自由度機械臂和末端執行器，機械臂采用平行四桿機構以確保末端執行器的垂直狀態，末端執行器(圖7b)采用柔性二指夾持和扭轉方式將獼猴桃從果梗上無損傷地快速分離。視覺系統利用深度神經網絡和帶結構光的立體視覺信息實現獼猴桃可靠檢測和定位。機器人果園收獲測試中收獲成功率達到86.0%，其中收獲的55.8%獼猴桃中，每顆獼猴桃的收獲周期為2.78 s。

圖7 獼猴桃選擇性收獲機器人Fig.7 Kiwi fruit selective harvesting robot

生菜生長存在成熟度不一致情況[23]，英國劍橋大學BIRRELL等[24]開發了大田球形生菜選擇性收獲機器人Vegebot(圖8a)，包括深度相機、UR10六自由度機械臂和末端執行器(圖8b)，視覺系統使用兩個集成的卷積神經網絡來實現生菜圖像的分類和定位，基于力反饋的無損收獲控制方法確?？芍貜偷氖斋@一致性。在采收性能測試中，生菜到生菜的平均采摘周期為31.7 s，采收成功率88%，采后的非商品率仍高達38%。

圖8 生菜選擇性收獲機器人Fig.8 Lettuce selective harvesting robot

與白蘆筍不同，綠蘆筍是筍芽破土后生長于地表，依據生長高度進行選擇性收獲經濟效益高。德國不來梅大學的LEU等[25]設計了一種自主行走式綠蘆筍選擇性收獲原型機器人(圖9a)，實現了沿著壟行走，采用深度相機檢測蘆筍莖稈，基于獲取的三維點云信息評估，并識別收獲筍芽位置，設計的柔性夾持剪切采收末端執行器完成無損收獲。

圖9 綠蘆筍選擇性收獲機器人Fig.9 Green asparagus selective harvesting robot

美國Geiger-Lund公司設計了一種大田牽引式綠蘆筍選擇性收獲機械[8](圖9b)，達到采收高度的綠蘆筍會觸發傳感器信號，進而觸發相應位置的鏟刀快速鏟根，鏟后綠蘆筍在毛刷輥的夾持作用下依次輸送到集箱傳送帶上。

日本初創公司SAGA設計了設施綠蘆筍選擇性收獲機器人(圖9c)，通過設施內地標線識別實現巡線自主行走，綠蘆筍檢測系統配備了紅外傳感器和深度相機，可根據識別的長度信息識別待采綠蘆筍，采用了四自由度機械臂和兩指柔性夾持末端執行器，切斷綠蘆筍并集箱。機器人可持續工作10 h，甚至可晚上收獲作業。現有的綠蘆筍收獲機器人還面臨如何處理綠蘆筍莖稈密度較大以及聚集狀況下的選擇性收獲難題。

3 選擇性收獲關鍵技術

選擇性收獲研究始于20世紀80年代，近年來，傳感器感知精度、識別速度、新型采收結構及其控制方法都在快速更新，不斷完善，但主要受限于選擇性收獲屬于離散化采收過程，現有種植農藝下食用果實的隨機分布、果實密度低、果實間相互遮蔽、采收過程涉及子環節多等因素，造成采收機構執行速度低、成本過大、采收過程不可靠等問題，選擇性收獲技術還需要結合農藝創新共同攻克現有技術瓶頸。

選擇性收獲技術最重要的目標是高效率、低損傷、魯棒性和低成本。其技術水平可參考的衡量指標為：收獲效率：單位時間內收獲數量；識別成功率：成功識別的可采收果實數量占符合選擇指標果實數量的比例；收獲成功率：成功集箱的果實數量占符合選擇指標果實的數量比例；產品損傷率：損傷果實數量占成功集箱的果實數量比例；人機收獲比：符合選擇指標果實的人工收獲質量與機器人收獲質量比例，該指標可作為機器人收獲能力的綜合評價特征。

上述指標的重要程度依選擇性收獲實現難度、投入產出比、技術成熟度、產品市場化程度和選擇性收獲需求程度的具體情況存在差異，可作為裝備選擇或商業化運營的參考依據。

機器人選擇性收獲的流程(如圖10所示)包括3個步驟：對目標與環境的感知；待收獲目標的識別與定位；驅動單個或多個收獲臂和末端執行器完成收獲動作。依據目前選擇性收獲技術進展與動態，僅涉及直接相關的關鍵技術：末端執行器與收獲機構；收獲目標識別與定位技術；選擇性收獲協同控制技術。下面整理出選擇性收獲領域的主要技術特征和演化脈絡，并給出本領域的研究開放性問題。

圖10 選擇性收獲流程圖Fig.10 Flowchart for selective harvesting framework

3.1 末端執行器與收獲機構

在收獲過程中，末端執行器依靠力封閉直接抓取果實或通過夾持果梗與果實互作，具體包括：隔離聚集的非目標物、從植株上分離目標物、運輸目標物至集箱作業的全部或部分過程。由于待收獲目標物因形狀、力學特性、接觸部位、是否聚集等屬性千差萬別，收獲方式不一而同，其末端執行器的實現形式也不同(見圖11)。這種互作方式是選擇性收獲的本質屬性，決定果實是否易損和外觀是否完整程度、收獲環節長短、收獲機構自由度，進而影響收獲機構、控制方式等子系統的復雜度和成本，從而影響機器人的收獲速度、采摘成功率和魯棒性。

圖11 收獲末端執行器分類框圖Fig.11 Taxonomy of end-effectors of harvesting

3.1.1地下部末端執行器與收獲機構

本節以典型地下部產品白蘆筍的選擇性收獲為例，分析其收獲方式與機構實現。針對地下部產品的選擇性收獲場景，一般地，末端執行器及收獲機構完成果實收獲需4個步驟：部件入土、莖芽切斷、莖芽夾持和土莖分離。其中，部件入土子過程的要求是盡量減小對壟面破壞以利于后續作業、減少入土覆蓋面積以減小對壟面下未成熟筍芽的損傷。目前其實現形式分為：垂直壟面的下插入土和壟側入土兩種方式。后者對壟面破壞較大，因此目前多數采取下插入土方式。莖芽切斷是指將上部筍芽與基部筍莖分離的過程，其可分為：剪切型、咬合型、土壤固定的切割型3種切斷方式，前兩種是指末端執行器配有動定兩個匹配刀片或兩個相對咬合的動刀片，可以完成有支撐切割；后者是指只有一個動刀片，而筍芽被土壤固定，也同樣可以完成有支撐切割。莖芽部位的夾持又分為：通過柔性材料直接夾持莖芽和通過型腔壓縮土壤約束莖芽；夾持莖芽的優點在于同時完成莖芽夾持和土莖分離，且基本不需要土壤回填過程。如果采用土壤約束莖芽，則需要土莖分離環節，分為振動分離和運動分離兩種分類方式，這種方式需要回填土壤和壟面恢復作業。

圖12給出了白蘆筍選擇性收獲末端執行器的不同形態，AvL Motion公司的剪切夾持式(圖12a)、Cerescon公司的咬合切斷、型腔固定和振動分離式(圖12b)、山東農業大學的橫切夾持式[26](圖12c)，后者的入土阻力更小，采用夾持筍芽方式出土幾乎無需土壤回填，顯著減少了后續作業環節。AvL Motion公司采用固定在循環鏈條式結構上的10個末端執行器并行工作，而Cerescon公司則采用2個相互關聯的末端執行器并行執行前置工序與土莖分離作業，這樣提高了白蘆筍的并行采收速度。兩個初創公司都采取了采筍機械臂高速運動補償機器人的行走策略，實現以恒定速度自走過程中白蘆筍不停車收獲。Cerescon公司還設計了壟形修復機構以恢復因采收作業對壟面的破壞。

圖12 白蘆筍選擇性收獲末端執行器Fig.12 End effector of white asparagus selective harvesting

LI等[27]采用離散元方法比較了兩種不同的白蘆筍采收末端執行器(橫切夾持式和夾切夾持式)與土壤和筍芽互作的采收過程，也分析了莖芽夾持中的白蘆筍所受作用力以及部件入土時土壤阻力，為末端執行器的采收控制提供了數據支持。

3.1.2地上部末端執行器與收獲機構

針對地上部產品的選擇性收獲場景，一般地，末端執行器及收獲機構完成果實收獲分為2個步驟：固定果實和分離果實，理論上這兩步可以分開，也可以一體[28]。固定果實可能發生在分離果實前后兩個階段中，前階段是為分離果實而固定，后階段是為集箱而固定。固定果實可歸納為約束果實和約束果梗(莖)兩種固定方式，前者如蘋果[29-30]、獼猴桃、單果采摘番茄、綠蘆筍等，約束果梗如串摘番茄、鮮食葡萄等。約束果實的方式可歸納為4種：柔性抓取、負壓吸取、型腔套取和無需固定環節。柔性抓取一般采用全柔性材料(硅膠等)、剛性結構覆蓋柔性材料(海綿等)或可結構變形柔性材料(柔性手指[31])，其驅動方式常見有機械直驅、繩牽引[32]或氣動驅動[33]等。負壓吸取是利用果實光滑表面與真空吸嘴的吸附關系固定果實，例如甜椒真空吸附[34]。型腔套取是利用固定形狀的半封閉型腔承接并約束果實，一般的型腔套取方式沒有驅動部件。無需固定環節通常與分離果實環節結合在一起，例如Abundant Robotics公司的真空吸入收獲方式中(圖3d)，并無直接接觸蘋果的部件。約束果梗(莖)是指在果實分離后通過固定果梗(莖)實現果實固定。一般地分為柔性材料覆蓋的剛性部件夾持或剛性部件直接夾持。

分離果實是收獲的核心子過程，大致可分為扭斷果梗和切斷果梗兩種分類方式。由于在果梗基部存在未木質化的離層，具有較小的機械強度，如蘋果、番茄等，通過正確的角度扭轉[35]，即可將果實從果梗上分離下來，這種方式更有利于果實儲運和商品貨架期。扭斷果梗(莖)有拉拽斷裂、繞果梗旋轉扭斷或垂直果梗旋轉扭斷[36]以及上述多種作用方式組合3種實現方式。例如Root AI公司的小番茄果采收和FFRobotics公司的蘋果采摘扭斷分離方式。對于果實的果梗離層發育不明顯或莖芽不存在離層的情況，需要借助于刀片切斷果?；蚯o部，切割果梗(莖)可歸納為有支撐切割和無支撐切割兩種方式，其中前者又分為剪切型[37]和咬合型[38-39]，后者分為往復鋸切[18]、旋切[40]、循環鋸切和沖擊鋸切[34]4種實現形式。

以設施中的甜椒收獲為例，圖13給出了不同末端執行器的4種收獲方式。其中無果實固定是通過果梗自然固定果實，因此對末端執行器采摘姿態要求較高，而果實固定方式則更有利于果實分離點的確定。上述方案均沒有提及果實聚集下的收獲情況。

圖13 甜椒末端執行器收獲方式對比Fig.13 Comparison of end effector types for sweet pepper harvesting

以番茄收獲為例，圖14給出了大小果番茄果收和串收的4種收獲方式。圖14a、14b分別為采用柔性抓取+垂直果梗旋轉扭斷的分離方式采收大番茄單果和小番茄單果；圖14c、14d分別為采用剪切型切斷果梗+剛性夾持果梗的固定方式采收大番茄串果和小番茄串果；串收方式效率更高些，但需要從育種和農藝上保證同串果成熟度一致性高，否則只能采取果收方式。

圖14 大小果番茄果收和串收的4種收獲方式Fig.14 Four harvesting methods for large and small tomatoes

以草莓收獲為例，高架種植模式[41]最有利于形成半結構化的選擇性收獲結構，高壟栽培次之，地面栽培最不利。圖15給出了不同栽培模式下末端執行器的4種收獲方式。高架栽培模式下，圖15a為果梗剛性夾持+剪切分離方式；圖15c為果實型腔套取固定+剪切分離方式[42-43]；圖15d為果實柔性抓取+垂直果梗旋轉扭斷分離方式。高壟栽培模式下，圖15b為果實型腔套取固定+咬合分離方式。由于草莓果型小，若采收頻率不高，容易產生聚集現象，將極大地影響采收效率，因此末端執行器設計需要考慮如何分隔非采收目標，相對果梗固定，果實固定方式對采摘姿態和采收空間要求較高。

圖15 草莓選擇性收獲末端執行器Fig.15 End effector for selective harvesting of strawberries

以綠蘆筍收獲為例，圖16給出了大田和設施種植綠蘆筍選擇性收獲的兩種收獲末端執行器。圖16a為采用4條柔性橡膠夾持筍芽+底部莖芽切斷分離方式采收大田綠蘆筍；夾持部件有較長的開口便于引導末端執行器采收筍芽，但由于不同長度的筍芽會出現聚集現象，如何將聚集的非目標筍芽隔離而僅夾持目標筍芽，且此種情況下末端執行器是否有足夠自由度用于調整采收角度未見描述。圖16b為采用兩指柔性抓取筍芽+底部莖芽切斷分離方式[44]采收設施起壟種植的綠蘆筍。

圖16 綠蘆筍選擇性收獲末端執行器Fig.16 End effector for selective harvesting of green asparagus

3.1.3多機械臂并行收獲技術

選擇性采收過程的本質離散化特點，決定了其無法實現像非選擇性收獲一樣的高速性能。為了提高收獲速度，很多選擇性收獲機器人設計方案開始選擇多機械臂并行收獲技術[45-47]，以提高收獲效率。當食用器官在收獲區域內的分布密度足夠大且分布相對均勻，或者單個機械臂單次收獲周期較長時，多臂并行收獲有效。

目前多機械臂并行技術分為兩種：區域獨立的絕對并行、區域共享的相對并行和兩種混合方案。前者是將待收獲區域劃分成沒有交集的子區域，每個機械臂只在相應子區域上作業，這種方案既可以通過機械設計實現隔離，也可通過運動控制實現隔離。其缺點是果實分布不均勻時無法互補作業。區域共享的相對并行方式是多機械臂在同一采收區域作業，機械臂通過分時共享物理上的采收區域，這種方案的優點是多個機械臂可以在果實分布不均勻時通過互補提高作業效率，但由于多機械臂可能會出現干涉現象，因而控制策略復雜且對控制實時性要求高。

圖17 多機械臂并行選擇性收獲Fig.17 Multiple robotic arms parallel selective harvesting

圖17給出了多機械臂并行選擇性收獲實現方案。圖17a為FFRobotics公司開發的多機械臂并行收獲方案[47]，將12個機械臂布置在兩側針對兩行蘋果同時采摘，每側為3組，每組配置3個機械臂，其中每組將蘋果分布分成3個相互獨立子區域[14]，且組間在高度方向上共享、組內在水平方向上共享采收區。為避免機械臂模塊間的碰撞和干涉，采用了機械臂物理區域隔離和控制策略隔離兩種混合方式。圖17b為Harvest CROO公司開發的高壟栽培草莓采收的4個采收單元并行收獲方案，將每壟區域分配一個獨立的采收單元，屬于區域獨立的絕對并行的方式。圖17c為AGROBOT Robotics公司開發的采收高架栽培草莓的24個采收機械臂的并行收獲方案，將24個機械臂布置在6個直線模組單元上，4個機械臂共享該單元的直線模組，6個直線模組單元在前進方向上機械隔離，同單元內的4個機械臂在控制策略上實現隔離。圖17d為Robotics Plus公司設計的棚架式獼猴桃4個機械臂并行采收方案，4個機械臂共享采收區域，要通過控制策略來約束相鄰兩個機械臂的采收行為。

綜上分析可以看出，多機械臂的設計方案需要平衡作物果實的分布密度和每個采收機械臂的負荷。

3.2 收獲目標識別與定位技術

選擇性收獲機器人的優勢之一是借助目標物感知，可靠地判斷目標物是否符合采收指標的能力且設置不同的采收指標閾值，可方便地決定采收標準[48]。選擇性收獲過程中，需要使用傳感器感知目標物的尺寸、形狀、色澤、紋理、硬度等信息，進行選擇性評估、目標物識別和確定空間位置信息。由于果實分布隨機、果實聚集、目標物與非目標物相互遮擋、背景信息和光照持續變化等因素，加之傳感器的振動、傳播路徑誤差、感知誤差等，造成采收目標識別、選擇與定位過程中存在諸多不確定性，從而影響識別魯棒性與定位精度，進而影響機器人的收獲速度和采摘成功率[49]。

3.2.1地下根莖的無損檢測與定位

針對地下部食用器官檢測，林為政等[50]通過分析高頻下冬筍-土壤介電常數模型，提出一種基于時域反射的冬筍探測方法(圖18a)，利用幅值比和相位差有效對冬筍進行探測，準確率達到70%。Cerescon公司也使用同樣原理的檢測方法，應用多個分布式接近傳感器(圖18b)在不接觸蘆筍的情況下無損檢測壟下蘆筍位置，定位信息傳送給收獲機器人，設計的探測指快速回縮裝置防止與蘆筍機械接觸，從而使其保持完好無損。SEYFRIED等[51]采用對地雷達技術非侵入地感知壟面下筍芽的長度(圖18c)。

圖18 地下根莖選擇性收獲的無損檢測Fig.18 Non-destructive test of underground spears for selective harvesting

3.2.2地上果蔬的目標識別與定位

地上部產品的選擇性收獲技術更多采用彩色相機、立體視覺、深度相機[52-54]、激光雷達[55]、ToF相機、近紅外相機甚至多光譜相機，主要提供感知范圍內的兩類信息：多通道的2D形態特征和場景的3D坐標特征[55-56]，用于表征果實和背景環境及其變化。主要任務包括：目標與背景識別或分割、選擇性收獲評估和目標物定位[57-61]。

選擇性收獲技術的目標識別與定位多借鑒或集成應用機器視覺、模式識別和機器學習領域中技術成果。其技術演化脈絡[62]如圖19所示。在目標與背景識別早期，通常以彩色、近紅外[63]、光譜等圖像或3D點云特征為數據源，分析并提取顏色、形態、大小、紋理、反射光譜等可視化特征[50]或SIFT、HOG、SURF、DPM等底層特征[64]，將單一特征或多個特征融合[65]表征，結合機器學習理論，如決策樹、支持向量機、集成學習等算法，形成了數據預處理、特征計算、分類識別與語義分割[66-67]等。

圖19 目標識別與定位技術演化脈絡Fig.19 Evolution of object detection and localization

由于目標物和非目標物特征表征受限于：樣本量不足和正負樣本不平衡，特征水平、特征數量和抽象層級不足等因素，以及檢測模型存在泛化不足等問題，傳統機器視覺方法在選擇性收獲的半結構化環境中對光照變化敏感[68]，還廣泛存在著果實、果梗、葉片、花萼間相互遮擋與聚集現象[66,69]和果實晃動等問題，導致機器人識別與定位精度不高[70]、魯棒性不強等問題[71]，算法普遍適用性仍需提高[72]。

從圖19可以看出，近5年來深度學習[73-74]，特別是卷積神經網絡(CNN)，在多類別物體識別和定位領域取得了巨大進步[64,75-78]。其原因在于深度學習可以堆疊更多更深的多層感知器和多個隱藏層，用監督式或半監督式的特征學習和分層特征提取算法來替代人工獲取特征，從大量數據或圖像中直接學習到不同層次的特征表征，尋求更好的表示方法并創建更好的模型，如早期的兩階段目標檢測算法(如RCNN、Faster R-CNN[79-80]、Mask R-CNN[81]等)，近期的一階段目標檢測算法(如SSD[82]、YOLO[83-84]系列算法)。研究人員將這些算法創新并應用于農業機器人，較好地解決機器視覺在自然環境下識別泛化性較弱問題，大幅提高了待收獲目標識別的準確率[85,61]。

WILLIAMS等[22]將獼猴桃采收區圖像1 936像素×1 216像素采用下采樣算法變換到500像素×500像素的圖像，然后采用GPU加速的Faster R-CNN算法對獼猴桃采收點進行識別，圖20實現了在3種光照環境下均表現出了較好識別結果，顯示出識別模型具有較好泛化性。

圖20 正常、曝光過度和強光光照下獼猴桃的目標識別結果Fig.20 Kiwi detection under typical, overexposed and glare condition

圖21 番茄選擇性收獲識別與定位Fig.21 Tomato selective harvesting identification and location

Metomotion公司采用深度學習方法處理3D視覺信息(圖21a)，實現對番茄和背景的分類(圖21b)，可以完成對串果識別(圖21c)，也可以借助于YOLOv3實現對單果的識別和選擇性采收指標的評估，列出待識別目標集，再借助3D信息，確定待收目標的空間坐標信息。

LV等[86]提出在機械臂每次采收蘋果操作時，選擇視場中最大的蘋果作為采收目標，減少了70%算法執行時間。梁喜鳳等[87]采用目標果實串分割圖像，根據果實質心和輪廓邊界確定果梗的感興趣區域，采用快速并行細化算法提取果梗骨架，利用Harris算法獲得串番茄采摘點位置信息。

ONISHI等[72]使用SSD算法識別并定位目標水果，并使用立體視覺獲得三維坐標。通過逆向運動學規劃機械臂關節運動軌跡，通過扭轉末端執行器收獲果實，識別成功率超過90%，收獲周期為16 s。針對果實與莖葉顏色相似[88]、形狀不規則及復雜生長環境導致機器視覺檢測不準確的問題，MAO等[89]提出了一種多徑卷積神經網絡(MPCNN)結合顏色成分選擇和支持向量機(SVM)檢測新方法，黃瓜識別成功率超過90%，葉片錯誤識別率低于22%。

PEEBLES等[90]比較了Faster R-CNN 和SSD算法用于檢測綠蘆筍筍芽的性能，Faster R-CNN在單類筍芽檢測中能提高38%的性能，兩者在多類筍芽檢測中比單類檢測性能降低27%。

綜上可以看出，隨著對半結構化環境感知精度提高，深度學習等方法一定程度上提高了選擇性收獲目標識別的準確度和魯棒性。

3.3 選擇性收獲協同控制技術

機器人末端執行器[91]、機械臂和移動底盤的控制性能也極大地影響著收獲性能。為了實現對收獲動作的有效控制，依據立體視覺感知信息重建采收環境3D地圖、通過逆向運動學規劃機械臂關節運動軌跡[34,47,92-93]，并結合果實抓取模型及抓取位姿計算[94-95]，實現末端執行器的伺服控制[96]。

XIONG等[42]針對聚集果實的采摘問題，提出了一種仿生人工晃動采收方式的動態障礙物分離路徑規劃策略(圖22)。由于其采用了一種型腔套取方式分離草莓，因此其方法通過3D點云確定目標物周圍的RoI區域，然后對目標物和障礙物分類(圖22a)，然后以米字形運動規劃推拉運動(圖22b)，以推開障礙物，套取目標物，實現目標物采摘。

圖22 動態障礙物分離路徑規劃Fig.22 Active obstacle separation path-planning strategy

由于物理試驗費時費力，為開展采摘機器人智能防碰損作業行為及規劃算法的仿真驗證，設計了一種基于虛擬現實的采摘機器人仿真試驗系統[97]，實現機器人的采摘機械手視覺伺服控制[98]。

SHAH等[99]設計了一種適用于柑橘類選擇性收獲的低成本、柔性末端執行器，應用積分型滑模變結構控制(Integral sliding mode control,ISMC)實現了摘橘過程的柔順控制，并避免了末端執行器與果實碰撞。

主控系統的協同控制能力也影響著收獲性能。在選擇性收獲機器人系統中存在感知(眼)與執行(手和腳)的協同和執行部件間(多臂和手腳)的協同兩類。上述協同可以借助于機器人分布式操作系統ROS的消息強實時性通信機制實現，加上分布式獨立運動控制器，可以增加運動控制響應的實時性。目前大部分的選擇性收獲機器人選擇ROS作為其主控系統。

WILLIAMS等[22]提出了以最小收獲時間為目標的動態獼猴桃采摘協同算法，首先將視覺系統識別后的多個果實位置聚類，然后依據機械臂采摘是否干涉作為條件，將聚類后果實依據動態分配給4個采收機械臂，將單顆獼猴桃平均采收周期縮短至5.5 s。

ZION等[100]將果實與機械手匹配描述為一種k階可著色子圖問題，提出了基于啟發式算法和局部搜索的近似算法，用以協作方式分配多臂收獲最大數量果實。

JOSEPH等[101]針對傳統單臂“抓取-放置”的果實收獲方式耗時過長，提出了一種果實抓取臂和采后拾取臂協同模式的作業方式，試驗結果表明可以節省50%以上的采收時間。

3.4 選擇性收獲技術研究的開放性問題

果實聚集、分布隨機、果莖葉相互遮擋和非結構化采收環境，造成選擇性采收過程中存在諸多不確定性，對實現支撐商業運營的采收速度、收獲效率、低損傷率均帶來極大的挑戰，選擇性收獲機器人技術研發仍存在以下開放性問題亟待解決：

(1)末端執行器與機械臂設計與優化

國內外學者研究了不同食用部位的果實固定與果實分離科研課題，已取得了諸多研究成果[102]，以期實現高速低損的選擇性收獲。但不同收獲方式和末端執行器，收獲性能差異性很大，如Abundant公司采用了真空吸附方式的末端執行器采收蘋果，極大地縮短了蘋果采收子過程所需時間，FFRobotics公司設計的伸縮式三指末端執行器，可以穿透葉片遮擋收獲隱藏在冠層中的果實。然而現有的多種末端執行器和多臂并行收獲方案，即使生產現場的環境經過人為結構化后，采摘機器人作業仍難以達到理想試驗效果。

因此，一方面，在輕簡栽培條件下，如何設計適用于目標物固定和非目標物分離、高速低損收獲的末端執行器，解決果實聚集和莖葉遮擋的問題；另一方面，如何優化多機械臂對復雜非結構環境的作業適應能力和平衡多臂設計與裝備成本是主要技術挑戰，成為影響選擇性收獲機器人技術走向成熟和生產應用的瓶頸問題。

(2)復雜場景下動態識別與快速決策

隨著深度學習的引入，學者針對自然光照和重疊遮擋條件下的果實識別已開展了諸多研究，選擇性收獲機器人對果實識別的性能已經有所提高[50]，然而仍然無法解決隱藏在葉子或果梗重疊遮擋條件下的果實精準定位，例如FFRobotics的蘋果收獲機器人可以將它們識別為蘋果，但果實定位卻無法精準獲取，從而造成末端執行器抓取果實失敗，無法進一步提高收獲成功率。

由于果梗有更強的重疊遮擋概率，果梗有連續性且果梗剪切點的判斷更不容易識別，有學者采用圖像語義分割、邊緣檢測和區域推斷等傳統方法，基于3D點云[103]或圖像[18]信息實現果梗采摘點的識別[104]。這些方法的魯棒性不足，不容易在復雜場景中實現高準確率判斷。

綜上，在遮擋條件下的果實精準定位、果實活動或移動狀態下的動態感知[105]以及果梗[106]采摘點的快速識別和決策[107]等問題，以及針對環境和目標識別的大規模未標記數據中學習，并能夠實現自主學習和智能推理是復雜場景下動態識別與快速決策的開放性研究問題。

(3)機器人系統協同控制與作業優化

從目前選擇性收獲機器人的執行效率看，仍然無法與人工處理相抗衡，原因之一在于：信息感知(看)、動作決策(想)與執行環節(做)上的不匹配。例如目前“看+想”不能實時，視覺伺服控制[108]仍依賴于環境精確建模“看好再做”的開環模式為主，若目標物因風或機械手引起的振動以及各種不確定因素導致碰撞和晃動，則很可能導致采摘失敗等問題[109]。

還有沿行或沿壟自走的不停車收獲，因其收獲區域不斷變化的前提下，“看+想+做”的實時性仍然不能滿足，達到與人工抗衡的收獲性能仍有一定距離。因此多機械臂協同[101]、共融作業優化[110]、手眼協同[111]、手腳協調等開放性問題仍需深入研究，以實現高速高效地選擇性收獲。

4 我國選擇性收獲技術應用面臨的挑戰與機遇

選擇性收獲由于存在果蔬生產上的農藝需求和機器換人的現實需求，其技術應用與市場化是不可回避的問題。我國選擇性收獲技術發展較晚，果蔬品種比國外多且雜，受農藝與成本約束強，果蔬產業機械化難度更大，農業機器人研發資金投入大，科研工作以高校院所為主，由于缺乏市場主體參與，產業發展緩慢。

2020年6月，農業農村部印發了《關于加快推進設施種植機械化發展的意見》，明確提出要大力推進設施布局標準化、設施建造宜機化、生產作業機械化、設施裝備智能化和生產服務社會化[1]。意見也明確了研制采收等農業機器人，實現精細生產管控、高效運維管理。近年來，我國已出現相當數量的規?；弋a業集團和現代農業產業園，隨著勞動力成本上升與自動化裝備成本下降、栽培管理水平與品質控制需求的日益提升以及少人化、無人化農場觀念[112]的推進，果蔬選擇性收獲技術將首先出現在這類公司和園區中。

目前農業機器人技術要素集合中，對作業環境的認知仍然從屬于現階段人工智能發展的弱人工智能階段，因此現階段農業機器人的應用，一方面受限于傳感器感知內容的匱乏，另一方面受限于成本約束的計算能力和認知能力，因此現階段的機器人定位為有限功能應用的選擇性收獲?；诖?，未來5年或10年，選擇性收獲技術的技術應用與市場化需要平衡以下關系：

(1)柔性生產與投入產出

過度追求選擇性收獲機器人的柔性生產將帶來更多不確定性，造成機器人操作環境復雜，增加機器人成本，降低魯棒性。選擇性收獲應用場景能否落地應用的3個關鍵因素：高附加值作物、作業規模足夠大和收獲場景一致性。前兩者是確保機器人應用成本與獲取經濟收益的平衡，后者確保機器人感知與認知相匹配的適度不確定性，以及機器人收獲機構與作業結構相匹配的適度復雜度。以蘋果或獼猴桃采摘[21]為例，要收獲樹冠中隱藏在樹枝、樹葉和非選擇目標后面的水果需要更昂貴的傳感器、更復雜的目標識別方法、更高自由度的末端執行器和收獲機構以及復雜的控制系統，這樣的選擇性收獲是可能的，但這樣的系統會降低收獲效率，增加機器人的成本，因而不實用。而嘗試種植密度更高、果實二維平面化分布的果樹，將使選擇性收獲更輕簡高效。

(2)專用收獲與通用收獲

我國果蔬生產的品種多樣，農藝不統一，因此增加了收獲環節的復雜性和不確定性。作物類別專用的收獲機器人從末端執行器、機械臂、主控系統到感知部分均有所差異，由此專用收獲提高了裝備成本，限制了其推廣應用范圍。果蔬生產中需要選擇性收獲的場景比較多，因此在選擇性收獲機器人設計中既要考慮收獲專用性，又要考慮相近品種收獲原理的通用性。再者，利用收獲機器人功能的模塊化設計[113]，提升部件通用性，進而提高部件利用率，降低使用成本。

(3)技術應用與經濟效益

選擇性收獲僅是栽培管理的瓶頸環節之一，應當從果蔬生產的產業鏈和價值鏈甚至供應鏈綜合考慮選擇性收獲技術應用和由此帶來的經濟效益[114]，只有這樣才是可持續發展的果蔬產業。因此通過種植標準化、設施建造宜機化和栽培管理輕簡化配合農藝管理措施，系統性地將半結構化生產環境適應改造成適合選擇性收獲場景，降低生產投入，提高生產效率，是實現少人化、無人化設施和現代果園數字化生產的前提[115-116]，通過優化生產管理上的人機共融策略，標準化適宜地選擇性收獲應用場景，降低自主作業復雜性，加速實現其實際應用。

5 結論與展望

(1)源于果蔬成熟度不一致的限制、人工采收成本的約束和果蔬品質控制的需求，選擇性收獲技術是果蔬產業可持續發展的瓶頸問題已成為共識。

(2)針對典型果蔬的半結構化場景下專用選擇性收獲技術更新加快，特別是環境感知成本下降、深度學習技術進步和計算能力提升，近年來選擇性收獲機器人發展迅猛，使裝備市場化成為可能。

(3)果實聚集和遮擋條件下的果實固定與分離的末端執行器及收獲機構設計、多機械臂設計與共融作業優化、復雜場景下果實動態識別與快速決策和機器人系統協同控制與作業優化，成為選擇性收獲機器人技術亟待研發的開放性問題。

(4)通過裝備技術、栽培農藝和設施環境的深度融合，構造合理的目標分布-作業環境-人機共融，減少自主作業復雜度，降低作業設備成本，是加速實現選擇性收獲機器人市場化應用的發展方向。