面向室內養殖場的機器人自主導航技術研究進展

郭曉耿， 莫冬炎， 朱立學， 張世昂， 楊塵宇

（1. 仲愷農業工程學院機電工程學院，廣東 廣州 510225； 2. 仲愷農業工程學院自動化學院，廣東 廣州 510225）

0 引言

機器人已被公認為農業領域最具潛力的新興技術之一[1]。農業機械自動化被認為是提高農業生產效率和質量的最有效途徑，其中，應用于農業生產的機器人在提高勞動生產率、改善生產作業環境、緩解勞動力不足現狀，實現農業的智能化、精準化生產模式等方面具有極大的應用前景[2]。

隨著工業化進程的加快，養殖業也開始朝規?；?、標準化、集約化、智能化不斷邁進，機器人在實現農業的可持續發展與室內智能化養殖方面發揮著越來越顯著的作用[3]。機器人是一種集成傳感器、通訊交互、圖像識別等技術于一體的智能裝備，其中農業作業環境中機器人的定位和導航一直是人們關注的焦點，自主導航技術是機器人實現各種自主作業功能最基礎也是最重要的技術[4-5]。

機器人在室內養殖場實現自主作業，可靠的導航系統是實現機器人自動化作業的基本保證。為實現自主導航，機器人需要搭載各種傳感器，通過傳感器感知、獲取復雜的環境信息以便后續分析處理。根據環境感知技術的種類，導航技術有激光雷達導航、視覺導航、機械導航、電磁導航、超聲波導航、衛星導航等分類，通過上述環境感知技術獲取信息，處理后傳輸到機器人的行走控制器，實現自主導航與避障[6-7]。

在綜述室內外機器人導航技術的基礎上，本文主要分析常用視覺導航技術、激光導航技術、衛星導航技術、路標導航技術和多種傳感器信息融合的導航技術在機器人導航作業時的導航精度、實時性、適應性，分析各種導航技術在農業領域應用的優缺點，結合在梅州市金綠現代農業發展有限公司室內養殖場和學校的實驗室進行機器人導航技術試驗結果，指出常用導航技術在室內養殖場應用過程中存在的問題，并展望室內養殖場機器人導航技術的發展前景。

1 視覺導航技術

視覺導航技術最初在美國和英國開始研究，隨后得到迅速應用；我國的視覺導航技術研究始于20 世紀90年代，已引起農業研究者的廣泛參與。隨著計算機算力的大幅度提升，視覺導航技術得到了快速發展，為機器人提供了可靠的導航支持[8]。

視覺導航具有語義信息豐富、探測范圍廣、成本低等優點，主要使用計算設備來模擬人的視覺功能，從獲取圖像中提取相應特征，檢測出導航路徑線，為機器人在室內與室外作業環境中的行走提供導航路徑[9]。

機器人視覺導航分為作業環境分析、圖像采集與處理、提取導航路徑、獲取導航基準線等環節，其中，導航路徑與導航線的提取最關鍵，決定了機器人的導航精度和速度[10]。提取出導航路徑之后，導航基準線的問題才可以得到快速解決。提取導航路徑方法主要分為傳統圖像處理方法與神經網絡路徑特征處理方法。

1.1 基于傳統圖像處理的導航路徑

視覺導航通過相機感知作業環境，提取圖像的特征信息，結合橫向偏差或者航向偏差等做出導航決策?；趥鹘y圖像處理的導航路徑提取方法首先對采集的圖像進行圖像濾波、灰度化處理、閾值分割，感興趣區域的提取，最終通過查找相應的邊緣點計算出導航線，如圖1 所示。

圖1 基于傳統圖像處理的導航路徑提取流程Fig. 1 General process of navigation path extraction based on traditional image processing

楊洋等[11]研究了玉米行可行走動態感興趣區域導航線實時提取的方法，在動態目標區域內采用最小二乘法獲取玉米行間導航線，提取準確率為96%。

李軍鋒等[12]采用一種混合閾值和偏移行中線的路徑識別方法劃分作物行，識別準確率達98%。

宮金良等[13]提出一種基于邊緣檢測和區域定位的玉米根莖導航線提取方法，利用兩側邊緣判斷出準確的根莖特征點，采用最小二乘法擬合得到玉米大田作業導航線，該方法特征點的擬合準確率為92%。

關卓懷等[14]對獲取的圖像分割處理，然后水平掃描，采用多段三次B 樣條曲線擬合法提取水稻待收獲區域邊界線，試驗表明，中粳798 與臨稻20 采收時的作物線識別平均距離誤差分別為3.97、4.50 cm。

聶森等[15]提出一種基于HSV 色彩模型和最大類間方差法增強果園果樹樹行特征，最終以獲得相鄰兩樹行的中線作為導航路徑的方法，能有效克服行間生草、光照陰影等。

李亮等[16]采用面積去噪、水平投影方法等特征點提取方法，根據特征點間的關系形成左右兩列點簇，通過最小二乘法查找左右兩條交界線和各行中心點生成臨時行走的導航路徑。

RADCLIFFE J 等[17]以果園的樹冠和天空為基底，將樹冠背景中的天空分割出來，并將分割對象的質心特征作為一個過程變量，進而引導機器人通過樹冠行，該算法對樹形、種植方式和傳感器視野要求較高。

MA Y 等[18]在枸杞自動采收中提出了一種改進的彩色通道權值方法，將彩色圖像轉換為灰度圖像，利用最小正外切矩形尋找輪廓，通過最小二乘法對輪廓點進行導航線擬合，計算出可變斜率ROI 來動態跟蹤導航線，結果表明，當速度為1 km/h 時，最大橫向偏差小于6.2 cm，平均橫向偏差為2.9 cm。

CHEN J 等[19]提出的中值點Hough 變換算法能夠準確提取導航路徑，最大航行路徑偏差小于0.5°，與傳統的Hough 變換相比，導航路徑擬合的平均時間為7.13 ms，在時間和精度方面都取得較好的效果。

基于傳統圖像處理的導航路徑提取結果對比如表1所示。

表1 基于傳統圖像處理的導航路徑提取結果對比Tab. 1 Comparison of navigation path extraction results based on traditional image processing

參考上述文獻傳統圖像處理方法，在梅州市金綠現代農業發展有限公司室內鴿子養殖場進行了導航路徑提取與導航線擬合。利用搭載機器人的深度相機獲取圖像數據，采用高斯模糊圖像預處理方法進行自適應閾值分割，采取掃描法剔除邊緣的偽特征點，確定可行走路徑的邊緣點，利用最小二乘法擬合左右邊緣——導航路徑邊界，由左右邊緣點得到導航路徑的導航中心點。試驗結果表明，采用傳統圖像處理提取導航線的方法可為機器人在室內養殖場作業提供一定的導航參考。試驗中導航路徑提取的效果如圖2 所示。

圖2 傳統圖像處理的導航路徑提取Fig. 2 Navigation path extraction of traditional image processing

在傳統圖像處理的導航路徑過程中，大多數學者結合顏色特征分割圖像中的作物或壟溝，再通過最小二乘法、三次B 樣條采樣、Hough 變換等提取出機器人可行走的導航線，傳統圖像處理方法提取導航線實時性好，可實現機器人在室內養殖場自主導航。

1.2 基于神經網絡的導航路徑

近年來，神經網絡在農業領域的應用日益廣泛，神經網絡方法具有檢測精度高、適應性強的特點。

韓振浩等[20]提出了一種基于U-Net 網絡的果園視覺導航路徑識別方法（圖3），在果園道路圖像分割的基礎上進行基于掃描法的邊緣信息提取和基于B 樣條曲線擬合的導航路徑識別，試驗表明在果園道路寬度約為3.1 m 時，平均距離誤差為4.4 cm。

圖3 基于U-Net 網絡果園導航路徑預測結果與邊緣提取Fig. 3 Prediction results and edge extraction of orchard navigation path based on U-Net network

王毅等[21]采用基于YOLOV3 卷積神經網絡識別果園道路兩旁果樹的樹干，然后利用獲得的樹干位置方框信息提取出樹干方框對角點的坐標，進而求得樹干與地面的交點，最后用公式表示出導航線，試驗結果表明，平均偏差距離為3.3 cm。

楊洋等[22]研究了玉米根莖精確識別與定位方法，通過圖片預處理訓練網絡模型，得到目標檢測器并識別出根莖位置后，可以得到邊界框內的定點，即路徑基準點，采用三次樣條插值的方法來獲得兩側的玉米根莖導航基準線，最后進行最小二乘法擬合出導航路徑。

馬馳等[23]提出基于深度學習的目標檢測框底邊中點替代果樹根點的導航特征目標檢測方法，利用Faster R-CNN 目標檢測模型能有效識別獼猴桃樹干，并可獲取定位基準點坐標，通過三次樣條插值法提取兩側樹干線，再利用最小二乘法擬合最終的行間導航中線，試驗結果表明，生成的導航線實際平均橫向偏差為5.2 cm。

LIN Y K 等[24]采用一種ENet 語義分割網絡模型識別茶園輪廓，可為自動采茶提供實時導航方案。

朱逸航等[25]提出了一種基于U-Net 的棉花壟間道路識別的方法，在復雜作業環境中，其識別道路精度高，能為機器人在其他作業環境的導航提供參考。

吳偉斌等[26]利用MS-PSPNet 網絡模型識別果、茶園道路，該方法具有較好的識別率和適應性。

饒秀勤等[27]提出了基于Fast-Unet 模型的棉花、玉米、甘蔗導航路徑識別方法，利用Canny 邊緣檢測，從網絡模型識別的導航路徑中提取出導航路徑中心線，試驗表明，該方法適應導航的實時性要求。

表2 匯總了幾種神經網絡導航路徑提取方法的性能?；谏窠浘W絡的導航技術處理圖像具有高效性和準確性，可在復雜作業環境中實現自主導航，并且導航精度高、實時性好。這種方法需要較大的數據量，最大缺點在于環境改變后需要重新學習，這在環境信息不完整或環境經常改變情況下難以應用，其適應性較差。

表2 神經網絡處理的導航路徑提取方法Tab. 2 Navigation path extraction method based on neural network processing

基于圖像處理和神經網絡的視覺導航技術在作業環境復雜多變、非結構化室外的應用較為常見，尤其在果園中廣泛應用，但在室內養殖場的應用較少，大多數采用固定軌道的飼養方式和主要應用在大型牲畜的飼養中，其應用較少的主要原因有自動化養殖的研究基礎薄弱，規?；?、集約化的養殖場正處于起步階段，整機可靠性和智能化水平不高，導致室內養殖場的前期硬件投入大與效益不高，成本回收期長，并且室內養殖場容易受到養殖牲畜的糞便、毛發等廢棄物影響，行走路徑難以區分、導航線不易提取[28]。

2 其他導航技術

2.1 激光導航技術

激光掃描具有探測距離遠、實時性高、受光照等外界環境因素影響小等優點，能以較高頻率提供大量準確的距離信息。近年來，在果園環境中，利用該導航技術成功實現了周圍環境感知和移動機器人的精準定位。

劉沛等[29]使用激光掃描儀實時采集果樹位置信息，用最小二乘法擬合導航路徑，試驗中拖拉機以0.27 m/s的速度直線行走30 m，其最大橫向偏差0.15 m。

倪江楠[30]利用激光測距儀實現水稻田塊的路徑、障礙物等信息提取，檢測出邊緣特征，生成導航路徑。

陳軍等[31]使用激光掃描儀提取果園的障礙物信息特征數據，利用二次曲線擬合法擬合數據，機器人以0.54 m/s 的速度在正弦函數曲線路徑行走，行走平均橫向偏差與最大橫向偏差分別為0.12 和0.40 m。

薛金林等[32]提出了采用激光雷達獲取樹行信息的路徑導航方法，機器人初始速度為0.2 m/s，在路面較好的冬青樹行與在路面較差的梨樹行進行導航行走時，最大橫向偏差分別為17.5 和28.0 cm。

ZHANG Shuo 等[33]在二維激光和果園干擾點的先驗知識的基礎上，利用最小二乘法和幾何線性擬合出精度更高的目標導航路徑。

侯加林等[34]研究一種雙激光雷達的機器人導航方法，在溫室環境中以不同速度運行時，實際導航路徑與目標路徑的橫向平均偏差小于13 cm。

以梅州市金綠現代農業發展有限公司室內鴿子養殖場和仲愷農業工程學院英東樓208 實驗室作為試驗場地，機器人搭載2D 激光雷達，分別在養殖場和實驗室內掃描建圖，采用遙控的方式重復掃描籠間道路和實驗室的環境信息。試驗結果表明，利用激光雷達掃描稀疏的鴿籠道路周圍信息，其特征點不明顯，籠間的道路特征匹配不成功，無法實現建立室內養殖場地圖，結果如圖4a 所示；而實驗室環境以緊密結構的實驗臺分開的兩排過道和四周為墻壁，其掃描特征點明顯，可建立該實驗室的地圖，結果如圖4b 所示。因此，激光掃描匹配技術雖然能夠提供高精度、實時的位置、航向定位結果，但是遇到環境特征稀疏的情況，其定位精度便大幅度下降，容易受到外界環境的干擾。

圖4 鴿子室內養殖場和實驗室激光雷達掃描結果Fig. 4 Lidar scanning results of pigeon indoor breeding farm and laboratory

2.2 衛星導航技術

衛星導航是機器人利用全球定位系統（global positioning system，GPS），通過其自身安裝的衛星信號接收裝置接收4 顆衛星發出的信號，進行偽距離測量，最終獲得相應的坐標信息，將得到的坐標傳輸給相應的行走控制器實現機器人的基本行走功能。

羅錫文等[35]在國內較早研究了RTK-GPS（real time kinematic global positioning system）導航控制系統，以東方紅X-804 型拖拉機為基礎，開發出基于RTK-DGPS（real time kinematics differential global positioning system）的自動導航控制系統，在行進速度為0.8 m/s 時，直線跟蹤的最大誤差＜0.15 m，平均跟蹤誤差＜0.03 m。

熊斌等[36]提出一種基于北斗衛星導航系統的果園施藥機自動導航控制系統，在行進速度為2 km/h 時，直線跟蹤最大誤差≤0.13 m，平均跟蹤誤差≤0.03 m。

郭成洋等[37]設計了一種基于載波相位實時動態差分北斗衛星定位系統（real time kinematic-BeiDou navigation satellite system，RTK-BDS）的自動導航控制系統，當車輛前進速度為0.5 m/s 時，最大橫向誤差≤0.086 m，平均誤差≤0.036 m。

張智剛等[38]以RTK-DGPS 為主要導航方式和數據濾波算法，進行插秧機直線導航田間作業試驗，當行進速度0.6 m/s 時，直線跟蹤最大誤差和平均誤差分別小于0.17 和0.02 m。

衛星導航具有全方位、多層次、寬領域的應用，在大田上的農機依靠衛星導航可以達到比較高的導航精度，然而，在室內養殖大棚、茂密的果林等環境中衛星導航存在固有缺點，GPS 信號在遇到建筑物或其他障礙物阻擋時，信號強度被削弱，導致定位不準確或系統功能癱瘓。如圖5 所示，在室內養殖場中沒有GPS 信號，無法提供準確的坐標。

圖5 養殖場GPS 信號測試Fig. 5 Farm GPS signal test

2.3 路標導航技術

鄭睿等[39]通過MR 二維碼實現機器人的目標識別與定位，識別時間為45～55 ms。霍亮等[40]設計了一種快速識別路標方法，其平均識別時間為9.8 ms。周偉[41]利用QR 碼（quick response code）在室內環境中實現機器人的姿態校正與定位導航功能。李奎[42]利用二維碼地標構建柵格化地圖，實現了機器人直線行走與轉彎的功能。二維碼具有制作簡單、存儲信息豐富等特點，該技術適于構建柵格化地圖，以便定位機器人，校正機器人的姿態，也可應用于地頭區域，借助其他傳感器技術，實現平穩的地頭轉彎。

3 多種導航方式信息融合的導航技術

在機器人導航研究中，多傳感器融合技術是指利用多個傳感器共同工作，對多種傳感器數據進行處理和優化，得到更加精準穩定的導航能力。

嚴小意等[43]提出了一種激光雷達和慣性測量單元相融合的導航定位系統，通過激光雷達提取環境特征和構建地圖，利用慣性測量單元補償誤差。

安亮等[44]采用基于慣性測量單元和GPS 構成的組合導航系統，不僅結合了GPS 的定位精度高和誤差無積累的特點，還結合了慣性導航的自主性和實時性的優點，增強了可靠性，精度也得到提高。

鐘銀等[45]設計了基于全球導航衛星系統和慣性導航系統的智能農機組合導航系統，融合全球導航衛星系統數據，并進行卡爾曼濾波，該組合導航系統優于單獨GNSS 系統產生的定位定向結果。

王勇等[46]提出了一種超寬帶與陀螺儀組合的導航定位技術，在溫室環境中進行機器人的行走試驗表明，直線行走距離偏差＜6 cm。

多種傳感器獲取外界環境信息，并進行數據信息相互融合，可消除信息間的冗余度，克服單一信息的不完整性，使得農業機器人導航能夠更加的準確與科學。未來在農業機器人導航中，多種導航方式信息融合將發揮重要的作用。

4 結束語

闡述了視覺導航技術、激光導航技術、衛星導航技術、路標導航技術、組合導航技術在各自場景的應用情況，并以梅州市金綠現代農業發展有限公司的室內養殖場為試驗平臺，初步探索視覺導航、激光雷達導航、衛星導航在室內養殖場的應用。

基于傳統圖像處理的導航路徑提取方法的實時性好，精度較好，可以適應機器人在規整化室內養殖場導航的需求。基于神經網絡的導航路徑提取方法在各種復雜情況下運用時，需要多次采集數據、制作數據集等工作，工作量大，但在環境條件變化不明顯的室內養殖場適應性較好。單一的激光導航技術的導航精度普遍較低，在室內養殖場的籠間稀疏、掃描特征不明顯的情況下，不能形成導航路徑。衛星導航技術適用于信號較好的開闊環境，在室內養殖場中難以得到有效的應用。路標導航可以儲存大量的信息，在室內養殖場可利用其建立全局地圖，輔助室內養殖場機器人實現定位與轉彎的功能。

在室內養殖場，機器人將得到廣泛應用，基于多種傳感器信息融合的導航技術將為機器人實現精準、快速的作業提供導航保障。