羊舍自主巡檢機器人設計與試驗

摘要：

針對規模化羊舍人工勞動強度大、作業效率低等問題，設計羊舍自主巡檢機器人系統。該系統基于2D激光雷達的即時定位與建圖（SLAM）技術，自主導航系統使用基于擴展卡爾曼濾波數據融合的AMCL定位算法實現機器人的定位，采用Gmapping算法構建羊舍環境地圖，并采用A^*和DWA算法規劃機器人巡檢路徑，最終實現舍內地圖構建、系統實時定位、多目標點路徑規劃以及動態避障。機器人導航精度試驗表明，巡檢機器人橫向偏差均值不超過8.3cm，縱向偏差均值不超過7.1cm；航向偏差的均值不超過6.1°。該系統構建的環境地圖精度較高，能夠實現對機器人的有效定位，并且能夠以實現羊舍的循環巡航和自動躲避周邊障礙物，導航精度滿足羊舍自主導航需求。

關鍵詞：羊舍；巡檢機器人；多傳感器融合；路徑規劃；擴展卡爾曼濾波

中圖分類號：S24

文獻標識碼：A

文章編號：2095-5553 （2025） 01-0078-07

Design and experiment of autonomous inspection robot for sheep house

Zhao Ninglei¹， Cheng Man¹， Yuan Hongbo¹， Wang Yuan²， Cai Zhenjiang¹

（1. College of Mechanical and Electrical Engineering， Hebei Agricultural University， Baoding， 071001， China;

2. Hengshui Zhihao Animal Husbandry Technology Co.， Ltd.， Hengshui， 053400， China）

Abstract：

In order to solve the problems of high labor intensity and low working efficiency of large-scale sheep house， an autonomous inspection robot system for sheep house is designed. The system is based on the real-time positioning and mapping （SLAM） technology of 2D LiDAR. The autonomous navigation system uses the AMCL positioning algorithm based on extended Kalman filter data fusion to realize the positioning of the robot， uses the Gmapping algorithm to construct the environment map of the sheep shed， and uses the A^*"and DWA algorithms to plan the inspection path of the robot. Finally， it realizes the construction of the map in the house， real-time positioning of the system， multi-objective point path planning and dynamic obstacle avoidance. The robot navigation accuracy test shows that the average lateral deviation of the patrol robot does not exceed 8.3cm， the average longitudinal deviation does not exceed 7.1cm， and the average heading deviation does not exceed 6.1°. The environmental map constructed by this system has high accuracy， can effectively locate the robot， and can realize the cyclic cruising and cruising of the sheep house.

Keywords：

sheep house; inspection robot; multi-sensor fusion; path planning; extended kalman filtering

0"引言

近年來，中國畜禽養殖業規模和產值不斷增加，2022年總產值達到4.1萬億元，約占農業總產值的30%^［1］，且畜禽產品種類、總量和產值等均距世界前列。然而，隨著畜禽養殖集約化程度不斷提高，高密度養殖對畜禽舍內動物的健康狀況形成巨大的挑戰^［2］。近年來，隨著養殖模式集約化和標準化程度的不斷提高，研發和應用全自動移動式機器人，可有效促進養殖舍內智能化高效管理^［3］。傳統的羊場巡檢方式中，人工巡檢方式不僅存在工作強度大、作業效率低等不足^［4］，且羊自身的傳染病還有很大幾率傳染給巡檢人員，存在較大的人身安全隱患問題^［5］。傳統的視頻監控系統，由于存在較大的監控盲區很難做到視頻監控全方位覆蓋，同時由于整個系統使用攝像頭數量多、安裝布線復雜、綜合系統龐大，因此故障率較高，維護成本大^［6］。使用智能移動機器人進行羊場環境的巡檢，不僅可以為企業降低生產成本、提高生產效率、擴大企業的行業競爭力^［7］，也可以有效避免人工巡檢及傳統視頻監控過程中存在的缺陷和不足。

針對羊場羊只巡檢的需要，設計一種上下位機結合的智能巡檢機器人，智能巡檢機器人采用PID控制的四輪差速移動底盤，保證其靈活性以及足夠的檢測范圍。應用Gmapping算法并開發上位機界面，實現機器人的自主構建地圖和實時獲取和存儲巡檢目標點的功能。同時利用A^*和DWA路徑規劃算法對每一個記錄的目標點依次進行路徑規劃和自主導航從而滿足羊場巡檢的需要。

1"巡檢機器人系統設計

1.1"巡檢機器人結構設計

機器人整體框架由40mm×40mm的歐標鋁型材搭建，整車長為55cm、寬為55cm、高為65cm。機器人在室內巡檢時的數據采集場景如圖1所示。整車采用四輪四驅獨立轉向機構，由４組直角直流減速電機、４組驅動器、４組AGV充氣輪組成，并通過４組長為255mm，寬為84mm，厚度為5mm的自制電機架將電機固定在鋁型材上，系統所選用的電機安裝于內側，電機與電機架的整體寬度約為95mm。機器人正前方中央放置一個RPLIDAR S1單線激光雷達，可以獲取其探測范圍內雷達平面范圍內的二維點云數據。底盤中央安置了一組24V 40Ah的鋰電池，是所有傳感器、動力裝置的動力來源，能保證平臺在設備滿功率狀態下續航4h。主控器和從控制器單元放置在電源旁邊的盒子里。

1.2"巡檢機器人硬件設計與選型

機器人主要硬件組成如表1所示，該機器人硬件主要由傳感器模塊、控制模塊和驅動模塊組成。機器人系統的硬件框架如圖2所示。Jetson Nano主控制器通過串口驅動激光雷達獲取平面點云信息，STM32通過獲取編碼器信息，計算得出機器人的線速度與角速度，并通過PWM驅動電機控制板，進而控制電機的速度，從而控制機器人的移動。此外，還通過模擬I2C協議獲取JY901的陀螺儀和加速度信息，將機器人的速度、陀螺儀和加速度等信息通過串口上傳到主控制器。主控制器通過獲取從控制器發過來的速度信息計算得出機器人的里程計、陀螺儀和加速度信息。

2"巡檢功能設計

2.1"基于擴展卡爾曼濾波數據融合的AMCL定位算法

機器人定位采用擴展卡爾曼濾波數據融合的AMCL算法，AMCL定位算法基于粒子濾波，確定機器人當前的位置^［8］。首先，該算法將代表機器人位姿的粒子隨機分布于已知環境地圖中。其次，通過使用擴展卡爾曼濾波融合IMU傳感器與里程計數據，建立運動模型預測所有隨機粒子的位姿。擴展卡爾曼濾波算法通過系統的觀測數據及系統狀態對全局最優狀態進行推算，并通過上一狀態和下一狀態來預測當前狀態，其計算如式（1）所示。

u_t-=Gtut-1+Htut

（1）

式中：

Gt——

當前時刻的狀態轉移矩陣（就是指從上一狀態轉變為下一狀態的關系矩陣）;

Ht——

當前時刻的控制矩陣（就是指影響控制量的控制矩陣）；

ut——

當前時刻的控制量；

ut-1——

上一時刻最優估計值；

u_t-——當前時刻估計值。

預測均值的協方差來計算Kalman增益，其中協方差的計算如式（2）所示。

t=Gtt-1Gt^T+R_t

（2）

式中：

t-1——上一時刻預測值方差矩陣;

t——不確定性的協方差矩陣;

Rt——當前時刻測量值噪聲矩陣。

Kalman增益的計算如式（3）所示。

Kt=tWt^T（Wtt+Qt）^-1

（3）

式中：

Kt——卡爾曼增益（指的就是權值）；

Wt——測量方程；

Qt——觀察量的協方差矩陣。

通過Kalman增益來計算狀態估計值，其估計位姿計算如式（4）所示。

pt=u_t-+Kt［zt-h（u_t-）］

（4）

式中：

zt——傳感器在t時刻的測量值；

pt——估計位姿。

預測當前狀態需要用到上一狀態的協方差，還需要計算當前狀態的協方差用于下一次迭代。其中，當前狀態的協方差矩陣計算如式（5）所示。

t=（1-KtWt）t

（5）

由式（4）和式（5）得到了里程計與IMU數據融合后的最佳估計位姿ut，以及它的協方差矩陣t。最后根據激光雷達數據建立測量模型來更新所有隨機粒子的權重，粒子最終的收斂位置即為機器人在地圖中的實際位置。若機器人初始位姿未知或有誤，此時全局將注入更多隨機粒子，隨機器人的移動粒子再次更新，重新定位機器人在羊舍地圖中的位置。

2.2"羊舍地圖構建

采用Gmapping算法對羊舍進行地圖的構建。Gmapping是一種基于Rao-Blackwellized粒子濾波的二維激光SLAM方法^［9］。即將定位和建圖過程分離，先進行定位再進行建圖。為了解決RBPF頻繁重采樣的缺點，Gmapping提出了選擇性重采樣，即減少重采樣的次數，設定閾值；當粒子權重大于所設閾值才執行重采樣，這樣便減少了采樣的次數，即減緩了粒子的退化^［10］。里程計根據測量的速度可以推導出機器人的路程和方向，Gmapping算法依據里程計的測量數據估計機器人的運動模型，高精度的里程計對于建圖和定位性能的提高十分重要。因此，首先對Gmapping功能包中的雷達最大檢測距離、粒子個數以及機器人激光匹配頻率進行調試并取得最優值，最后利用Gmapping功能包訂閱RPLIDAR S1發出的雷達話題信息和擴展卡爾曼濾波融合的位姿信息進行小車的精確定位和建圖。

2.3"巡檢路線規劃

2.3.1"巡檢目標點獲取

在巡檢機器人對羊舍環境進行建模并得到二維柵格地圖后，需要獲取地圖上的目標點坐標信息從而實現巡檢的功能，為了獲取地圖上的目標點坐標信息，用Python QT構建一個簡單的界面，界面如圖3所示。

該界面通過點擊獲取節點的按鍵監聽base_footprint與map坐標的tf，從而得到機器人實時位置，通過點擊記錄位點的按鍵將獲取的機器人位置以json的數據格式存儲在當前功能包的data目錄下。可以在上節進行手動建圖時獲取并記錄各個目標點的位置信息，以便在導航時可以直接讀取各個目標點的位置信息進行巡檢導航。

2.3.2"巡檢路線生成

根據已經獲取的巡檢線路上的目標點信息，生成一條巡檢路線，并發布到路徑規劃器中。開啟前需要將機器人放置到巡檢的固定起點，打開定位節點，并載入建好的羊舍地圖，機器人實際巡檢路線如圖4所示。

如圖4所示，機器人將沿著A→Ｂ→Ｃ→Ｄ→Ｅ→D→C→B→A路線行駛，車體的正前方為x軸正方向，左方為y軸正方向。2.3.1節已經通過QT界面獲取到各個目標點相對于地圖的xy坐標和朝向信息并存儲在指定文件夾下。用C++中的ifstream類依次讀取文件中的坐標，之后用ROS中的LINE_STRIP類型將每個點用作一組連接的線中的頂點，其中點A連接到點B，點B連接到點C，點C連接到點D等，這樣就生成一條巡檢線路，最后以trajectory命名建立一個話題，把坐標點位姿信息發布出去。在RVIZ可視化界面訂閱此話題，路線就會顯示在建好的地圖上。

機器人的巡檢方式實際是依次遍歷巡檢線路上的每個目標點位置信息從而實現循環往返，這是通過訂閱發布的trajectory話題將規劃線路傳入到自定義的全局規劃器。此過程首先通過監聽base_footprint與map坐標系的tf獲取機器人當前位置，以當前位置作為開始的規劃變量。然后，在for循環中依次遍歷插入巡檢路線上的各個目標點的位置，同時對tf進行監聽獲取導航線上各個點的位置，獲取到所有目標點位置后判斷機器人當前位置與目標點的相對距離，其中，目標點與當前位置相對距離的計算如式（6）所示。最后，根據式（6）將距離機器人當前位置最近的目標位置相對距離插入規劃。這里設置為首先規劃距離當前位置最近的目標點是為了防止機器人在巡檢過程中出現意外情況被迫停止巡檢時需要回到起點從頭開始巡檢的情況，這樣即使在巡檢過程中出現情況也可以在當前位置直接規劃離自己最近的目標點從而之后按照目標點順序繼續巡檢。

Distance=［p2（x）-p1（x）］²+［p2（y）-p₁（y）］²

（6）

式中：

Distance——目標點與當前位置相對距離；

p2（x）——目標點相對于地圖的x坐標；

p1（x）——當前位置點相對于地圖的x坐標；

p2（y）——目標點相對于地圖的y坐標；

p1（y）——當前位置點相對于地圖的y坐標。

除了發布相對距離之外還需要發表各個目標點朝向來使巡檢過程更加順暢，機器人的姿態信息通過訂閱IMU話題信息得到，其姿態信息由四元數表示。由圖4的巡檢路線可知，A-B段路線上的目標點朝向只需和機器人起點的姿態保持一致，而B-C段路線上的目標點朝向相比起點姿態需要繞Z軸逆時針旋轉90°；C-D段路線上的目標點朝向相比起點姿態同樣跟開機方向保持一致；D-E段路線上的目標點朝向相比起點姿態需要繞Z軸順時針旋轉90°。給定一個歐拉旋轉（X，Y，Z）（即分別繞x軸、y軸和z軸旋轉X、Y、Z角度），歐拉角與四元數的轉換計算如式（7）所示。

x=

sinY2sinZ2cosX2+cosY2

cosZ2sinX2

y=

sinY2cosZ2cosX2+cosY2

sinZ2sinX2

z=

cosY2sinZ2cosX2-sinY2

cosZ2sinX2

w=

cosY2sinZ2cosX2-sinY2

cosZ2sinX2

（7）

機器人開機的朝向即為機器人正方向，如圖4所示機器人在A-B段路線的目標點朝向與開機方向一致，所以A-B段路線上目標點的歐拉旋轉為（0，0，0）對應的四元數為：x=0，y=0，z=0，w=1。B-C段路線上的目標點的歐拉旋轉為（0，0，-90），對應的四元數為：x=0，y=0，z=-0.707，w=-0.707。C-D段路線上目標點的歐拉旋轉為（0，0，0）對應的四元數為：x=0，y=0，z=0，w=1。D-E段路線上目標點的歐拉旋轉為（0，0，90），對應的四元數為：x=0，y=0，z=0.707，w=0.707。

最后，將各個目標點之間的相對距離和朝向信息依次發送到move_base全局規劃模塊，返回原點的各段目標點朝向可以根據上述公式類推得到。該模塊將通過ROS話題global_plan進行發布進行路徑規劃，然后將由本地規劃模塊接收并發布控制指令。這樣就實現了機器人巡檢線路生成以及路線上目標點位姿的發布。

2.4"路徑規劃算法

2.4.1"A^*全局路徑規劃

在將目標點路徑和朝向信息發布后，機器人按照規劃的路徑進行移動。在全局路徑規劃中通過點對點路徑規劃可以實現巡檢機器人從起始點到目標點的最優路徑選擇，本文采用A^*算法進行全局路徑規劃。

A^*算法因為可以快速地規劃出最短路徑，所以多用在全局路徑規劃算法。A^*算法將啟發式算法融入到評估函數里^［11］，其評估函數計算如式（8）所示。

F（n）=G（n）+H（n）

（8）

式中：

F（n）——綜合代價值，即評估函數；

G（n）——起點到當前點的實際代價值；

H（n）——當前點到目標點的估計代價值。

A^*算法中的估計代價值H（n）是優于其他算法的核心，在路徑規劃過程中必須保證當前點到目標點的估計代價值低于實際距離。選用歐幾里得距離作為啟發函數以保證降低A^*算法計算量的同時，進一步優化全局最優的表達。

2.4.2"DWA局部路徑規劃

由于羊場環境的復雜性，若機器人在巡檢過程中突然出現一個動態障礙物，這時僅使用A^*算法進行路徑規劃是不能實現動態避障的。DWA算法是一種局部路徑規劃算法，適用于移動機器人等需要避開障礙物的場景。其主要流程包含：初始化、采樣速度樣本、樣本評分以及發布方案四部分^［12］。首先，通過類加載模塊載入ROS局部路徑規劃包 Base Local Planner中子類的實例，并調用其初始化函數獲取機器人的初始狀態信息，進一步得到巡檢機器人的軌跡運動模型。基于軌跡運動模型，機器人根據其運動速度即可推算出其運動軌跡。為了獲得機器人運動速度樣本，需在一定時間間隔范圍內通過傳感器對機器人各個維度的線速度和角速度進行采集，并將其以結構體的形式存儲到相應的容器內。在得到機器人速度樣本后，根據機器人采樣速度模擬推演出其相對應的運動軌跡，并通過軌跡評價函數對每一條軌跡進行評價。評價函數的計算如式（9）所示。

G（v，w）=

max（φhead（v，w）+βdist（v，w））+δvelo（v，w））

（9）

式中：

head（v，w）——速度軌跡與目標點的接近程度；

dist（v，w）——

該采樣速度下運動估計距離最近障礙物的距離；

velo（v，w）——

機器人在該速度組下的前進效率；

φ、β、δ——

三個不同子項在評價函數中所占比重。

利用式（9）評價所有軌跡，選擇評分最高的軌跡為局部規劃的結果輸出給move_base控制機器人移動。機器人在路徑規劃過程中通過RPLIDAR S1激光雷達檢測周圍環境障礙物信息，若機器人在導航過程中出現了動態障礙物，根據move_base中的柵格代價地圖（Cost map）模塊進行檢測障礙物與機器人能否發生碰撞。代價地圖通常采用網格（grid）的形式，每個網格可以存儲0～255之間不同的數值，不同的數值代表該網格離障礙物的遠近程度。根據數值所在區間判斷當前屬于行駛自由區域還是受限區域。若為行駛自由區域，則不需要進行其他操作，與之前軌跡保持一致即可；若為行駛受限區域，則進一步獲取機器人模擬軌跡的角速度，當角速度超過一定閾值（若以該閾值進行移動，將進入受限區域）后，對該軌跡的權重加大，并降低軌跡評分，進而選擇更優軌跡進行運動控制。最終實現機器人的局部路徑規劃與實時避障。

3"現場試驗與結果分析

現場試驗地點位于河北省衡水市某公司的8號和9號種羊舍。兩個羊舍分別長為60m，寬為8m；總計70個羊圈。在試驗過程中需要將參數設置統一，線速度和角速度分別調整為0.30m/s和0.3rad/s。另外采用RVIZ進行地圖可視化。RVIZ是ROS中常用的可視化工具，可以在建模地圖中顯示各傳感器的數據。保證PC端與機器人端連上統一的局域網，然后通過終端控制使得在PC端輸入指令可以控制機器人。

3.1"機器人建圖試驗

在實際測試環境中分別采用Hector SLAM、Cartographer SLAM及Gmapping SLAM算法構建環境地圖，并分析相同環境下的地圖精度。3種SLAM在現場環境中構建的地圖如圖5所示。3種算法都完成了羊舍地圖的構建，但從圖5（a）中橢圓標注的地方可看出，Hector SLAM的建圖結果產生了與實際環境不符的偏移。Cartographer SLAM算法雖采用回環檢測以校正誤差，但構建的環境地圖出現了部分墻壁線條傾斜偏離實際環境的問題，如圖5（b）圓圈所示。相比而言，采用經過擴展卡爾曼濾波融合里程計和IMU信息后的Gmapping算法構建的環境地圖邊緣更平整且整體方正，如圖5（c）所示，最符合羊舍環境的實際情況。

3.2"機器人定位精度測試試驗

為驗證巡檢機器人定位精度，試驗將在羊舍場景下對機器人定位精度進行測試。評價機器人導航精度指標包括橫向偏差、縱向偏差、航向偏角^［13］。設置機器人起點為坐標原點，隨機選取巡航路徑上的4個巡航點。將設置好的巡航點設置為（x0，y0），以機器人底盤中心為測量基準點，機器人行駛至目標位置，記錄其基準點坐標位置為（x1，y1），巡檢機器人定位精度測試試驗示意圖如圖6所示，其中橫向偏差d_x和縱向偏差d_y的計算如式（10）和式（11）所示。

d_x=x1-x0

（10）

d_y=y1-y0

（11）

航向偏角為機器人正方向與y軸之間的夾角。現場測量采樣點與實際到達點的位置偏差如圖7所示。圖7（b）中箭頭為設置的實際目標點，兩條實線為到達指定位置時機器人的鋁型材橫杠相對于地面的投影，虛線為兩條實線中心點的連線，其用于確定機器人到達目標點位置時機器人的中心，虛線中心的短橫線即為機器人到達指定位置時的底盤中心點。

其中，該機器人的起點和目標點在全局坐標系中的位置和角度如表2所示。

將各目標點處10次試驗的各指標結果分別取平均值作為巡檢機器人在該目標點處的定位偏差。機器人到達各個采樣點的實際位置與采樣點位置的橫向絕對偏差、縱向絕對偏差和航向角度絕對偏差如圖8所示。

由圖8可知，巡檢機器人在0.3m/s的速度下，橫向平均絕對位置偏差小于7cm，縱向平均絕對位置偏差小于8cm，航向偏角平均絕對位置偏差小于6°。該精度滿足巡檢機器人在羊舍環境中的定位要求。

3.3"機器人導航精度測試試驗

機器人在羊舍進行巡檢作業時，需要沿著羊舍可通行區域進行直線行駛。路徑規劃如圖4所示。機器人將沿著A→B→C→D→E→D→C→B→A路線進行行駛。機器人在巡檢線路上設置了77個目標點，這些目標點的位姿信息以json文件格式存儲在系統中，在導航時通過訂閱amcl_pose話題來實時獲取機器人在map坐標系下位姿信息。通過比較設置目標點位姿與導航時實時獲取到的目標點位姿的誤差來評價其導航精度。將各目標點處3次試驗的各指標結果分別取平均值作為巡檢機器人在該目標點處的導航偏差。

機器人到達各個目標點時實時采集的實際位置與設置目標點的橫向絕對誤差、縱向絕對誤差和航向偏角絕對誤差如圖9所示。

總體而言，巡檢機器人在對設置目標點進行巡檢導航時橫向偏差最大值小于21cm，平均值不超過8.3cm，縱向偏差最大值小于19cm，平均值不超過7.1cm；航向偏差的平均值不超過6.1°。該精度可滿足巡檢機器人在羊舍環境下的導航精度需求。

3.4"機器人避障試驗

為了測試機器人的路徑規劃和導航避障實際效果，進行導航避障試驗，試驗步驟與定位精度試驗大體一致。不同之處在于路徑規劃之后，在其規劃的路徑上設置動態障礙物，當RPLIDAR S1激光雷達檢測到障礙物并通過代價地圖模塊判斷到機器人即將與障礙物相撞時，機器人內部程序啟動DWA算法進行避障繞行，經一系列計算后，機器人得到最優軌跡作為避障路徑，這條路徑對應的角速度和線速度組合則通過ROS系統傳遞給STM32控制板塊，機器人得到速度信息后進行接下來的避讓行進，如圖10所示。

由圖10可知，該機器人在巡檢過程中能夠檢測并識別出動態人形障礙物，并且可以順利避開動態障礙物并到達目標點，綜上所述，該機器人符合在羊舍中的避障要求。

4"結論

1） 設計一種基于2D激光雷達SLAM技術的羊舍巡檢機器人導航控制系統，提出利用擴展卡爾曼濾波融合里程計和IMU數據得到的最佳位姿作為預測所有隨機粒子的位姿，該方法提高激光雷達作為測量模型進行更新的準確性，實現羊舍的建圖與定位功能。

2） 針對傳統多目標點路徑規劃需要在每次巡檢之前在RVIZ界面上手動設置目標點的問題，利用QT界面在手動控制機器人建圖時進行目標點的設置與保存，在之后的巡檢中直接依次遍歷保存的目標點信息即可實現羊舍的往返巡檢。

3） 將建圖定位與路徑規劃算法應用到巡檢機器人上，結果表明該機器人可以完整地在羊舍實現往返巡檢并規避障礙物。巡檢機器人導航橫向平均偏差小于8.3cm，導航縱向平均偏差小于7.1cm，航向平均偏差小于 6.1°。通過試驗證明，該方法能夠滿足羊舍的自主導航需求。

參"考"文"獻

［1］

何沛桐， 張建華， 張凝， 等. 基于視覺感知的畜禽智慧養殖管理與疫病診斷研究進展［J］. 中國農業大學學報， 2023， 28（10）： 141-165.

He Peitong， Zhang Jianhua， Zhang Ning， et al. Research progress in intelligent livestock and poultry breeding management and disease diagnosis based on visual perception ［J］. Journal of China Agricultural University， 2023， 28（10）： 141-165.

［2］

姚文， 鄧為， 許毅， 等. 家禽亞健康狀態監測與健康預警展望［J］. 南京農業大學學報， 2023， 46（4）： 635-644.

Yao Wen， Deng Wei， Xu Yi， et al. Poultry sub-health status monitoring and health warning prospect ［J］. Journal of Nanjing Agricultural University， 2023， 46（4）： 635-644.

［3］

Hu D， Zhong H， Li S， et al. Segmenting areas of potential contamination for adaptive robotic disinfection in built environments ［J］. Building and Environment， 2020， 184： 107226.

［4］

賀曉峰， 廖志偉， 肖華明， 等. 智能巡檢機器人傳感與控制系統研究與設計［J］. 中國煤炭， 2022， 48（S1）： 1-5.

He Xiaofeng， Liao Zhiwei， Xiao Huaming， et al. Research and design of intelligent sensing and control system of inspection robot ［J］. China Coal， 2022， 48 （S1）： 1-5.

［5］

汪陽， 劉文鍇， 張凌， 等. 羊巴氏桿菌病研究進展［J］. 畜牧與獸醫， 2023， 55（8）： 126-132.

Wang Yang， Liu Wenkai， Zhang Ling， et al. Research progress on pasteurellosis in sheep and goats ［J］. Animal Husbandry Veterinary Medicine， 2023， 55（8）： 126-132.

［6］

曾志雄， 董冰， 呂恩利， 等. 豬舍環境無線多點多源遠程監測系統設計與試驗［J］. 農業機械學報， 2020， 51（2）： 332-340，349.

Zeng Zhixiong， Dong Bing， Lü Enli， et al. Design and experiment of wireless multi-point and multi-source remote monitoring system for pig house environment ［J］. Transactions of the Chinese Society for Agricultural Machinery， 2020， 51（2）： 332-340，349.

［7］

安石莉. 防疫消殺巡檢機器人定位導航系統設計［D］.銀川： 寧夏大學， 2023.

An Shili. Design of positioning and navigation system for inspection robot epidemic prevention and elimination ［D］. Yinchuan： Ningxia University， 2023.

［8］

宋懷波， 段援朝， 李嶸， 等.基于激光SLAM的牛場智能推翻草機器人自主導航系統［J］. 農業機械學報， 2023， 54（2）： 293-301.

Song Huaibo， Duan Yuanchao， Li Rong， et al. Autonomous navigation system for pasture intelligent overthrowing grass robot based on laser SLAM［J］. Transactions of the Chinese Society for Agricultural Machinery， 2023， 54（2）： 293-301.

［9］

薛金林， 王培曉， 周俊， 等. 基于改進Gmapping算法的果園二維環境地圖精準構建［J］. 農業機械學報， 2023， 54（7）： 26-34， 55.

Xue Jinlin， Wang Peixiao， Zhou Jun， et al. Accurate construction of orchard two-dimensional environmental map based on improved Gmapping algorithm ［J］. Transactions of the Chinese Society for Agricultural Machinery， 2023， 54（7）： 26-34， 55.

［10］

Zhao J， Li J， Zhou J. Research ontwo-round self-balancing robot SLAM based on the Gmapping algorithm ［J］. Sensors， 2023， 23（5）： 2489.

［11］

溫淑慧， 問澤藤， 劉鑫， 等. 基于ROS的移動機器人自主建圖與路徑規劃［J］. 沈陽工業大學學報， 2022， 44（1）： 90-94.

Wen Shuhui， Wen Zeteng， Liu Xin， et al. Autonomous mapping and path planning of mobile robot based on ROS ［J］. Journal of Shenyang University of Technology， 2022， 44（1）： 90-94.

［12］

王豪杰， 馬向華， 代婉玉， 等. 改進DWA算法的移動機器人避障研究［J］. 計算機工程與應用， 2023， 59（6）： 326-332.

Wang Haojie， Ma Xianghua， Dai Wanyu， et al. Research on obstacle avoidance of mobile robot with improved DWA algorithm ［J］. Computer Engineering and Applications， 2023， 59（6）： 326-332.

［13］

姜賽珂. 溫室巡檢機器人導航控制系統研究［D］.鎮江：江蘇大學， 2023.

Jiang Saike. Research on navigation control system of greenhouse inspection robot ［D］. Zhenjiang： Jiangsu University， 2023.