溫室環境下農業機器人的導航方法綜述

中圖分類號：TP242 文獻標志碼：A 文章編號：2096-9902（2025）15-0037-04

Abstract：Thispapersystematicallystudiesthelatestprogressinautonomousnavigationtechnologyforagriculturalrobotsin grenhouseenvironments.Thecurrentresearchfocusesonthreemajordirections：first，，theaplicationoftraditionalmarker navigationtechnologyingreenhouseenvironments；second，synchronouspositioningandmapconstruction basedon SLAM （SimultaneousLocalzationandMapping）technology；andthird，anenvironmentperceptionsystembasedonmachinevision technology.ItispointedoutthatChinahasformedsignificantadvantagesinthisfieldespeciallbreakthroughsinrsearchon globalpathplanningalgorithms，buttherearestlltechnicalbotlenecksinissuessuchaslocalmappingaccuracyincomplex cropenvironments.Thepredictionoffuturedevelopmenttrendswillfocusonmulti-sensorfusionandenhancedlearning-driven real-time decision-making.

Keywords：greenhouse; navigation;markers;SLAM;machine vision

在農業生產中，由于勞動力短缺、人力成本提高以及農業生產效率需求的增長，農業機器人的應用得到了廣泛關注。當前的機器人技術還不足以支撐在露天農田等不穩定因素過多的場景下進行生產工作，溫室大棚等結構化的設施農業場所就成為了良好的機器人試驗田。在農業機器人所涵蓋的復雜技術需求中，自主導航技術已逐步演變為該領域至關重要的核心組成部分，本文從中選取了3種較常用的導航方式進行分析研究。

1溫室環境概述

溫室大棚作為結構化設施農業的重要組成部分，其環境特點與傳統露天農田存在較大差異，同時也完全不同于普通的室內環境，常見的溫室大棚實景圖如圖1所示。溫室中的作物通常會預先規劃好生長范圍，以成壟或成塊的區域進行栽種，這就給農業機器人留出了可供行駛的道路。值得注意的是，這些道路路面材質往往為泥土，其在干燥條件下具有一定的硬度，但在澆灌作業后等濕潤條件下會變得泥濘，增加機器人的行進難度；同時，泥土路面往往存在輕微起伏或坑洼，這種不平整的路面會導致機器人在行進過程中產生抖動，進而對其導航系統造成干擾，導致局部定位不準確、誤差積累進而路徑規劃出錯等問題。另外溫室大棚內空間有限，壟間道路狹窄，且大棚內可能存在各種小型農具和障礙物，增加了機器人自主移動的復雜性，對農業機器人的導航和避障能力提出了較高的要求。

圖 ¹ 溫室大棚實景圖

2 標識物導航

作為一種依賴于預設標志物實現機器人定位和自主導航的技術手段，基于標識物的機器人導航方法已在工業場景中的自動導引車（AGV領域得到了廣泛應用。近年來隨著研究的深入，該技術在溫室環境下農業機器人領域的應用探索逐漸興起。

2.1 電磁導航

通過在路面鋪設磁條或電線，結合簡單的電磁傳感器就能實現機器人沿固定路徑的行駛，這種導航方式成本低、技術簡單，可滿足最低需求的農業機器人自主導航任務。楊婕等設計了一套大棚中的磁導航模糊控制系統：將對應磁性的磁條沿大棚鋼架鋪設，利用磁傳感器檢測其周圍磁場，進而反映機器人行駛時的左右偏離狀況；此時若將偏離情況直接作用于電機差速控制機器人左右糾偏，可能出現糾正量過大導致左右搖頭的情況，此時可采用模糊控制器對輸入和輸出變量進行模糊化，計算出合適的輸出PWM波占空比差值。類似的，姚甜等設計的采摘機器人選用通有 20kHz，100mA 交變電流的漆包線作為導航的中心電磁引導線，選用調頻電感電容傳感器檢測引導線附近的磁場分布和變化情況，并結合卡爾曼濾波進行數據處理，實現機器人沿引導線自動巡跡。

電磁導航在溫室大棚環境中存在顯著局限性，具體表現為路徑規劃靈活性受限以及導航系統魯棒性不足。一方面，若需調整預設路徑，則必須重新部署導引線，增加了系統維護的復雜性；另一方面，在未整合其他傳感器數據的情況下，機器人缺乏有效的障礙物規避能力，難以應對溫室環境中可能存在的動態障礙物。因此，建議在實際應用中謹慎評估其獨立應用效能，更推薦將其作為多模態傳感器融合架構中的輔助模塊，用于提供機器人底層路徑信息，以彌補單一導航技術的性能短板。

2.2 AprilTag標記系統

AprilTag系統是一種由美國密歇根大學APRIL機器人實驗室提出的視覺基準標記解決方案，該系統在實際應用中具有顯著的低算力消耗優勢，僅需依賴輕量化視覺模塊（如OpenMV或K210攝像頭）即可滿足運算需求。然而，其實際使用效果受到光照條件的制約，在溫室大棚夜間無光情況下無法工作；同時，由于標記分布的離散性特征，難以實現全局實時定位，因此通常需要與多源導航技術進行數據融合。

溫室內部栽培架行間存在狹長對稱及特征單一的特點，環境相似度較高，這導致傳統SLAM算法會積累局部誤差，甚至產生定位丟失的情況。針對該問題張文翔等提出了一種位姿修正機制，通過多線LiDAR、視覺識別AprilTag以及激光里程計的多源數據融合相應算法，實現地圖構建與定位校正并周期性優化機器人在設施農業環境中的定位精度：該方案在栽培壟道行間兩頭及中間地面等關鍵節點張貼AprilTag標簽，當機器人行進過程中檢測到標簽時，計算機器人的校正位姿與中心點坐標，并將數據輸入至AMCL（自適應蒙特卡洛定位）算法，AMCL算法將接收到的機器人校正位姿與坐標作為新的初始位置，重新進行定位并進行后續導航。

3 SLAM導航

SLAM（同步定位與地圖構建）技術作為機器人自主導航領域的核心技術，通過融合來自多個傳感器的觀測數據，實現了機器人在未知環境中的實時環境建模與位姿估計。在溫室農業機器人應用場景中，該技術能夠幫助機器人在缺乏GNSS信號的封閉環境中構建高精度環境地圖，并同步完成自身位姿的精確解算，為農業機器人自主導航功能提供了關鍵技術支撐。

3.1 地圖構建

使用激光雷達數據進行建圖時，溫室環境中不平整的路面可能導致機器人移動平臺出現側滑，增大了傳統SLAM算法的實時定位誤差；同時溫室行間環境的高特征相似性與單線激光雷達的點云數據局限性，共同致使Gmapping、Cartographer 等常規二維 SLAM算法構建地圖時產生顯著失真。針對這一問題，孫國祥等在利用三維激光雷達和慣性測量單元獲取溫室環境信息的基礎上，提出采用LIO-SAM（基于緊耦合的雷達慣導定位建圖）算法來構建導航地圖：對照結果顯示，所構建地圖的最大絕對誤差、最大相對誤差以及均方根誤差分別降低至 0.081m?9.9% 和 0.063m ，相較于主流的Gmapping算法（其相應誤差值為 13.227m， 34.6% 和 7.170m? ，該方法的誤差顯著降低。類似的，劉治提出了一種基于多傳感器融合的LOAM算法：該算法在LOAM算法框架的基礎上，引入了IMU（慣性測量單元）和輪速計進行數據的修正，當激光SLAM受到干擾或者微弱時，IMU可以通過測量物體的加速度和角速度的變化來推算物體的絕對位置信息；輪速計則通過光電編碼器來檢測驅動輪在一定時間內的移動距離，從而推算出機器人相對位姿的變化。通過這2種傳感器的反饋信息，算法能夠有效地去除激光雷達采集的點云數據中的運動畸變，進而提升了點云數據的質量和可靠性，提升算法定位性能。

除了采用激光雷達的SLAM系統，以深度相機作為核心感知器件的視覺SLAM系統也展現出了很高的地圖構建精度。李旭等將基于深度相機的ORB-SLAM2算法應用于溫室移動機器人上，該算法通過閉環線程檢測來減少機器人運動過程中累計的定位誤差，實際測試結果顯示 X 軸與 Z 軸定位的均方根誤差分別在0.7m 和 0.4m 范圍內，平均絕對誤差分別在 0.6m 和0.3m 范圍內，算法生成的軌跡與實際軌跡基本契合。該算法的優勢在于通過回環檢測有效地糾正了長時間大場景累積的偏差。

針對動態環境中的視覺SLAM建圖問題，當前大多數視覺SLAM工作時都假設相機所拍攝的環境是完全靜態的，即所觀測到的所有路標點都保持不變；然而針對農業機器人在溫室環境中的工作場景，這種假設通常不成立，人員移動和植株晃動往往不可避免。陰賀生在其研究中提出了Dynam-SLAM（雙目視覺與慣性信息融合）系統，該系統在2個連續圖像幀之間，引入IMU預積分來計算兩幀的相對位姿，從而檢測動態特征點；再將動態和靜態路標點與IMU測量數據耦合，進一步進行位姿估計，使機器人在動態環境中實現更準確的定位。

3.2 路徑規劃與避障

完成SLAM建圖后，需要合理的路徑規劃算法指導機器人進行自主導航，常用的全局路徑規劃算法包括Dijkstra算法、 .A^* 算法、SPFA算法等。何坤在其研究中給出了一種 A^* 算法的優化方法：傳統 A^* 算法存在計算路徑非最優、路徑不平滑等問題，可采用視野平滑處理來去除冗余的轉折節點，同時為避免參考點過少導致算法擬合出的路徑穿越障礙，可在平滑處理后的路徑上重新插人采樣關鍵點，然后采用三次B樣條算法來對路徑進行圓滑處理。處理前后對比如圖2所示。該算法處理后的路徑能夠保證機器人運動的位置變化、速度變化與加速度變化均連續平滑，減少機器人運動時間的同時降低了加速度突變造成的關蕃

機器人進行自主導航時，除了溫室中常見的農具、水桶等障礙，作物生長等因素也可能導致作物枝葉等部分侵入原先的壟間道路，進而導致局部地圖不再精確，此時就需要避障算法進行靈活判斷，避免碰撞損傷作物和機器人自身。Harik等提出可將APF（人工勢場法）控制法與傳統的HectorSLAM結合，以允許移動機器人執行需要在預定義路徑點之間自主避障導航的周期性任務：人工勢場法最初被引入用于機械臂的控制，后來其在移動機器人導航中的應用得到了改進，并自此在移動機器人研究領域得到了廣泛應用，其基本思想是將移動機器人視為帶電粒子，空間中的每一點都是具有給定強度和方向的場矢量，而環境中的靜態和動態障礙物則被視為將帶電粒子推離它們的排斥力，移動機器人的路徑由吸引力和排斥力的矢量和所形成的力來定義。針對視覺SLAM的避障問題，當溫室中機器人的路徑被樹枝或樹葉覆蓋時，視覺SLAM會將其認定為無法穿越的障礙。Matsuzaki等[提出了一種映射方法：該方法通過集成基于RGB-D的視覺SLAM和基于深度神經網絡的語義分割算法，生成了一個帶有語義標簽的3D地圖，即帶有障礙物類型語義信息的映射。通過這個映射可以更準確地判斷障礙物的類型及機器人是否可以直接穿越。

4機器視覺導航

將機器視覺技術應用于溫室農業機器人的自主導航算法對溫室農業機器人自動化作業有著非常重要的意義，強虎等以溫室番茄-黃瓜農業機器人為研究對象，針對在灰度化番茄或黃瓜植株彩色圖像的過程中出現灰度值差異小和過分割的問題提出了3種新的灰度化因子；采用大津法將壟間道路的土壤部分與溫室植株分割開；針對傳統Hough變換計算量大的問題提出了預測點Hough變換算法，改進了其實時性與魯棒性；采用最小二乘法將提取的導航特征點擬合為田壟導航路徑，以滿足機器人自主導航的需求。相應的視覺處理過程與擬合結果如圖3所示，實驗結果表明，機器人運功時最大誤差為 3.5cm ，不會與操作道兩側的作物相碰撞。

隨著算力設備的發展，基于YOLO（YouOnlyLookOnce）等目標檢測算法在視覺導航領域得到了應用嘗試，在該算法框架下經過圖像二值化、目標區域邊緣分割、特征點提取、最小二乘法擬合等步驟，可以擬合出精度很高的導航路徑。應仇凱等[12基于YOLOv8實例分割方法獲取地栽草莓壟面特征，進而擬合出對應的導航線，其導航線提取過程如圖4所示。實驗結果表明機器人運功時橫向偏距最大為 32.69mm ，均值為22.12mm ，均方根誤差為 5.37mm ，滿足地栽草莓采摘機器人壟面自主導航控制。注意到，該誤差顯著小于傳統機器視覺處理擬合的誤差，可見先進視覺算法對于機器視覺導航性能的提升。

圖4最小二乘法算法提取導航線過程

5結束語

針對溫室大棚特殊作業環境下的機器人自主導航技術，我國在該領域的研究進展呈現高速發展態勢，相關論文與專利數量顯著高于國外同行，已逐步構建出具有較強國際競爭力的研發體系。值得指出的，是近三年來（2022一2024年）相關學位論文增量為50篇，而學術期刊論文刊載量為24篇，二者存在2.08：1的數量級差，這種學術成果產出結構反映出該領域研究正處于技術積累期向應用突破期過渡的典型特征。

當前，針對溫室環境中全局建圖與路徑規劃的研究較為完善，但因路面平整度不足等問題導致的局部建圖精度損失仍未得到較好地解決，現有研究多通過融合多種傳感器數據作為突破口，矯正定位與建圖誤差；同時機器視覺在溫室導航領域的應用較少，利用機器學習視覺算法實時判斷障礙物類型并指導避障可作為新的研究方向，以提高溫室中農業機器人的生產效率和安全性。

參考文獻：

[1]楊婕，楊超淞，洪曉瑋，等.有機蔬菜大棚除草機器人磁導航模糊控制系統研制[J].制造業自動化，2022，44（7）：65-68

[2]姚甜，田錦碩，胡乃瑞.基于電磁導航和圖像處理的自動尋跡采摘機器人[J].電子制作，2025，33（1）：58-61.

[3]張文翔，盧鑫羽，張兵園，等.基于激光SLAM和AprilTag融合的溫室移動機器人自主導航方法[J農業機械學報，2025，56（1）：123-132.

[4]孫國祥，黃銀鋒，汪小昆，等.基于LIO-SAM建圖和激光視覺融合定位的溫室自主行走系統[J]農業工程學報，2024，40（3）：227-239.

[5]劉治.用于溫室巡檢機器人的多傳感器融合SLAM算法研究[D].太原：太原理工大學，2023.

[6]李旭，陽奧凱，劉青，等.基于ORB-SLAM2的溫室移動機器人定位研究[J].農業機械學報，2024，55（S1）：317-324，345.

[7]陰賀生.視覺導航關鍵技術及其在柑橘采摘機器人中的應用研究[D].哈爾濱：哈爾濱工業大學，2023.

[8]何坤.基于ROS的草莓溫室自主移動機器人全局路徑規劃研究[D].武漢：武漢輕工大學，2020.

[9]HARIK E H C，KORSAETH A.Combining hector slamandartificial potential field for autonomous navigation in-sideagreenhouse[J].Robotics，2018，7（2）：22.

[10]MATSUZAKI S，MASUZAWA H，MIURA J，et al. 3Dsemantic mapping in greenhouses for agricultural mobilerobots with robust object recognition using robots‘ trajecto-ry[CV/2018 IEEE international conference on systems，man，and cybernetics （SMC）. IEEE，2018：357-362.

[11]強虎.基于機器視覺的溫室番茄-黃瓜農業機器人導航技術研究[D].南寧：廣西大學，2020.

[12]應仇凱，程泓超，馬鋰宏，等.基于YOLO v8-Seg 的地栽草莓采摘機器人壟面視覺導航控制方法[J].農業機械學報，2024，55（S1） ：9-17.