李丹丹，史 云，李會賓，韓 偉，段玉林，吳文斌

（中國農(nóng)業(yè)科學(xué)院農(nóng)業(yè)資源與農(nóng)業(yè)區(qū)劃研究所/農(nóng)業(yè)農(nóng)村部農(nóng)業(yè)遙感重點(diǎn)實(shí)驗(yàn)室，北京 100081）

0 引言

全球農(nóng)業(yè)發(fā)展總體上經(jīng)歷了4 個階段［1］：農(nóng)業(yè)1.0——使用簡單工具的傳統(tǒng)農(nóng)業(yè)［2］，農(nóng)業(yè)2.0——生物化學(xué)農(nóng)業(yè)［3］，農(nóng)業(yè)3.0——以使用多種農(nóng)機(jī)具為主的機(jī)械化農(nóng)業(yè)［4］，農(nóng)業(yè)4.0——以物聯(lián)網(wǎng)大數(shù)據(jù)為主的智慧農(nóng)業(yè)發(fā)展［5］。隨著我國邁入農(nóng)業(yè)4.0 發(fā)展階段，我國農(nóng)業(yè)發(fā)展面臨著“誰來種地，如何種地”［6］的問題，勞動力日益減少、小面積地塊機(jī)械化程度較低，降低了我國農(nóng)業(yè)的競爭力，迫切需要進(jìn)一步轉(zhuǎn)變發(fā)展方式［7］，由“機(jī)器代替人力”、“電腦代替人腦”［8-10］。智能傳感器［11］和農(nóng)業(yè)智能機(jī)器人［12］的發(fā)展為解決該問題提供了方向。

農(nóng)業(yè)機(jī)器人技術(shù)是集農(nóng)學(xué)、地理信息科學(xué)、生物力學(xué)、機(jī)械學(xué)、計(jì)算機(jī)視覺、圖像處理、生物傳感、智能控制等諸多學(xué)科于一體的新興研究領(lǐng)域［13］，已經(jīng)成為國際機(jī)器人領(lǐng)域的一個研究熱點(diǎn)。目前，農(nóng)業(yè)機(jī)器人在采摘［14］、植保［15］、巡查［16］、信息采集［17］、移栽嫁接［18］等方面都有應(yīng)用，不僅促進(jìn)了農(nóng)業(yè)產(chǎn)業(yè)的發(fā)展，也促進(jìn)了由機(jī)械化農(nóng)業(yè)向智慧農(nóng)業(yè)的轉(zhuǎn)變。

全球農(nóng)業(yè)機(jī)器人發(fā)展迅速，未來有更廣闊發(fā)展前景和應(yīng)用需求［19］。針對目前有關(guān)農(nóng)業(yè)機(jī)器人研究現(xiàn)狀仍不清楚這一現(xiàn)狀，文章系統(tǒng)梳理和總結(jié)了近50 年來農(nóng)業(yè)機(jī)器人的研究和應(yīng)用狀況，凝練存在的關(guān)鍵技術(shù)問題，以期提出未來重點(diǎn)發(fā)展方向。

1 農(nóng)業(yè)機(jī)器人的起源與現(xiàn)狀

1959 年，世界上第一臺機(jī)器人誕生于恩格爾伯格先生的Unimation 公司［20］；20 世紀(jì)70 年代初，斯坦福研究院首次采用人工智能學(xué)研發(fā)智能機(jī)器人Shakey［21］；70 年代后期，日本開始了世界上最早的農(nóng)業(yè)機(jī)器人研究［22］；90 年代以來，各國開始研究發(fā)展精準(zhǔn)農(nóng)業(yè)［23］，取得了一系列成果，農(nóng)業(yè)機(jī)器人廣泛使用促進(jìn)了農(nóng)田、果園等地塊的機(jī)械化與智慧化［24］。

1.1 植保機(jī)器人

植保機(jī)器人可分為施肥機(jī)器人和除草機(jī)器人［25-27］，施肥機(jī)器人能夠根據(jù)土壤營養(yǎng)元素含量以及作物種類不同，自動計(jì)算和配比營養(yǎng)液［28］，計(jì)算施肥量，達(dá)到精準(zhǔn)施肥。由于機(jī)器人的作業(yè)面積小、作業(yè)靈活［29］，其應(yīng)用前景主要在變量施肥方面。變量施肥需要分析地塊中各肥料含量，目前較常用的土壤肥力測量方法為定點(diǎn)測量［30］，但是受到測量點(diǎn)數(shù)量有限、取點(diǎn)難以代表全部地塊等問題的限制，定點(diǎn)測量無法滿足機(jī)器人變量作業(yè)的要求。由此，目前實(shí)際應(yīng)用中土壤肥力是否能即時分析與處理，是植保機(jī)器人發(fā)展中亟待解決的問題。

除草機(jī)器人是集環(huán)境感知、路徑規(guī)劃、目標(biāo)識別和動作控制于一體的智能機(jī)器人系統(tǒng)［31］。除草機(jī)器人的研究從20 世紀(jì)60 年代開始［32］，經(jīng)過50 多年的研究，除草機(jī)器人的研究和應(yīng)用快速發(fā)展（表1），目前其主要工作方式有3 種：（1）基于機(jī)器視覺，精確定位雜草目標(biāo)的機(jī)械除草［33］；（2）基于目標(biāo)定位的除草劑精確噴灑［34］；（3）基于目標(biāo)定位的激光除草［35］。

續(xù)表

1.2 采摘機(jī)器人

果蔬采摘是生產(chǎn)鏈中最耗時耗力的一個環(huán)節(jié)，成本高、采摘期集中、重復(fù)性高［48］，因此果蔬采摘的自動化具有重要意義。采摘機(jī)器人最早由美國學(xué)者schertz 和Brown 于1968 年提出［49］，是初級的半機(jī)械半自動化方式，隨著計(jì)算機(jī)視覺、機(jī)器人技術(shù)、人工智能的發(fā)展，以美國、日本為代表的許多國家，包括荷蘭、以色列、英國、德國等國家在采摘機(jī)器人方面做了大量研究，取得了初步進(jìn)展。采摘機(jī)器人的主要技術(shù)部分包括：果實(shí)的識別和果實(shí)位置的確定、采摘方式、機(jī)器人自動行走與導(dǎo)航［50］（圖1）。其中，果實(shí)的識別和果實(shí)位置的確定主要有灰度、閾值、顏色色度法和幾何形狀特征等方法［51］；采摘方式主要為機(jī)械手［52］，根據(jù)果實(shí)的生物特性，設(shè)計(jì)機(jī)械手的自由度、采摘方式與抓取成功率［53］；目前大部分機(jī)器人使用輪式行走［54］，還有根據(jù)不同地形與應(yīng)用設(shè)計(jì)的履帶式采摘機(jī)器人［55］與腿式采摘機(jī)器人［56］，隨著結(jié)構(gòu)與應(yīng)用的探索，出現(xiàn)了結(jié)合輪式、履帶式與腿式的復(fù)合式機(jī)器人［57］。

1993 年，日本首先通過番茄果實(shí)和樹葉的顏色對比，利用視覺系統(tǒng)檢測出番茄在機(jī)械手坐標(biāo)系的位置信息，尋找和定位成熟果實(shí)，研制了一臺具有7 自由度機(jī)械手的番茄采摘機(jī)器人［58］，采摘速度約為15 s/個，成功率約為70%，但是對于處于葉莖茂密處的成熟番茄，難以避開障礙物識別番茄，同時，該系統(tǒng)中視覺識別是基于2D 系統(tǒng)，若針對重疊的番茄或其他與葉片顏色相近的水果時，識別會非常困難。基于此，日本Ehime 大學(xué)研發(fā)了三維視覺系統(tǒng)［59］，包含一個CCD 彩色攝像機(jī)、一個距離傳感器和一臺計(jì)算機(jī)。在此基礎(chǔ)上，日本Shimane 大學(xué)進(jìn)一步完善了視覺系統(tǒng)［60］，包含3 個圖像傳感器、一個三維視覺傳感器和一臺計(jì)算機(jī)組成，提高了檢測水平。1996 年，荷蘭農(nóng)業(yè)環(huán)境工程研究所研制了一種黃瓜采摘機(jī)器人［61］，利用近紅外視覺系統(tǒng)辨別黃瓜果實(shí)，機(jī)器人為輪式行走車，采用7 自由度機(jī)械手，實(shí)驗(yàn)工作速度為10 s/根。2018 年，日本學(xué)者提出了采用配備RGB-D 攝像頭來檢測番茄花梗，檢測切割位置，通過切割花梗實(shí)現(xiàn)番茄采摘［62］。目前大部分采摘機(jī)器人都在樣機(jī)或研究階段，尚未進(jìn)入大規(guī)模商業(yè)應(yīng)用。主要難點(diǎn)及問題在于：果實(shí)的識別率低，定位精度較低；作業(yè)效率約為3～15 s/個果實(shí)，尚不能滿足商業(yè)應(yīng)用需要；果蔬通常比較嬌嫩，機(jī)械采摘的傷果率較高；目前果蔬的采摘機(jī)器人通用性與利用率差?；诖耍磥聿烧獧C(jī)器人的發(fā)展方向在于：采摘目標(biāo)的位置精準(zhǔn)感知、機(jī)械臂的位姿控制與多種采摘方式結(jié)合、多傳感器融合定位與導(dǎo)航控制技術(shù)、開放式結(jié)構(gòu)機(jī)器人［63］。

圖1 采摘機(jī)器人主要技術(shù)方法Fig.1 Main technology method of harvesting robot

1.3 信息采集機(jī)器人

當(dāng)前農(nóng)業(yè)生產(chǎn)追求精準(zhǔn)農(nóng)業(yè)，實(shí)時監(jiān)控各地塊農(nóng)田生物、溫度、濕度及土壤信息等，目前農(nóng)業(yè)信息的采集方式主要有以下幾種方法（圖2）：（1）傳統(tǒng)田間采樣［64］，需要人工采樣并帶回實(shí)驗(yàn)室分析，工作量大且測量成本較高。（2）固定采集器［65］，集成GPS 和傳感器的定位信息采集，美國Field Worker 公司的基于掌上電腦的信息采集軟件Field Worker 能很好地滿足精細(xì)農(nóng)業(yè)的需要。通過與GIS 的連接，能實(shí)時采集帶有空間位置屬性的田間作物生長狀態(tài)信息并能做相應(yīng)的計(jì)算處理，為作物管理提供科學(xué)依據(jù)。此種方法教傳統(tǒng)田間采樣節(jié)省了人力，但是采集樣點(diǎn)數(shù)量受傳感器數(shù)量的限制，成本較高。（3）多平臺遙感獲?。?6］，遙感技術(shù)利用高分辨率傳感器對不同作物生長期實(shí)施全面監(jiān)測，根據(jù)光譜信息，進(jìn)行空間定性和定位分析，為定位處方農(nóng)作提供大量的田間時空變化信息。遙感信息作為GIS 信息的重要數(shù)據(jù)源，也可以補(bǔ)充實(shí)地采集的土壤肥力、雜草、蟲害等數(shù)據(jù)。發(fā)揮遙感信息應(yīng)用的巨大潛力，再加上高光譜遙感分辨率的提高，均為開展精細(xì)農(nóng)業(yè)實(shí)施的尺度效應(yīng)研究提供了理論可能，對于較大面積地塊具有友好性，但是對于我國丘陵地區(qū)等小面積分散地塊，遙感方法顯示出了其精細(xì)度不足、更新不及時的缺點(diǎn)。（4）農(nóng)田信息采集機(jī)器人［67］，將采集農(nóng)田信息所需的傳感器安裝在農(nóng)業(yè)移動機(jī)器人上，自動采集農(nóng)田信息。機(jī)器人體型較小且較靈活，適宜于農(nóng)田信息的采集，目前國內(nèi)外對其進(jìn)行了一系列研究。

圖2 農(nóng)田信息采集方式Fig.2 Farmland information collection method

日本京都大學(xué)研究的六足機(jī)器人［68］（圖3-a），能夠在田間行走并采集農(nóng)業(yè)信息，如土壤的水量、肥量和農(nóng)作物的生長狀況等。它采用CO2傳感器和風(fēng)向儀進(jìn)行導(dǎo)航，外形尺寸為270 mm×310 mm×170 mm，行走速度為1-2 m/min。

美國Grift 等人開發(fā)的watching-dog robot［69］，在機(jī)器人上裝有攝像頭和GPS 接收器，用于自動采集田間信息，它能在農(nóng)田中行走并尋找和定位長勢不好的作物或者雜草。機(jī)器人采用四輪獨(dú)立驅(qū)動的方式在田間行走，為了適應(yīng)地形的復(fù)雜性采用了柔性的聯(lián)動息架結(jié)構(gòu)，采用電磁羅盤感知方向，激光測量系統(tǒng)導(dǎo)航，CAN 總線傳輸數(shù)據(jù)，行駛速度為0.14 m/s。

美國伊利諾伊大學(xué)開發(fā)的四足螞蟻機(jī)器人群［70］，用于田間巡視，通過無線藍(lán)牙技術(shù)傳遞信息。丹麥奧爾堡大學(xué)的API（Autonomous Plant-care Implementation）［71］自主農(nóng)業(yè)機(jī)器人（圖3-b），是四輪驅(qū)動、四輪轉(zhuǎn)向的移動機(jī)器人，通過全球定位系統(tǒng)、視覺系統(tǒng)和雷達(dá)系統(tǒng)采集作物信息，用戶農(nóng)田監(jiān)測和自主作業(yè)。

美國迪爾公司發(fā)明的用于土壤測試的機(jī)器人車輛［72］，在機(jī)器人上的裝有一個或多個用于提取土樣的探針，土樣被采集回來后送到實(shí)驗(yàn)室，對采集的土樣進(jìn)行分析后得到數(shù)據(jù)，并把土壤數(shù)據(jù)存入數(shù)據(jù)庫。

Garcia 等利用無線傳感器網(wǎng)絡(luò)構(gòu)建分布式農(nóng)田視頻監(jiān)控和數(shù)據(jù)采集系統(tǒng)［73］，通過Internet 實(shí)現(xiàn)遠(yuǎn)程數(shù)據(jù)傳輸。Bak 和Jakobsen 提出了一種小型農(nóng)田信息采集機(jī)器人［74］（圖3-c 和3-d），能夠在作物行間穿行，用攝像頭和GPS 接收器獲得田間雜草的位置信息。

圖3 信息采集機(jī)器人Fig.3 Farmland information collection robot

1.4 移栽嫁接機(jī)器人

隨著人們生活水平的提高，人們對果蔬的品質(zhì)要求也日益增高，但農(nóng)作物的連作障礙、病蟲害及植物對環(huán)境的適應(yīng)性等因素嚴(yán)重制約了果蔬的產(chǎn)量和品質(zhì)［75］，為解決以上難題嫁接技術(shù)應(yīng)運(yùn)而生。

室內(nèi)工作的農(nóng)業(yè)機(jī)器人，將在溫室大棚和生產(chǎn)車間里發(fā)揮作用。溫室栽培包括育苗、嫁接、采摘、包裝等多類作業(yè)［76］，其他還有摘葉、防蟲除草、搬運(yùn)等工作需要反復(fù)進(jìn)行，需要的勞動力多、勞動強(qiáng)度大，溫室內(nèi)高溫、高濕、勞動環(huán)境較差，十分需要實(shí)現(xiàn)作業(yè)的自動化。

以嫁接問題為例。嫁接栽培是克服瓜菜連茬病害和低溫障礙的最有效的途徑，抗病、增產(chǎn)效果顯著，廣泛用于黃瓜、西瓜、甜瓜、茄子、番茄栽培，但人工嫁接速度慢、效率低、費(fèi)工費(fèi)時。嫁接機(jī)器人集機(jī)械、自動控制與設(shè)施園藝技術(shù)于一體［77］，可大幅度提高嫁接速度，明顯降低勞動強(qiáng)度，并可提高嫁接成活率。

1986 年日本在農(nóng)業(yè)機(jī)器人研制的基礎(chǔ)上，率先研制果蔬苗木嫁接自動化機(jī)器人［78］，1987 年研制出半自動1 號試驗(yàn)樣機(jī)G871，1994 年井關(guān)公司與日本生研機(jī)構(gòu)協(xié)作推出了CR800T 茄科嫁接機(jī)（圖4-a）；三菱公司根據(jù)嫁接苗生產(chǎn)模式開發(fā)出MGM600 型自動嫁接機(jī)（圖4-b）；1993 年TGR 研究所開發(fā)出商品化茄科用嫁接機(jī)（圖4-c）；日本洋馬公司2003 年發(fā)布了一款造價低的半自動瓜科嫁接機(jī)（圖4-d）。

20 世紀(jì)90 年代初，韓國也開始了嫁接機(jī)的研制與開發(fā)［79］，其中裕豐公司研發(fā)的小型半自動式嫁接機(jī)（圖5-a）生產(chǎn)率約310 株/h，生產(chǎn)率較低但是運(yùn)行穩(wěn)定、成本低廉［80］；Idealsystem 公司研發(fā)出針式全自動嫁接機(jī)（圖5-b），主要針對茄科作物［81］。在歐洲，2010 年意大利Tea 公司研制出了半自動茄科嫁接機(jī)，荷蘭的ISO 公司研制出了多種嫁接機(jī)器，分選幼苗機(jī)器（圖5-c），全自動茄科嫁接機(jī)（圖5-d）等。

我國在嫁接機(jī)器人方面也有較好的發(fā)展。1998 年，中國農(nóng)業(yè)大學(xué)首次開發(fā)出2JSZ-600 型自動嫁接機(jī)［82］。2006 年東北農(nóng)業(yè)大學(xué)研制并開發(fā)出了2JC-350 型插接式半自動嫁接機(jī)。2009 年浙江理工大學(xué)和浙江大學(xué)聯(lián)合開展了基于插接法嫁接機(jī)的研究。2010 年華南農(nóng)業(yè)大學(xué)與東北農(nóng)業(yè)大學(xué)聯(lián)合推出了2JC-600 型半自動嫁接機(jī)和2JX-M 系列嫁接切削器［83-84］，并持續(xù)研究了全自動瓜類嫁接機(jī)。2011 年國家農(nóng)業(yè)智能裝備工程技術(shù)裝備研究中心開發(fā)出了貼接法嫁接機(jī)器人。

圖4 日本的4 種移栽嫁接機(jī)器人Fig.4 Grafting robot of Japan

圖5 其他國家的4 種移栽嫁接機(jī)器人Fig.5 Grafting robot of other countries

2 農(nóng)業(yè)機(jī)器人的關(guān)鍵技術(shù)

農(nóng)業(yè)機(jī)器人技術(shù)與其功能應(yīng)用密切相關(guān)，但是具有包括機(jī)器人本體、傳感器、通訊與數(shù)據(jù)分析等共性系統(tǒng)，其關(guān)鍵技術(shù)包括：自動行駛與路徑規(guī)劃、作物目標(biāo)識別與分析、機(jī)械臂自主規(guī)劃與控制、多機(jī)協(xié)作和智能交互［85-87］。

圖6 農(nóng)業(yè)機(jī)器人的關(guān)鍵技術(shù)Fig.6 Key technologies in agricultural robotics

2.1 自動導(dǎo)航與路徑規(guī)劃

目前實(shí)現(xiàn)機(jī)器人導(dǎo)航的主要方法有：全球?qū)Ш叫l(wèi)星系統(tǒng)（GNSS）［88］、激光導(dǎo)航［89］、慣性導(dǎo)航［90］、電磁導(dǎo)航［91］、無線電導(dǎo)航［92］、視覺導(dǎo)航［93］、信標(biāo)導(dǎo)航等［94］。

機(jī)器人導(dǎo)航的主要問題是利用機(jī)器人上的傳感器獲取定位和環(huán)境信息，使機(jī)器人按照預(yù)定的路線行走。導(dǎo)航需要的4 個基本模塊是：感知、定位、認(rèn)知和運(yùn)動控制［95］，關(guān)鍵問題包括：制圖、定位、路徑規(guī)劃等。

2.1.1 多傳感器融合

多傳感器融合基于多個傳感器的獨(dú)立觀測數(shù)據(jù)，通過多傳感器融合提高測量精度，增加系統(tǒng)感知維度和健壯性。多傳感器融合方法使得構(gòu)建環(huán)境三維特征圖更加簡單，Auat 等［96］采用激光與攝像機(jī)相結(jié)合的方式，實(shí)現(xiàn)了三維地圖的快速構(gòu)建，Lepej 和Rakun［97］使用兩個激光傳感器提取特征做機(jī)器人的位置預(yù)估，以適應(yīng)復(fù)雜的野外環(huán)境。荷蘭學(xué)者利用3D 激光測距數(shù)據(jù)在車輛移動時提供車輛周圍體積的最新掃描，實(shí)現(xiàn)動態(tài)避障［98］；針對動態(tài)行人，日本學(xué)者提出了一種利用激光雷達(dá)對時間序列中的測量距離進(jìn)行疊加，提高了行人識別精度［99］；2017 年印尼學(xué)者提出了一種利用SLAM 在模擬農(nóng)業(yè)區(qū)域生成地圖的方法，通過微調(diào)SLAM-Gmapping 算法生成基于網(wǎng)格的立體圖，結(jié)合激光掃描器的樹位置檢測和利用視覺傳感器的水果檢測，使用Gazebo 模擬器，生成蘋果園的模擬地圖，使用模擬器能夠在復(fù)雜的田間地頭環(huán)境中準(zhǔn)確有效地模擬機(jī)器人種群［100］。

2.1.2 同步定位和制圖

同步定位和制圖（Simultaneous Localization and Mapping，SLAM）——當(dāng)自定位和環(huán)境均未知時，要求機(jī)器人在不斷運(yùn)動的過程中通過傳感器感知遞增地建立環(huán)境的導(dǎo)航地圖，同時利用已建立的地圖同步刷新自身的定位［101］；當(dāng)前機(jī)器人搭載的主要傳感器為視覺、激光、慣性測量單元、超聲波、里程計(jì)等傳感器［102］，其流程圖如圖7 所示。

圖7 視覺SLAM 流程Fig.7 Process of visual SLAM

SLAM 是目前機(jī)器人領(lǐng)域的研究熱點(diǎn)，Endo 等［103］將LSD-SLAM 應(yīng)用于視障人群的導(dǎo)航系統(tǒng)中，利用可穿戴攝像頭估計(jì)視障人群的位置，幫助視障人群在行走中避開障礙物；Xiao 等［104］提出了一種改進(jìn)的ORB-SLAM 系統(tǒng)，該系統(tǒng)與采用三角剖分算法的激光掃描方法相比，在12 m 范圍內(nèi)誤差僅為35 cm；Santos 等［105］提出了一種基于二維擴(kuò)展卡爾曼濾波器算法的EKF-SLAM 方法，提高了在陡坡和復(fù)雜的自然環(huán)境中建圖的精度。

但是當(dāng)前的點(diǎn)云地圖對不同的物體并未區(qū)分，使得點(diǎn)云地圖信息量有限，機(jī)器人只能獲取哪里有物體，不能獲取該物體是什么類別，使得地圖的利用性十分有限。在語義SLAM 方面，有許多學(xué)者做了相應(yīng)的研究工作，Haspelmath［106］和Haan［107］詳細(xì)描述了如何繪制經(jīng)典語義地圖和一些技術(shù)問題，其基本思想是將傳感器獲取的信息分解成計(jì)算機(jī)能夠理解的字符，計(jì)算機(jī)再將這些字符組合起來，對數(shù)據(jù)庫中組合的結(jié)果進(jìn)行查詢匹配，并利用所得到的結(jié)果描述地圖信息。Dabeer 等［108］學(xué)者將語義地標(biāo)加入到三維地圖中導(dǎo)航，提高了20 cm 的精度；帝國理工學(xué)院Andrew Davison 課題組通過RGB-D 相機(jī)構(gòu)建場景點(diǎn)云，把點(diǎn)云特征與預(yù)先準(zhǔn)備好的物體數(shù)據(jù)庫中的物體進(jìn)行比對，一旦發(fā)現(xiàn)匹配的物體就把預(yù)先存儲好的精細(xì)點(diǎn)云放入地圖，但是其做了地面水平的假設(shè)，使得放入地圖中的物體都保持在一個水平面上，目前的語義SLAM 大多在高度可控的場景下進(jìn)行，并需要提前建立好物體類別庫，整個空間概念的語義圖構(gòu)建仍然存在許多困難，需要進(jìn)一步的探索和研究。

2.1.3 主動定位

農(nóng)業(yè)機(jī)器人工作中首先需要獲取全局位置和當(dāng)前位姿，才能進(jìn)行下一步規(guī)劃，定位分為全局定位和相對定位。在機(jī)器人定位領(lǐng)域，絕對定位一般分為信標(biāo)定位、全球定位系統(tǒng)、地圖匹配定位、概率定位等，相對定位包含航跡推算。當(dāng)前，在農(nóng)業(yè)領(lǐng)域，由于地面通常較粗糙且農(nóng)作物生長密集、易受機(jī)械損傷，所以航跡推算和GPS 方法不符合精準(zhǔn)農(nóng)業(yè)標(biāo)準(zhǔn)。為解決這一問題，有研究人員將差分技術(shù)和GPS 技術(shù)相結(jié)合，提高了定位精度。PerezRuiz 等［109］研究了一種雜草控制刀的路徑控制系統(tǒng)，定位精度達(dá)到0.8 cm，差分GPS 能夠?qū)崿F(xiàn)1cm 左右的定位精度，但是在非平原地區(qū)，由于其四面環(huán)山，這種環(huán)境會給基站的架設(shè)和信號傳輸帶來困難，所以目前難以大規(guī)模推廣。

聲源定位［110］是機(jī)器人定位的另一種方法，機(jī)器人通過傳感器或音頻陣列獲取環(huán)境的聲音信息，然后對信息進(jìn)行融合處理，判斷聲源的位置，從而為估計(jì)自身定位提供條件。Rucci［111］等模擬貓頭鷹的捕獵行為，構(gòu)建了一個兩側(cè)麥克風(fēng)和一個攝像頭的機(jī)器人頭部測量系統(tǒng)，實(shí)現(xiàn)了聲源定位。為了提高聲源定位的定位精度，Gui 等［112］提出了一種基于十變量立體陣列的聲學(xué)定位算法，平均定位誤差小于1 cm。Su 等［113］提出了一種利用激光測距儀和麥克風(fēng)陣列進(jìn)行音頻跟蹤的方法，考慮了聲音的反射和障礙物的遮擋，成功的檢測到聲源，誤差在11.38 cm 內(nèi)。

2.1.4 動態(tài)路徑規(guī)劃和避障

主動定位研究在導(dǎo)航地圖已知的情況下，機(jī)器人如何規(guī)劃和控制其運(yùn)動路徑，向能夠獲得更多有利于自定位的傳感器感知的環(huán)境區(qū)域運(yùn)動，從而盡快實(shí)現(xiàn)精確的定位；如何在導(dǎo)航地圖中尋找一條由當(dāng)前位置到目標(biāo)位置可行的或最優(yōu)的運(yùn)動路徑，并控制機(jī)器人沿該路徑到達(dá)目標(biāo)位置，是路徑規(guī)劃的主要研究內(nèi)容［114］。

路徑規(guī)劃分為全局路徑規(guī)劃和局部路徑規(guī)劃［115］。全局路徑規(guī)劃一般應(yīng)用于機(jī)器人運(yùn)行環(huán)境中已經(jīng)對障礙信息完全掌握的情況下，常用的算法包括有遺傳算法、快速隨機(jī)搜索樹算法和蜂群算法以及相關(guān)算法的改進(jìn)［116］。局部路徑規(guī)劃由傳感器實(shí)時采集環(huán)境信息，確定環(huán)境地圖信息，得到當(dāng)前所在地圖的位置及其局部障礙物分布情況［117］，從而可以獲取當(dāng)前結(jié)點(diǎn)到某一子目標(biāo)節(jié)點(diǎn)的最優(yōu)路徑。局部路徑規(guī)劃常用算法主要包括：人工勢場法、模糊算法、A*算法等，此外，還有人工免疫算法、D*算法、滾動窗口法、事例學(xué)習(xí)法等。

機(jī)器人避障控制是路徑規(guī)劃中需要解決的子問題，可視作為局部路徑規(guī)劃中的一個環(huán)節(jié)。為了保障農(nóng)作物、行人、機(jī)器人自身的安全，機(jī)器人需要對周圍環(huán)境的感知及時做出快速的避障決策，由于障礙物和環(huán)境可能是不斷變化的，在解決避障問題時，首先檢測障礙物，再進(jìn)行避障控制。結(jié)合機(jī)器人自身的運(yùn)動速度和姿態(tài)估計(jì)避障的距離，確定避障的最小距離和最大避障角度。在避障控制方面，常用的研究算法有：BUG 方法［118］，可見性方法［119］，人工勢場法［120］，VFH 方法［121］，動態(tài)窗口法［122］。

XU 等［123］利用BUG 算法解決了位置靜態(tài)條件下導(dǎo)航中的避障問題。Souidi 等［124］對BUG 算法進(jìn)行了改進(jìn)，使傳感器數(shù)據(jù)得到最優(yōu)利用，減少了到目標(biāo)的路徑長度。Shi等［125］分析了人工勢場法的不足，提出了一種提高規(guī)劃路徑平穩(wěn)性的方法。kumar 和kaleeswari［126］利用VHF 方法對輪式機(jī)器人進(jìn)行避障控制，并在機(jī)器人距離障礙物超過20 cm 時完成避障路徑規(guī)劃。這幾種方法各有其獨(dú)特的優(yōu)勢，也有其局限性。在農(nóng)業(yè)環(huán)境中，農(nóng)作物生長密集，農(nóng)業(yè)機(jī)器人的工作空間不大，當(dāng)需要避障時，需要盡可能和機(jī)器人保持較小距離，綜上所述，避障在一般環(huán)境下取得了較好的成果，但是在農(nóng)業(yè)領(lǐng)域，仍需進(jìn)行進(jìn)一步的研究與應(yīng)用。

2.2 作物目標(biāo)識別與分析

2.2.1 CNN 目標(biāo)檢測

農(nóng)業(yè)機(jī)器人中作物目標(biāo)識別有廣泛的應(yīng)用，包括病蟲害識別、果實(shí)識別、目標(biāo)跟蹤等［127］。其中卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks，CNN）是目標(biāo)識別的代表算法之一。CNN 由輸入和輸出層以及多個隱藏層組成，隱藏層可分為卷積層，池化層、激勵層和全連通層。典型的CNN 模型包括：LeNet，AlexNet，ZF Net，GoogleNet，VGGNet；典型的基于CNN 的目標(biāo)檢測算法包括：R-CNN，F(xiàn)ast R-CNN，F(xiàn)aster R-CNN，R-FCN，F(xiàn)PN，Yolo，SSD，DSSD［128］。

2.2.2 作物表型分析

植物表型研究始于20 世紀(jì)末，其核心是獲取高質(zhì)量、可重復(fù)的性狀數(shù)據(jù)，進(jìn)而量化分析基因型和環(huán)境互作效應(yīng)及其對產(chǎn)量、質(zhì)量、抗逆等相關(guān)的主要性狀的影響［129］。相對于單一性狀，植物表型組能為植物研究提供全面的科學(xué)證據(jù)。2017 年，法國植物表型協(xié)會主席Francois Tardieu 和諾丁漢大學(xué)植物學(xué)家Malcolm Bennett 指出如何把室內(nèi)、外表型研究中產(chǎn)生的巨量圖像和傳感器數(shù)據(jù)轉(zhuǎn)化為有意義的生物學(xué)知識是下一階段表型學(xué)研究的瓶頸問題［130］。

當(dāng)前，各類表型數(shù)據(jù)采集裝置主要包括空天地3 種采集平臺，其中地上機(jī)器人包含的采集裝置包括：可見光成像、超頻譜、多頻譜、超聲波、激光雷達(dá)、熱成像等［131］，表型圖像數(shù)據(jù)的處理分為：前處理、分割、分類及目標(biāo)區(qū)域檢測和提取。當(dāng)前，機(jī)器學(xué)習(xí)算法和多源圖像數(shù)據(jù)融合技術(shù)開始越來越多的應(yīng)用在田間作物表型研究領(lǐng)域［132］。

2.3 機(jī)械臂自主規(guī)劃與控制

機(jī)械臂路徑規(guī)劃指的是在機(jī)械臂所有關(guān)節(jié)運(yùn)動范圍內(nèi)，保證機(jī)械臂的所有連桿在運(yùn)動過程中不與障礙物發(fā)生碰撞的前提下，規(guī)劃出一條從起點(diǎn)到終點(diǎn)的路徑［133］。機(jī)械臂的避障路徑規(guī)劃的方法，一直分類方式是分為全局路徑規(guī)劃和局部路徑規(guī)劃。

全局路徑規(guī)劃分為A*搜索算法、Dijkstra 算法、RRT 算法、蟻群算法等［134］；局部路徑規(guī)劃分為人工勢場法、遺傳算法、人工神經(jīng)網(wǎng)絡(luò)算法等［135］。

圖8 路徑規(guī)劃Fig.8 Path planning of manipulator

A*搜索算法關(guān)注點(diǎn)到點(diǎn)的最短路徑，荷蘭學(xué)者設(shè)計(jì)了一款利用A*搜索算法的黃瓜采摘機(jī)械臂，首先獲取機(jī)器人工作環(huán)境的傳感器信息，再規(guī)劃無碰撞的機(jī)械臂動作，將末端執(zhí)行器引導(dǎo)至黃瓜采摘和送回［136］，該算法易于實(shí)現(xiàn)且健壯性好，但是智能性較差且算法過于緩慢。Dijkstra 算法計(jì)算源點(diǎn)到其他所有點(diǎn)的最短路徑長度?？焖偬剿麟S機(jī)樹算法（RRT 算法）是基于隨機(jī)采樣的路徑規(guī)劃算法，華南農(nóng)業(yè)大學(xué)采用RRT 算法設(shè)計(jì)了智能荔枝采摘機(jī)械手，通過建立機(jī)械手和障礙物的碰撞檢測模型，實(shí)現(xiàn)了避障路徑規(guī)劃，并提出了遺傳算法和平滑處理來進(jìn)一步優(yōu)化RRT 的算法生成的路徑［137］。蟻群算法是一種用來尋找最優(yōu)路徑的概率型算法。人工勢場法是由Khatib 提出的一種虛擬力法［138］，結(jié)構(gòu)簡單便于底層的實(shí)時控制，但是其在相近的障礙物群中不能識別路徑。遺傳算法是一種通過模擬自然進(jìn)化過程搜索最優(yōu)解的方法；人工神經(jīng)網(wǎng)絡(luò)系統(tǒng)是20 世紀(jì)40 年代后出現(xiàn)的，由眾多的神經(jīng)元可調(diào)的連接權(quán)值連接而成，具有大規(guī)模并行處理、分布式信息存儲、良好的自組織自學(xué)習(xí)能力等特點(diǎn)。

2.4 多機(jī)協(xié)作和智能交互

多機(jī)器人協(xié)作的研究方面包括：多機(jī)器人體系結(jié)構(gòu)、多機(jī)器人之間的協(xié)作、通訊、感知與學(xué)習(xí)［139］。

為了適應(yīng)需求和降低人工成本，多個機(jī)器人在同一區(qū)域內(nèi)協(xié)同工作，形成一個多機(jī)器人系統(tǒng)，此時多機(jī)器人環(huán)境探索和建模以及機(jī)器人間的有效定位問題尤其重要，以保證在后續(xù)路徑規(guī)劃過程中不會與其他機(jī)器人發(fā)生碰撞。在這方面研究人員做了大量工作。Andrew 等在機(jī)器人系統(tǒng)中設(shè)計(jì)了兩種多機(jī)器人定位和建地圖策略［140］。Alan C.Schultz等在證據(jù)柵格的環(huán)境模型下針對探索、定位、導(dǎo)航和規(guī)劃4 個子功能的效用進(jìn)行了評價，實(shí)現(xiàn)了機(jī)器人的有效集成［141］；Daniel Meier 等針對機(jī)器人之間通信帶寬的有限性約束，設(shè)計(jì)了多機(jī)器人搜索和建模策略［142］；Rub 等設(shè)計(jì)了基于專職化的機(jī)器人群體協(xié)作策略［143］；Agusti Solanas 等設(shè)計(jì)了未知環(huán)境中基于非監(jiān)督聚類算法的多機(jī)器人協(xié)調(diào)探索［144］；Ettore 等設(shè)計(jì)了Brick&Mortar 的多機(jī)器人搜索策略［145］，通過增加搜索結(jié)束時間的限定和訪問節(jié)點(diǎn)次數(shù)，有效地克服了螞蟻搜索算法和多深度優(yōu)先搜索算法的缺陷，實(shí)現(xiàn)了多機(jī)器人快速、高覆蓋率地在線搜索功能。此外，瑞士蘇黎世大學(xué)開展了生物機(jī)器人與群體智能研究［146］，瑞士聯(lián)邦工學(xué)院進(jìn)行了多機(jī)器人任務(wù)分配和規(guī)劃問題研究［147］；比利時布魯塞爾大學(xué)開展了關(guān)于集群機(jī)器人的系統(tǒng)研究［148］。

3 未來展望

通過對現(xiàn)有農(nóng)業(yè)機(jī)器人和其使用技術(shù)的分析綜述，不難看出農(nóng)業(yè)機(jī)器人已經(jīng)有許多成功的應(yīng)用，也證明了農(nóng)業(yè)機(jī)器人與機(jī)械化能給現(xiàn)代農(nóng)業(yè)帶來巨大的經(jīng)濟(jì)效益，有廣闊的市場前景，但當(dāng)前機(jī)器人在大規(guī)模應(yīng)用方面還存在成本過高、通用性不足的缺點(diǎn)［149］。此外，人腦中約有100 億～10 000 億個神經(jīng)元，若機(jī)器人集成一個如此多神經(jīng)元的電路，其芯片重量可達(dá)2 000 t，耗電約20 MW，當(dāng)前機(jī)器人身體無法集成如此龐大的大腦，將大腦放在云端，讓100 萬個機(jī)器人共享這個龐大的“大腦”是一種可行的解決方案。針對這兩點(diǎn)，未來農(nóng)業(yè)機(jī)器人發(fā)展需要重點(diǎn)考慮：（1）低成本高適應(yīng)性的開放性機(jī)器人，農(nóng)業(yè)機(jī)器人在軟件與硬件兩方面的設(shè)計(jì)均考慮開放性。硬件方面：機(jī)器人傳感器可根據(jù)實(shí)際情況增減，控制部分留置空余接口；軟件方面：支持二次開發(fā)及擴(kuò)展，為人機(jī)協(xié)同和多機(jī)協(xié)作提供良好平臺；（2）構(gòu)建“農(nóng)業(yè)大腦”智能決策體系，實(shí)現(xiàn)云平臺—一體機(jī)—機(jī)器人的架構(gòu)：云平臺提供云計(jì)算服務(wù)，使物聯(lián)網(wǎng)中數(shù)以兆計(jì)的機(jī)器人及其他終端實(shí)時動態(tài)管理，使得智能分析與處理成為可能，一體機(jī)為農(nóng)業(yè)機(jī)器人田間地頭的作業(yè)提供支持。隨著人工智能、大數(shù)據(jù)、虛擬感知系統(tǒng)、多傳感器融合等新技術(shù)的發(fā)展和應(yīng)用，農(nóng)業(yè)機(jī)器人將承擔(dān)越來越多的農(nóng)業(yè)作業(yè)任務(wù)，成為農(nóng)業(yè)生產(chǎn)中的關(guān)鍵組成部分。