农业复杂场景下多机器人协同关键问题、挑战与展望

摘要：马楠, 曹姗姗, 白涛, 孔繁涛, 孙伟. 农业复杂场景下多机器人协同SLAM研究进展与展望[J]. 智慧农业(中英文), 2024, 6(6): 23-43. DOI: 10.12133/j.smartag.SA202406005

本文节选自：

马楠, 曹姗姗, 白涛, 孔繁涛, 孙伟. 农业复杂场景下多机器人协同SLAM研究进展与展望[J]. 智慧农业(中英文), 2024, 6(6): 23-43. DOI: 10.12133/j.smartag.SA202406005

MA Nan, CAO Shanshan, BAI Tao, KONG Fantao, SUN Wei. Research Progress and Prospect of Multi-robot Collaborative SLAM in Complex Agricultural Scenarios[J]. Smart Agriculture, 2024, 6(6): 23-43. DOI: 10.12133/j.smartag.SA202406005

官网全文免费阅读

农业复杂场景下多机器人协同关键问题、挑战与展望

1 关键问题与挑战

目前，由于农业场景具有的动态可变性、环境复杂性和通信受限性的特点，致使在农业复杂环境下进行多机器人协同定位与建图时，面临诸多挑战。首先，农业复杂场景的动态可变性是指在机器人作业的环境中存在移动的人、农机、动物等，会随着时间而改变任意位置和形态。例如，在野外环境下，多放牧机器人协同管理无规则移动牧群、在养殖场的自动导航与对养殖动物的行为监测等，动态物体会导致传感器数据的不稳定和不一致，进而影响地图构建和定位的准确性，激光SLAM在动态环境中会因移动物体特征点云的误匹配导致定位误差增大、视觉SLAM在具有移动物体等动态变化场景下稳定性不足，容易产生丢失跟踪的问题。其次，具有环境复杂性的农业场景通常具有不规则地形、非结构化环境特点，且存在遮挡和视野受限的区域（如狭窄空间和被遮挡的视线）、光照强度变化（如日夜交替和室内光源变化），以及恶劣天气条件（如雨雪、雾霾天气）的干扰，导致SLAM整体定位精度低、鲁棒性弱，例如无人农场的多机器人协同自动导航中复杂的农场地形、巡检机器人在非结构化环境下对环境的感知，以及温室环境下机器人对环境数据的监控等。最后，通信受限指的是由于机器人作业区域的通信带宽有限、部分区域信号覆盖不足、网络延迟和抖动等问题导致的数据传输和信息共享受阻，影响SLAM的实时性和准确性，如大范围环境下无人农机的协同作业在信号覆盖不足的大型果园机器人的采收等。因此，农业复杂动态环境下的多机器人SLAM需要综合考虑多传感器数据的融合精度偏低、协同任务中的通信受限，以及相对位姿估计准确性不高等关键问题。

1.1 多传感器数据的融合精度偏低

为了应对在农业复杂环境下高效率高精作业的挑战，多机器人SLAM系统通常会采用多种传感器共同工作的策略。农业场景的光照条件、遮挡、纹理、颜色变化等因素，使得机器人在非结构化环境中的感知能力受限。因此，采用多传感器进行数据获取，实现不同传感器数据的优势互补，并通过各类数据融合算法获取高质量数据，提高农业场景下多机器人的感知能力。目前主流的传感器融合方法是卡尔曼滤波器、粒子滤波器和基于图优化，以及它们的衍生算法。卡尔曼滤波和粒子滤波器是贝叶斯滤波器的两种不同实现方案，卡尔曼滤波主要负责预测和更新两个部分，粒子滤波器的方法很好地解决了多个样本任意分布的情况。此外，基于图优化的SLAM则通过最小化平方差之和来找到位姿与位姿之间的关系。近年来，深度学习技术也在传感器数据融合领域崭露头角，其灵活性和强大的特征学习能力为应对农业领域的复杂环境提供了新的可能性。

1.2 协同任务中通信受限

在农业复杂环境下通信和网络覆盖通常较差，可能出现信号不稳定、通信延迟和丢包等问题，通常采取以下策略。首先，机器人可以通过局部地图交换来减少通信量，仅传输局部地图更新或相对位置信息而不是完整的地图。其次，采用信息压缩和编码技术，如使用压缩算法和二进制编码，以减少传输数据量。另外，分层通信策略能够根据通信的紧迫性和重要性将其分层，确保高优先级信息的及时性。同时，自适应通信策略根据网络条件和系统负载动态调整通信频率，以提高通信效率。在分布式算法设计方面，考虑到通信开销，可采用图优化方法将图分割为多个子图，减少跨机器人通信的数据量。最后，引入缓存和重传机制，以应对数据丢失或传输错误，确保通信的可靠性。这些策略共同致力于有效解决多机器人协作SLAM中的通信问题，提高系统的稳定性和性能。

1.3 相对位姿估计准确性不高

在农业复杂环境下，多机器人协同SLAM需要机器人能够准确获取自身以及其他机器人的姿态信息。多机器人协同SLAM中机器人局部地图之间的对齐或变换矩阵通常是未知的，因此，相对位姿估计的准确性对多机器人SLAM至关重要。然而，相对位姿估计面临诸多挑战，包括传感器数据的精度、动态环境中障碍物的移动、在开放环境中缺乏可靠的先验信息等问题。利用传感器融合技术，综合利用多种传感器数据以提高观测的准确性和鲁棒性；通过特征匹配和数据关联算法，确保正确地将不同机器人的观测数据进行关联；引入动态环境建模和滤波方法，对动态物体和静态地图进行有效区分；采用数据同步和时序校准技术，确保机器人间传感器数据的同步和时间一致性；利用先验信息和地图初始化，提供对初始位姿的估计，以加速位姿估计的收敛过程。综合这些解决思路，可以提高在复杂环境下多机器人SLAM的相对位姿估计的精度和可靠性。

2 总结及展望

本文概述了多机器人SLAM技术的发展现状，着重围绕多机器人协同定位、多机器人协同建图，以及目前主流的多机器人协同框架进行全面综述，针对在农业复杂环境下多机器人协同SLAM存在的关键问题及解决方法进行了分析与总结，预测未来该技术的发展趋势主要集中在以下方面。

（1）优化农业复杂场景下多传感器数据融合底层算法，提高多机器人协同定位与建图精度。结合农业场景的动态可变性、环境复杂性和通信受限性，利用不同传感器之间的互补特性来提高数据的稳定性和可靠性，为多机器人协同定位与建图的准确性和鲁棒性提供高质量数据。尽管近年来，多传感器融合方案取得了显著进展，但相对于传统的纯视觉与激光SLAM，仍处于发展阶段。此外，更多传感器的参与意味着需要更庞大的计算能力和更完善的系统来消除无用信息，它将会严重干扰SLAM的实时性能。

（2）融合深度学习、强化学习等新一代AI算法，提升多机器人SLAM自主学习的能力。深度学习技术的快速发展为机器人领域带来了重大变革，其在机器人里程计、优化、定位和地图构建等方面展现了巨大的潜力。多机器人强化学习作为一种前沿解决方案，正在推动多机器人系统中交互式自主学习的发展。然而，在大田作业以及非结构化环境下的野外放牧等场景下，这种结合方式将面临着计算资源和能源消耗的压力、深度学习模型的泛化能力和鲁棒性、可解释性等挑战。

（3）引入多模态大语言模型的语义理解特性，增强多机器人农业环境感知和定位的交互性。通过将语言模型与SLAM技术相结合，机器人将能够更好地感知和理解周围环境。语言模型的引入为机器人提供了一种全新的智能交互方式，使其能够理解自然语言指令、解释自身行为，并从多种文本数据中学习环境知识。而与SLAM技术的结合，则能够进一步提高机器人的环境感知和定位能力，实现更加准确和精细的地图构建。通过构建具有语义理解能力的地图，机器人可以更好地执行室内巡检、路径导航等协作任务，从而更高效地进行环境感知。大语言模型与多机器人SLAM的融合将为机器人在未来的智能化发展开辟出全新的可能性，为人类社会带来更多的智能化应用和服务。

（4）应用数字孪生的虚拟建模和可视化能力，加强多机器人协同决策和路径规划的理解能力。数字孪生和多机器人SLAM是当前人工智能和机器人领域中备受关注的两项技术。二者的结合可以增强机器人对复杂环境的理解和模拟能力。数字孪生技术提供虚拟环境模拟，多机器人SLAM可在其中进行定位和地图构建，优化算法并预测现实环境中的挑战。在无人农场、无人养殖场等环境下，数字孪生技术具有高效的路径规划能力，并且能够对复杂任务做出更智能的决策。在数字孪生与多机器人SLAM的协同作用有望为机器人的智能感知提供新的解决方案，并在未来的研究和应用中发挥重要作用。

为方便农业科学领域读者、作者和审稿专家学术交流，促进智慧农业发展，为更好地服务广大读者、作者和审稿人，编辑部建立了微信交流服务群，有关专业领域内的问题讨论、投稿相关的问题均可在群里咨询。入群方法：加小编微信17346525780，备注：姓名、单位、研究方向，小编拉您进群，机构营销广告人员勿扰。

发布征集