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建图与回环检测

1 多机器人协同建图

多机器人协同建图是指将各机器人在不同坐标系下构建的局部地图，采用地图融合算法将其合并为全局地图的过程。多机器人协作建图的优势有三点，一是多个机器人同时建图可以缩短建立地图所需的时间，提高建图效率；二是如果单个机器人发生故障，其他机器人仍然可以继续工作，保证任务的完成；三是多个机器人可以同时覆盖不同区域，可以更全面地探索和建立地图。

随着SLAM技术的快速发展，多机器人协同建图在农业领域展现出了巨大的潜力。多机器人协同建图技术，为农机自动导航机器人提供精准全局地图，提升了耕作、播种和收割的效率；帮助养殖舍内动物行为监控机器人建立详细的空间地图，能够及时发现和处理异常情况；辅助温室作物采摘机器人识别和定位成熟作物，精确进行采摘操作，提高效率并减少损伤；为自然草原环境下放牧机器人协同监控和管理畜禽，实时更新草原地形图，优化放牧路径和管理草场资源等。多机器人协同建图的应用极大地推动了农业的智能化和自动化发展，提高了生产效率和精度，降低了劳动强度和成本。本文从地图融合类型和地图融合算法两部分介绍多机器人协同建图技术。

1.1 地图融合方法

多机器人协同构建场景的局部地图之后，需要处理彼此创建的局部地图，生成全局的完整地图，这就是多机器人的地图融合。依据融合的方法原理，又可以将研究方法分为直接法和间接法，进而对比分析了这两种方法在地图融合中的应用特点，如表1所示。

表 1 基于不同融合类型的地图融合方法Table 1 Map fusion methods based on different fusion types

直接法利用传感器原始数据进行地图融合，而不需要对数据进行额外处理或特征提取，间接法通过处理局部地图的重叠区域来得到变换矩阵。前者优点是能够更好地保留原始数据的信息，但需要已知或得到彼此间的初始相对位姿，由控制台接收所有机器人的数据并直接生成全局地图；后者不需要机器人的初始位姿和相对位姿，独立构建局部地图再查找和匹配地图的公共部分，找出转换矩阵后合并地图。

目前，在农业复杂环境下，基于间接法的融合策略更适合，既能保证原始数据的完整性，又能提高构建地图的精确性。在除草机器人系统中，机器人在需要精确避障或进行细致操作时，可以采用间接法获得高精度定位和地图，而在执行巡航任务或简单路径规划时，切换到直接法，以保证系统的实时响应能力。通过结合这两种方法的优势，不仅能够显著提高农业机器人在复杂环境下的表现，还可以大幅降低计算与通信成本，从而推动智能农业的高效自动化。

1.2 地图融合算法

本文根据应用场景的特点将多机器人地图融合算法分成了四类，分别是基于平方根信息滤波算法、基于地图类型的融合算法、基于粒子滤波算法和基于概率图模型算法。其中，基于平方根信息滤波算法包含协作同步定位与地图构建（Collaborative Simultaneous Localization and Mapping, C-SAM ）、分布式数据融合与状态估计的同步定位与地图构建（Distributed Data Fusion and State Estimation for Simultaneous Localization and Mapping 2.0, DDF-SAM 2.0 ）等方法，其稳定性高，适用于有效处理未知环境的大规模地图融合；基于粒子滤波算法包含多机器人时间映射同步定位与地图构建（Multi-Robot Time Mapping Simultaneous Localization and Mapping, MRTM-SLAM）、多簇同步定位与地图构建（Multi-Cluster SLAM, MCS-SLAM ）、鲁棒地图（Robust Map, R-map ）、基于上下文描述符的网格地图合并法、无初始相对位置的多机器人栅格地图融合算法等方法，善于处理非线性和非高斯问题，适用于高动态环境的地图融合；基于地图类型的融合算法包含快速同步定位与地图构建（Fast Simultaneous Localization and Mapping, Fast-SLAM）、基于点到线迭代最近点（Point-to-Line Iterative Closest Point, PLICP）、分布式多机器人SLAM共识粒子滤波算法、加权归一化互相关（Weighted Normalized Cross-Correlation, WNCC ）、修改后的快速SLAM等方法，侧重于配准和融合不同来源的地图数据，适用于同时处理静态和动态地图信息的地图融合；基于概率图模型的地图融合算法包含高效因子图融合方法、多机器人SLAM的多根贝叶斯树增量平滑与映射（Multi-Robot iSAM2, MR-iSAM2）等方法，能够直观地表示变量之间的依赖关系，适合复杂环境的地图融合。基于以上内容，对比分析了这四种类型算法的特征及其在农业领域的应用场景，如表2所示。

表2 多机器人地图融合算法总结Table 2 Summarize of multi-robot map fusion algorith

基于平方根信息滤波算法具有在未知大规模环境下稳健融合大规模地图的优势。在自然牧场环境下，借助传感器获取未知环境的感知数据和运动信息，实现对牧场的局部地图的构建，利用平方根信息滤波算法融合地图，为机器人放牧提供准确的全局环境信息和路径规划支持；基于地图类型的融合算法聚焦整合各种不同来源的地图数据，其独特之处在于能够同时处理静态和动态地图信息。例如，利用基于地图类型的融合算法，农机能够准确地定位和规划路径，以完成一系列的农业作业，包括播种、喷洒、收割等，提高农业生产的效率和质量；基于粒子滤波算法适用于高动态环境的地图融合，在养殖舍内动物行为监控机器人，借助粒子滤波算法可以不断更新粒子的权重和位置，灵活地适应高动态的环境变化，及时发现和处理畜禽的异常情况，提高养殖效率和动物福利水平；基于概率图模型的地图融合算法通常适用于复杂环境的地图融合，果园采摘机器人为实现高效的果实采收，机器人需要在具有复杂环境的果园中进行有效的定位和路径规划，利用概率图模型融合算法稳健融合果园地图数据，实现对果园全局地图的构建，为果实采收的自动化和智能化提供技术保障。

2 回环检测

回环检测是机器人识别出当前的环境与先前某个时刻的环境相同，确认自己已经回到了某个已知位置的过程，是多机器人协同SLAM中的重要组成部分。回环检测有两种主流方法，分别是机器人内部的回环检测和各机器人之间的回环检测。前者是单个机器人在其自身路径上识别并确认曾经访问过的地点，可以减少单个机器人到达场景后的漂移误差，而后者指不同机器人之间相互识别并确认对方访问过的地点，用来检测多个地图之间的重叠区域，以执行多机器人之间的地图融合。这两种方法都需要通过位置识别和姿态图优化来实现，这些步骤用于优化关键帧的姿态和特征点的3D坐标。在大规模环境下的多机器人系统中，回环检测优先级是多机器人SLAM的核心。

在农业领域，回环检测通过提高农业机器人和自动化农机的定位精度，显著优化作业路径和环境地图构建，确保精准农业的高效性和资源利用。具体应用包括无人驾驶拖拉机和收割机在大规模农田中的精确作业，农业机器人在果园和温室中的巡检与维护，精准喷洒与灌溉系统中的资源优化管理，以及牧场管理与动物监控中的有效巡逻和多机器人协作作业中的数据共享与冲突避免。回环检测能够识别和校正作业路径上的误差，避免重复作业和遗漏，确保每个区域都得到均匀处理，提升农业作业的精度和效率，推动农业现代化和智能化的发展，并为资源管理和环境保护提供强有力的技术支持。

发布征集

来源：智慧农业资讯一点号