摘要：Citation:HE Yong, HUANG Zhenyu, YANG Ningyuan, LI Xiyao, WANG Yuwei, FENG Xuping. Research Progress and PROSpects of Key Navigatio

本文节选自：

何勇, 黄震宇, 杨宁远, 李禧尧, 王玉伟, 冯旭萍. 设施农业机器人导航关键技术研究进展与展望[J]. 智慧农业(中英文), 2024, 6(5): 1-19.

Citation:HE Yong, HUANG Zhenyu, YANG Ningyuan, LI Xiyao, WANG Yuwei, FENG Xuping. Research Progress and PROSpects of Key Navigation Technologies for Facility Agricultural Robots[J]. Smart Agriculture, 2024, 6(5): 1-19.

官网全文在线阅读

设施农业机器人自动避障技术

自动避障技术的主要目标是避免机器人与障碍物碰撞、克服局部空间狭小难题，将农业机器人引导到目标位置。设施环境中的自动避障技术面临多方面挑战。首先，设施农业空间狭小，种植和养殖密度大。传统避障算法在应对这种作业环境时，可能出现局部最小值问题或难以规划有效路径的情况。其次，设施环境复杂且遮挡严重，存在如动植物动态变化、场地结构布局改变、光照变化等不确定因素，这些因素会影响传感器数据质量和模型决策。再次，机器人可能面临各种突发障碍物（如行人、移动物体、其他机器人、逃逸动物等），需要迅速采取避障措施。灵活、高效的自动避障技术使农业机器人能够在复杂的场景中安全地完成任务。

设施农业机器人自动避障技术包括人工势场法、动态窗口法，以及近年来显著增加的深度学习与强化学习方法。这些方法在处理复杂环境中的局部路径规划和避障方面表现出色，能够有效提高机器人操作的效率和安全性。特别是深度学习与强化学习的结合，不仅增强了机器人感知和决策能力，还使其能够自适应环境变化和实时反馈。

“

1 避障决策算法

机器人的自动避障需要能够准确检测障碍物的位置和运动趋势，包括障碍物的静态属性和动态属性，以避免碰撞并保持连续的导航流程。这一挑战要求智能机器人需要具备高度灵敏的传感器系统和先进的算法处理能力，能够快速、准确地感知和应对复杂遮挡的障碍物环境。

1.1 人工势场法

人工势场法可用于机器人路径规划和避障，其基本原理是将导航问题转化为虚拟势场中的运动问题。目标位置产生吸引力场，引导机器人；障碍物产生排斥力场，使机器人远离障碍物。机器人在这两个力场的作用下，沿势场梯度下降，最终到达目标。人工势场法具有以下优势：一是实时性强、易于实现，对需频繁移动的农用机器人尤为重要。二是该算法只需计算与障碍物的相对位置，无需复杂的地图构建和路径规划，适合资源有限的农用机器人。三是因受力连续，生成的路径通常较平滑，有助于避免突然方向变化。

目前有研究将人工势场法应用在设施场景中。Tian等针对奶牛场推料机器人提出了一种改进的人工势场法避障策略（图1），该策略通过增加与障碍物的最短距离来优化避障路径，平均时间为0.059 s，标准差为0.007 s。此外，还有研究将人工势场法与粒子群优化算法结合，提出了一种考虑路径预规划和再规划的双层避障路径规划算法，该算法在实现避障控制的同时考虑了温室巡检机器人的稳定性，有效降低机器人侧翻风险。Yang等改进传统人工势场法，通过修改引力场的方向和影响范围、增加虚拟目标和评价函数来解决局部最小值问题，并通过增加重力来解决不可达目标问题。结果表明，改进方法使得设施渔业中的两栖机器鱼能够灵活避障，并准确到达目标点。Zhu等将人工势场法引入双向RRT的启发式函数中，以提高全局路径的扩展效率，并结合全局与局部路径规划解决动态障碍物问题。该算法在静态和动态环境中都能为监测水质及鱼类生物量的水下机器人规划有效路径。

图1 人工势场法避障三维示意图

Fig. 1 Three-dimensional diagram of artificial potential field for obstacle avoidance

1.2 动态窗口法

动态窗口法（Dynamic Window Approach, DWA）是一种用于机器人避障和路径规划的在线优化方法，其基本原理是在速度和加速度限制范围内，实时评估并选择最优的运动指令，以避开障碍物并朝目标移动。具体而言，该方法通过在速度空间内搜索可行的速度对，并短时间预测每对速度的轨迹，评估其安全性、可行性和目标导向性。DWA在设施场景中的应用具有诸多优势。第一，其实时性强，能够实时计算最优速度指令，迅速响应环境变化，适合频繁移动和避障的农业机器人。第二，与人工势场法相比，其能避免局部最小值问题。通过在速度空间进行搜索而非位置空间，确保机器人持续向目标移动。此外，DWA灵活性高，能够处理动态障碍物，如移动机械和人，保障安全作业。

在设施环境中，研究通常将DWA与二维激光SLAM算法结合使用。二维激光SLAM算法生成二维栅格地图，而DWA则基于栅格地图进行路径规划。DWA插件已集成至基于ROS的move_base导航包中。Jiang等利用Cartographer算法构建了温室二维栅格地图，并利用DWA实现局部路径规划，最终实现有效避障。此外，还有研究结合了其他优化算法。Wang等提出了一种分布式多移动机器人避障算法，该算法融合了蚁群优化和DWA，通过优先策略协调多机器人系统。结果表明，该算法能够在复杂未知环境中实现高安全性和全局最优的协同避障，为分布式多机器人在设施场景中的应用提供了技术参考（图2）。Zhang等为了提高大规模动物养殖场中检查机器人的检测效率，基于二维栅格地图将A*算法与DWA算法结合。机器人的线性操作误差在0.7%以内，旋转误差在1.1%以内，确保了系统在动物养殖场中的自主导航和避障功能。张金泽等提出了一种改进的双窗口DWA，用于提高无人艇在复杂环境中的避障性能。算法设计了基于船载传感器的感知窗口，进一步优化了由速度窗口和感知窗口组成的双窗口模型。考虑障碍物分布状态和机器人与障碍物之间的距离，提高了路径规划的平滑性和合理性。

图2 基于动态窗口法的速度采样

Fig. 2 Velocity sampling based on dynamic window approach

“

2 避障感知与决策算法

深度学习是一种基于人工神经网络的机器学习方法，通过构建和训练多层神经网络，从数据中自动提取特征和模式，广泛应用于避障感知与决策。将深度学习用在设施机器人避障控制中有诸多优势。一是，其具备强大的特征提取能力，能够自动从传感器数据中提取复杂的高层次特征，显著提高环境感知和障碍物检测精度，这对于设施农业环境尤为重要。第二，深度学习模型通过大量训练数据自适应地学习不同障碍物的特征和分布，提高了避障策略的泛化能力。

Li等提出了一种基于YOLOv3的轻量化障碍物检测方法，用于精准识别塑料大棚中的典型障碍物。通过引入MobileNetV2网络和高斯模型，重构YOLOv3的损失函数，实验结果表明该方法在检测精度和速度上优于Faster-RCNN、SSD和原始YOLOv3模型（图3）。还有研究将深度学习与强化学习相结合。Yu等构建神经网络模型并将其嵌入到双深度 Q 网络（Deep Q-Network, DQN）架构中，以根据输入状态决定输出动作。同时，定义状态和动作空间，并设计奖励函数以评估和指导模型训练。结果表明，该方法的最短距离、轨迹长度和避障时间的平均值分别为2.37 m、0.53 m和2.7 s。López-Barajas等设计了一种用于鱼场网具检查的水下机器人，通过训练卷积神经网络预测网具与机器人之间的距离，还开发了物体检测算法以识别网具上的孔洞，实验结果表明该平台在网具孔洞检测、距离估计和检查轨迹方面表现出色。

图3 深度学习在避障中的应用

Fig. 3 Deep learning application in obstacle avoidance

“

3 小结

人工势场法在设施场景中的自动避障应用中具备优势，但也有其局限性。人工势场法易陷入局部最小值，即吸引力和排斥力平衡的位置，这可能导致机器人被困在障碍物之间。为提高其实际应用效果，通常需结合其他算法，如引入随机扰动以避免局部最小值，或结合图搜索算法以提供全局路径规划指导。这种结合能充分发挥人工势场法的实时性，同时克服其固有缺陷。在设施场景方面，人工势场法能够用于设施种植、设施畜牧和设施渔业。设施种植中，人工势场法可用于自动化施肥、除草等任务，而在设施畜牧中，常用于动物喂养和饲料分发。设施渔业中适用于水下机器人的路径规划和避障，尤其是在复杂的水下环境中进行网具检查、鱼群监测等任务。人工势场法能够处理动态障碍物，但需要特别考虑水下传感器的适应性。

DWA也面临一些限制。由于需要在每个控制周期内进行大量轨迹预测和评估，其计算复杂度较高，不利于资源有限的农用机器人。此外，依赖局部规划视野可能导致远距离规划不足，因此需与其他优化算法结合使用以确保路径合理性。最后，DWA的性能高度依赖参数设置，需要根据具体场景进行优化调整，否则可能影响避障效果。DWA能够用于设施种植、设施畜牧和设施渔业的水面环境。在设施种植中，DWA结合激光SLAM算法，适用于机器人执行自动化巡检、喷药等。DWA能够实时响应环境变化，适应温室中快速变化的情况。设施畜牧中适用于自动推料、清扫、检查等任务。DWA可以有效处理动态障碍物。设施渔业中，DWA能够应用于水面无人船，实现渔场的自动化喂食和水质监测。在水下环境中，其面对动态障碍物（如移动鱼群）时可能存在挑战。特别是水下传感器的数据质量和模型决策准确性对于有效避障至关重要。

深度学习算法在设施种植和设施畜牧中应用时能够有效地提升环境感知和障碍物检测的精度，目前主要用于植物识别、动物跟踪和复杂环境中的感知与避障。在设施渔业中也有应用，且能够面对更加复杂的水下环境，用于设施环境避障感知与决策时，也面临一些挑战。首先是对数据的需求量大，训练模型通常需要大量标注数据，尤其是对于多样化的障碍物和环境变化，需要大量数据来保证模型的泛化能力。而在设施农业中，高质量标注数据的获取耗时费力。其次，深度学习训练需要大量计算资源，且实时避障处理需要高效的硬件支持，增加了系统复杂性和成本，这在资源受限的机器人上表现不佳。最后，深度学习模型缺乏解释性，其决策过程难以解释，在设施农业中如果避障决策出现错误，难以追踪和修正，可能增加作业风险。应用在设施渔业中时，水下视觉模糊和动态水流是要克服的挑战。总之，深度学习在设施农业的自动避障中展示了强大潜力。为了充分发挥其优势，需要根据实际避障需求优化数据积累和硬件配置，并结合传统路径规划算法等其他方法，以提高系统的鲁棒性和适应性。

基于上述挑战，未来研究可从以下方面考虑：首先，改进传统避障控制算法。例如动态调整势场参数，增加动态扰动或启发式搜索策略。优化DWA的速度选择策略，结合优化算法来减轻局部规划视野带来的限制，实现更加合理的路径规划。其次，减少数据需求。采用数据增强技术和迁移学习方法，以减少对大量标注数据的依赖。还可以探索无监督学习和半监督学习策略，以便在缺乏高质量数据的情况下提升模型性能。同时，开发适用于资源受限环境的轻量化深度学习模型或边缘计算模型，如移动端神经网络，以减少计算资源需求。最后，建立设施避障技术的标准化测试平台和开放数据集，促进研究人员和企业间的合作，加速技术进步和应用推广。

发布征集

来源：智慧农业资讯