基于示教学习（LfD）的叠层笼养禽舍清洁机器人快速路径定义与高精度轨迹跟踪方法

本综述系统阐述了在视觉与感知退化的叠层笼养禽舍（SCFHs）中，清洁机器人（CleaningBot）如何通过示教学习（LfD）实现快速路径定义，并融合反馈线性化（FL）控制器与自适应路径避障控制（APONC），显著提升在无地图（map-free）条件下的导航鲁棒性与轨迹复现精度（>99%重叠率），为农业机器人导航提供了创新性解决方案。

　　

Highlight

本研究提出了一种适用于感知退化环境（如叠层笼养禽舍SCFHs）的无地图导航框架，其核心创新包括：

1. 1.
   基于单次人工示教的轻量级路径定义方法（LfD），将路径设置时间从超过50分钟缩短至几分钟；
2. 2.
   采用反馈线性化（FL）直线跟踪控制器，显著降低横向与角度偏差；
3. 3.
   结合反应式避障控制器，形成自适应路径与障碍导航控制器（APONC）；
4. 4.
   通过改进的UMBmark里程计校准方法，实现高精度惯性定位（500米轨迹误差仅0.053%）。

实验验证

在真实SCFH环境中，系统实现了三大突破性成果：

• •
  机器人沿500米轨迹的定位误差仅0.053%，远超在退化环境中表现不佳的常见SLAM方法；
• •
  轨迹复现重叠率超过99%；
• •
  APONC使机器人在3.2秒内成功避让移动行人并重新对齐路径，最终横向误差仅0.031米。

讨论

实验结果有力验证了我们的假设：校准后的惯性定位系统（假设3）在长距离轨迹中表现出色，误差显著低于SLAM基准方法。该系统为高精度路径跟踪（假设1）奠定了坚实基础，在真实SCFH中实现了超过99%的轨迹重叠率。集成APONC（假设2）进一步证明了系统在动态环境中的鲁棒性，机器人能够快速规避障碍并低误差回归路径。这些成果凸显了本框架在解决SCFH导航挑战方面的有效性。

结论

本研究成功验证了一种经济高效的无地图导航框架，适用于传统SLAM方法难以应对的感知退化型SCFH环境。所提出的系统结合了基于关键点的LfD方法与高保真反馈线性化控制器，在大量田间试验中表现出卓越的准确性与鲁棒性。这些结果带来两个关键启示：首先，在具有重复路径的结构化环境中，基础设施依赖型导航（如信标或SLAM）并非必要；其次，直接从人类演示中提取路径，再通过专门设计的控制器进行复现，可提供更直观、高效且可靠的解决方案。