面向农田机器人的优化自主导航算法：扩展成果与实地部署实践

《Precision Agriculture》：Optimized autonomous navigation for field robots: extended results and practical deployment

本研究针对农业机器人导航精度不足、作物损伤率高及作业效率低等问题，开发了一种基于LiDAR与IMU多传感器融合的优化自主导航算法。通过引入多级数据过滤、四元数姿态跟踪和模块化状态机控制，在FarmBeast机器人平台上实现行进时间最高减少33%，作物损伤降低25%的效果，为精准农业提供了可靠的自动化解决方案。

　　

在精准农业快速发展的今天，农田作业的自动化需求日益迫切。然而，农业机器人在结构化作物行间自主导航时面临着严峻挑战：既要保持高速作业效率，又要最大限度减少对作物的损伤。特别是在玉米等规则种植的作物环境中，机器人需要精准识别作物行线，平稳完成行间转向，这对导航系统的感知精度和控制可靠性提出了极高要求。

FarmBeast项目作为学生合作研发平台，一直致力于解决这些农业自动化领域的核心问题。该项目开发的自主农业机器人专门针对田间导航任务进行了优化，并积极参与Field Robot Event等国际赛事。在以往的研究中，虽然已经实现了基于LiDAR、IMU和里程计的基本导航功能，但在实际应用中仍存在计算效率低、转向不精准、作物碰撞率高等问题。

为了解决这些挑战，研究人员在《Precision Agriculture》上发表了最新研究成果，提出了一种优化的自主导航算法。该算法在原有系统基础上进行了多项重要改进，旨在提升导航精度、降低作物损伤并缩短作业时间，为农业机器人在实际生产环境中的可靠应用提供了技术支撑。

关键技术方法包括：采用多级过滤管道（体素网格降采样、RANSAC地面去除、梯形多边形过滤）处理LiDAR点云数据；使用四元数代替欧拉角进行姿态跟踪，避免角度不连续问题；设计模块化有限状态机（FSM）管理导航状态转换；在Gazebo仿真环境和室内人工玉米行实验场进行对比验证。

硬件和计算设置

FarmBeast采用模块化机器人平台设计，计算框架结合树莓派（负责执行器控制）和英特尔NUC（配备i7处理器，处理传感器数据集成和导航算法）。平台集成Velodyne VLP-16 LiDAR和Xsens MTi-610 IMU，LiDAR提供360°水平视场和30°垂直范围的3D环境点云，IMU通过四元数定向跟踪提供姿态数据。

数据过滤

为解决LiDAR数据量大的问题，采用多级过滤管道：首先使用体素网格过滤器降低数据密度，然后通过RANSAC算法识别并移除地面点，最后应用梯形多边形过滤器仅保留作物行相关点云。这一过程显著提高了数据处理效率，同时保留了导航所需的关键特征。

控制架构状态机实现

导航逻辑由基于ROS SMACH库实现的有限状态机（FSM）控制，支持行跟踪、转向和避障等状态的灵活转换。模块化设计不仅提高了系统鲁棒性，还为未来功能扩展提供了便利。

导航算法

导航算法将过滤后的点云数据分为左右两个子集，分别计算中心点。当一侧数据不足时，通过对侧镜像生成虚拟点。通过比较左右中心点的Y坐标差异，算法自动调整行进方向和速度：中心位于前方窄带内时直行，偏左时右转校正，偏右时左转校正。

转向

行末转向基于IMU的四元数方向数据，通过计算当前四元数与目标四元数的标量积判断转向完成度。与欧拉角相比，四元数有效避免了角度不连续问题，提高了转向控制的可靠性。

结果和讨论

在直线行测试中，优化算法将平均行进时间从32.97秒减少到24.45秒，提升21%；在曲线行测试中，时间从122.93秒减少到79.74秒，提升35%。作物损伤方面，直线行碰撞从0.8次降至0.1次（降低88%），曲线行从2次降至0.2次（降低91%）。优化算法在所有测试中均成功完成，而传统算法成功率仅为60-70%。

仿真与实物测试结果高度一致，验证了算法在实际应用中的可靠性。优化算法还成功应用于2024年Field Robot Event，进一步证明了其在真实农田环境中的实用价值。

研究结论表明，优化的自主导航系统通过多级数据过滤、四元数姿态跟踪和状态机控制的有机结合，显著提升了农田机器人的导航性能。该系统在保持计算效率的同时，实现了作业速度与作物安全性的最佳平衡，为精准农业的可持续发展提供了可靠的技术支持。未来可通过进一步优化转向期间的传感器融合、扩展状态机功能以适应更复杂的农田场景，推动农业自动化向更高水平发展。