基于空地协同的田间表型机器人自主导航方法：高精度作物行检测与路径跟踪技术研究

为解决传统GNSS导航在作物动态生长环境中适应性不足及视觉导航局部信息受限的问题，华中农业大学团队创新性提出空地协同导航方法，结合无人机RTK模块构建高精度DOM地图，采用SegFormer-B0模型提取作物行关键坐标点，并基于Pure Pursuit算法实现自适应路径跟踪。实验表明，盆栽区和农田作物行中心线提取平均绝对误差（MAE）分别为2.83 cm和4.51 cm，全局路径跟踪误差99.1%（盆栽区）和72.4%（农田）控制在2 cm内，显著提升表型数据采集效率与作物保护能力。

　　

在现代农业育种领域，作物表型（Phenotyping）数据的高通量采集是评估基因表现的关键，但传统方法难以应对大规模样本和复杂田间环境。当前主流导航技术如全球导航卫星系统（GNSS）依赖静态路径规划，无法适应作物动态生长；而基于视觉的导航虽能实时获取作物行信息，却受限于局部视野，难以实现全自主作业。更棘手的是，作物成熟期冠层遮蔽会导致视觉传感器失效，田间标记辅助转向的可行性也因环境多变而大打折扣。这些瓶颈严重制约了表型机器人的无人化作业精度。

针对这一挑战，华中农业大学的研究团队在《Artificial Intelligence in Agriculture》发表研究，提出了一种空地协同的自主导航框架。该研究通过无人机（UAV）搭载实时动态定位（RTK）模块构建数字正射影像图（DOM），利用SegFormer-B0语义分割模型提取作物行特征，创新性地开发了基于"线断关键点"（line break key points）的路径生成技术，并结合改进的Pure Pursuit算法实现厘米级路径跟踪。结果表明，该方法在盆栽区和农田的导航误差分别有99.1%和72.4%控制在2 cm以内，为动态农田环境下的表型采集提供了新范式。

关键技术包含四个核心环节：首先通过大疆Mavic 3 M无人机进行85%重叠率的正交摄影，结合地面控制点（GCP）校正生成0.03 m精度的DOM；其次采用Transformer架构的SegFormer-B0模型分割作物行，其交并比（IoU）达96.97%；接着通过骨架化、Douglas-Peucker算法和Shi-Tomasi角点检测提取"行内关键点"（in-line key points）与"线断关键点"；最后将坐标转换至WGS84系统，通过通用横轴墨卡托投影（UTM）实现平面路径跟踪。

研究结果部分：

1. 模型分割性能评估
   对比Paddle-Liteseg与SegFormer-B0模型，后者在复杂背景下展现优势，其作物行区域IoU达96.97%，背景区域达87.07%。可视化分析显示，Transformer的自注意力机制能更好处理作物与背景的微小间隙。

2. 导航线提取性能
   在结构化盆栽区，作物行中心线提取的平均绝对误差（MAE）为2.83 cm，显著低于农田的4.51 cm。归一化累积直方图显示，盆栽区80%样本误差≤4 cm，而农田需7 cm才能达到相同比例，证实模型对规则种植场景的适应性更强。

3. 路径跟踪评估
   搭载四轮独立转向驱动的表型机器人采用Pure Pursuit算法（前瞻距离0.9 m）时，盆栽区跟踪误差MAE仅0.62 cm，且99.1%误差在2 cm内；农田环境因土壤软硬度不均，MAE升至1.51 cm，但72.4%样本仍保持2 cm内精度。特别设计的"线断关键点"引导的转向策略，通过阿克曼（Ackermann）模式与旋转模式切换，有效解决了行间转向难题。

讨论部分指出，机器人轮距（1.35 m）与车身长度（1.95 m）需与作物行距匹配以获得最佳精度。相比传统两轮差速驱动（均方根误差6.64 cm），四轮独立驱动在复杂地形更具优势。尽管当前系统依赖卫星定位，未来可通过融合激光雷达（LiDAR）实现三维路径规划。该研究的空地协同框架突破了单传感器局限，DOM地图更新周期可适应作物全生长季变化，为智慧农业提供了可扩展的技术原型。

这项研究的创新性在于将无人机全局感知与地面机器人局部执行形成闭环，首次实现了动态农田环境下厘米级表型采集导航。相比传统方法，该系统在适应性、精度和作物保护方面均有显著提升，为精准农业装备的智能化发展提供了重要参考。