基于多目标跟踪的无人机龙眼采摘序列规划方法：轻量化模型与动态路径优化

为解决无人机在复杂果园环境中采摘龙眼时面临的动态目标跟踪、空间分区规划及路径优化等难题，研究人员开发了集成YOLOv8s-Longan目标检测、YOLOv8-LonTrack多目标跟踪、Corner-Kmeans空间分区和LonTsp动态路径规划的轻量化序列规划模型。实验表明，该模型使轮廓系数提升71.7%，采摘时间减少19.1%，田间测试降低总耗时5.4%（104秒），为农业自动化采摘提供了高效解决方案。

　　

龙眼作为热带特色水果，其采摘面临高劳动强度与高空作业风险的双重挑战。传统人工采摘效率低下，而地面机械臂难以触及高处的果实。无人机（UAV）系统虽具潜力，却受限于计算能力不足和飞行不稳定性，难以生成稳定的采摘序列。更棘手的是，龙眼果实呈簇状无序分布，枝叶遮挡率高达40%，传统二维路径规划方法（如TSP算法）在三维树冠中完全失效。过去的研究尝试过加权选择、外圈到内圈采摘等策略，但均假设果实分布有规律，与龙眼自然生长的混乱状态严重不符。

针对这些难题，广东省农业科学院的研究团队在《Smart Agricultural Technology》发表了一项创新研究。他们开发了一套融合轻量化目标检测、动态跟踪和智能规划的无人机采摘系统，核心是通过算法优化解决"看得准、跟得稳、采得快"三大问题。研究首先构建了专为龙眼设计的YOLOv8s-Longan模型，通过DenseAMA模块增强特征提取，参数量仅8.8M，比标准YOLOv8s减少20.7%，却将mAP@0.5-0.95提升至50.2%。针对飞行中的目标丢失问题，创新性地将BotSort跟踪器与检测模型融合，通过Kalman滤波和余弦相似度匹配（公式4），使同一果簇的ID切换率降低63%。面对果实空间分布混乱的挑战，提出的Corner-Kmeans算法以视野四角为初始聚类中心，相比传统K-means将轮廓系数从0.43提升至0.46（p<0.001），平均簇间距离增加5.5厘米。最终设计的LonTsp规划器采用"密度优先+动态优化"策略，在NVIDIA Jetson TX3 NX处理器上实现O(n²)复杂度，比模拟退火算法节省19.1%采摘时间。

关键技术包括：1）基于Intel RealSense D435i深度相机采集的龙眼三维坐标数据集；2）集成AMA注意力机制的YOLOv8-LonTrack跟踪框架；3）面向矩形视野的Corner-Kmeans空间分区；4）融合欧氏距离的LonTsp动态路径规划。

研究结果显示：
1）YOLOv8-Longan识别算法：在自制数据集上达到84.3% mAP@0.5，推理速度较YOLOv5s提升15%；
2）多目标跟踪性能：在枝叶遮挡场景下，ID切换次数比传统检测减少71%；
3）空间分区效果：将20个龙眼簇分为4个子区域时，平均簇内距离66.7厘米，比层次聚类降低36.7%；
4）路径规划效率：在密度为1.0/簇间距的果园中，总采摘路径缩短25%，单果采摘时间降至43.2秒。

田间试验证实，该系统在广东农科院龙眼园的实际作业中，将19簇龙眼的采摘时间从1286.4秒缩短至1219.8秒，最高效率提升达5.4%。尤为关键的是，配套的无人地面车辆能实时接收分区信号，在"左/右"工作区自动定位，形成空地协同作业闭环。

这项研究的突破性在于：首次将多目标跟踪技术与空间特征分区结合应用于农业无人机，提出的Corner-Kmeans初始化策略为不规则作物分布提供了通用聚类思路。LonTsp算法通过密度动态调整路径，有效解决了传统TSP在三维环境中的"路径可达性"问题。未来若引入成熟度检测模块，该框架可扩展至荔枝、芒果等其它高价值作物的自动化采收，为智慧农业提供关键技术支撑。论文展示的轻量化部署方案（模型仅28.8 GFLOPS）尤其适合资源受限的边缘设备，标志着农业机器人从单目标操作向群体智能决策的重要跨越。