综述：果园和葡萄园中的自主机器人修剪技术综述

这篇综述系统回顾了2014-2024年间果园与葡萄园自主修剪机器人技术进展，聚焦机器视觉（如Mask R-CNN、U-Net）、植物骨架化（Skeletonization）及控制策略（如RRT-Connect路径规划），揭示了AI如何推动农业机械化填补人力缺口，同时指出商业化面临的感知精度与操作速度瓶颈。

　　

引言

每年果园和葡萄园的修剪作业占苹果种植年人工成本的20-25%，而欧盟年轻农民比例已降至6.5%，劳动力短缺催生了自主修剪机器人的发展。这类系统需平衡灵活性（适应斜坡和小型地块）与精确性（尤其对酿酒葡萄的定制化修剪），其技术核心分为感知与执行两大模块。

自主修剪机器人技术框架

典型系统包含六模块：

1. 树木感知：通过RGB-D相机（如Intel RealSense）或LiDAR获取数据，SegNet和Mask R-CNN（ResNet101主干）分别实现92%和89.2%的分割准确率；

2. 骨架重建：空间殖民算法（SCA）和RANSAC圆柱拟合法将枝干建模为层级化图结构，平均角度误差仅3.3°；

3. 剪枝点估计：基于节点检测（YOLOv7 F1=0.865）或启发式规则（如葡萄藤保留2-3芽）；

4. 机械臂设计：7自由度（DoF）冗余机械臂（UR5改进型）使工作空间扩大40%；

5. 端执行器：带避线凹槽的电动剪（Barracuda设计）剪切成功率97%；

6. 控制策略：混合视觉-力控（HOB-CNN）结合RRT-Connect规划，单次修剪耗时从115秒优化至28秒。

视觉感知技术演进

早期CLAHE算法被深度学习方法取代：

• 2D检测：Cascade Mask R-CNN（Swin-T主干）在苹果树上的检测AP达89.3%；

• 3D补全：HOB-CNN通过生成对抗网络（GAN）预测遮挡枝干，RMSE仅1.63 mm；

• 跨作物泛化：SPGNet+DBSCAN在枣树上实现树干IoU 0.85，但芒果等热带作物数据仍稀缺。

仿真与真实场景鸿沟

仿真工具（如EduAPPLE）通过光竞争模型模拟修剪后多年生长效应，但现实差距显著：

• 传感器局限：ToF相机在强光下深度误差达2 cm；

• 机械限制：6-DoF机械臂在葡萄园实际成功率仅66%，因枝干弹性变形未建模。

未来挑战

1. 经济性：当前平台成本超12k欧元，需共享维护网络；

2. 多任务集成：同一机器人兼顾采收与健康监测；

3. 人机协作：AR辅助系统（如ViNet）指导非专家修剪。

结论

尽管SOLOv2等算法在分支检测已达94%准确率，但全系统集成（如Archie Jnr双臂平台）仍需突破速度瓶颈。下一代系统或结合模仿学习（LfD）与强化学习（RL），在仿真中预训练后迁移至田间，最终实现较人工修剪20%的成本节约。