机器人自监督局部视点规划实现高效可扩展的3D植物重建

为解决植物叶片遮挡导致的农业机器人感知不确定性难题，研究人员开发了基于自监督学习(SSL)的局部视点规划方法SSL-Local-NBV。该方法通过View Trajectory Network(VTN)记忆访问轨迹，结合局部动作空间实现高效相机路径规划，在仿真和真实场景中分别减少56%-70%和3.96米运动距离，重建效率提升267%-300%，为植物表型分析等农业应用提供自动化解决方案。

　　

在现代化农业中，机器人技术正成为解决劳动力短缺的关键方案。然而茂密的植物叶片造成的严重遮挡，使得机器人难以获取完整的植物三维信息——这就像试图透过层层叠叠的绿叶拼图来观察隐藏的果实。传统固定视角的成像方式存在"盲区"，而多视角重建方法又面临效率低下的困境。针对这一挑战，荷兰瓦赫宁根大学与研究中心(Wageningen University and Research)的Jianchao Ci团队在《Computers and Electronics in Agriculture》发表研究，提出了一种革命性的解决方案。

研究人员创新性地将自监督学习(SSL)与局部视点规划相结合，开发出SSL-Local-NBV系统。该系统包含三个核心技术：1) 基于点云特征提取的IG预测网络，2) 记忆访问轨迹的View Trajectory Network(VTN)，3) 包含大小步长的八方向动作空间。通过仿真和真实番茄植株实验验证，系统仅需0.0042秒即可完成IG预测，比传统体素方法快170倍。

【材料与方法】

研究采用Gazebo仿真平台构建19株数字植物模型（10株标准番茄、6株尺寸变异番茄和3株辣椒），并采集10株真实番茄的675个视角点云数据。通过定义包含"上-1"到"右-3"等8种动作的局部动作空间，结合60cm半径的半圆柱形视域空间，实现相机的智能路径规划。

【结果】

3.1节显示，在标准番茄重建中，SSL-Local-NBV仅需9个视角即可达到90%重建率，比随机方法少用6个视角。轨迹效率达0.27 AUC@VR/m，是全局方法的3.35倍。3.2节的尺寸适应性测试表明，该方法对小、中、大型植株的平均重建率达81%，较固定视角的SSL-Global-NBV提升5.2%。3.3节的真实植株实验中，系统在噪声环境下仍保持80%以上的重建率，验证了实用可行性。

【讨论】

该研究突破了传统NBV方法在植物尺寸适应性和运动效率方面的局限。VTN模块的创新设计使系统无需调整网络结构即可处理不同尺寸植株，而多尺度动作策略有效避免了局部最优陷阱。值得注意的是，在辣椒等高度遮挡作物上的测试表明，现有方法对极端遮挡场景仍需改进，这为未来研究指明了方向。这项技术不仅为植物表型组学研究提供了高效工具，其自监督学习框架更可扩展至采摘、去叶等农业机器人任务，推动智慧农业发展进入新阶段。