基于激光SLAM与机器视觉的非洲猪瘟病死猪运输机器人控制系统设计与应用

为解决非洲猪瘟(ASF)防控中病死猪运输效率低、交叉感染风险高的问题，研究团队开发了一种集成YOLOv11-Pose目标检测、RGB-D感知与3D LiDAR SLAM的自主运输机器人系统。该系统通过关键点识别自动生成导航目标位姿，实现端到端自动化铲运，在商业猪场试验中达到单环节95%、整体80%以上的成功率，平均任务耗时2.9-4.3分钟，显著提升了生物安全防控的智能化水平。

　　

非洲猪瘟(ASF)作为全球养猪业最具破坏性的传染病之一，给生猪产业带来了灾难性损失。中国作为全球最大的生猪生产国，自2018年首次爆发ASF以来，病死猪的安全运输成为疫情防控的关键环节。然而传统人工搬运和半自动运输车仍高度依赖人力介入，不仅效率低下，更存在严重的交叉感染风险。在这样的背景下，如何实现病死猪运输的全程自动化、无人化，成为现代畜牧业亟待解决的技术难题。

江西农业大学工程学院的Xiuwen He团队在《Smart Agricultural Technology》发表的研究，创新性地将激光SLAM（同步定位与建图）技术与机器视觉相结合，开发出全球首款能自动识别、定位并运输病死猪的机器人系统。这项研究突破了传统运输方式的多重局限：通过深度相机与YOLOv11-Pose算法的配合，机器人不仅能检测病死猪，还能精确定位铲运关键点；借助3D LiDAR构建环境地图，结合TEB（时间弹性带）算法实现自主导航；特别设计的铲抓末端执行器，可在狭窄猪舍中完成非破坏性抓取作业。

研究采用的关键技术包括：(1)基于YOLOv11-Pose的猪只关键点检测模型，使用9,809张RGB-D图像训练；(2)Intel RealSense D435深度相机与Cartographer算法融合的3D环境感知系统；(3)自适应体素滤波的点云预处理方法；(4)AMCL（自适应蒙特卡洛定位）与Dijkstra全局路径规划算法；(5)轻量级坐标转换框架实现视觉-导航系统无缝对接。

在病死猪识别方面，研究团队对YOLOv11-Pose模型进行了针对性优化：将关键点检测头简化为仅预测头尾两点，显著降低了计算复杂度；采用仿射变换、图像模糊等数据增强策略提升模型鲁棒性；重新加权损失函数以优先保证关键点定位精度。实验数据显示，优化后的模型在mAP@50(P)指标上达到0.9937，较YOLOv7-Pose提升1.17个百分点。

导航目标位姿计算是系统的核心技术突破。通过深度相机获取的RGB-D数据，系统首先在相机坐标系下计算关键点的三维坐标(X_C,Y_C,Z_C)，再通过刚性变换转换为世界坐标系(X_W,Y_W,Z_W)。实验表明，在2-6米距离范围内，系统获得的横向偏差均值不超过17cm，航向角误差小于7°，完全满足实际作业需求。

实地测试结果验证了系统的可靠性。在商业猪场进行的多距离试验中，机器人整体任务成功率保持在80%以上，最近距离(2-3m)时单环节成功率高达97%。尽管平均任务时间(171-257秒)略长于人工操作，但完全消除了人员感染风险，且能稳定处理90kg以下的猪只，突破了人工搬运50kg的体力限制。

这项研究的创新价值主要体现在三个方面：首次实现了病死猪运输的全程无人化操作；开发了感知-导航一体化框架，将目标检测结果直接转化为可执行导航指令；通过轻量化设计使系统在保持高性能的同时降低计算开销。虽然当前系统在严重遮挡环境下鲁棒性有待提升，且被动全向轮在崎岖地面可能出现打滑，但该研究为畜牧业生物安全防控提供了可推广的智能化解决方案，对推动农业现代化和疫病防控技术进步具有重要意义。