《IEEE Transactions on Affective Computing》：Guest Editorial: Special Section on Autonomous Robotic Systems in Challenging Agricultural Settings
编辑推荐：
第四次工业革命相关的持续技术转型正在加速农业领域自主机器人系统的采用，这主要是为了应对持续的劳动力短缺、不断上升的生产成本以及对可持续农业实践日益增长的需求。然而，许多最需要这种自动化的环境（包括密集果园、拥挤温室、观赏作物生产、开阔田地和畜牧设施）都带来了复
第四次工业革命相关的持续技术转型正在加速农业领域自主机器人系统的采用，这主要是为了应对持续的劳动力短缺、不断上升的生产成本以及对可持续农业实践日益增长的需求。然而，许多最需要这种自动化的环境（包括密集果园、拥挤温室、观赏作物生产、开阔田地和畜牧设施）都带来了复杂且非传统的挑战，这些挑战突破了当前机器人能力的边界。与结构化或实验室环境不同，真实农业环境高度多变且难以预测。植被、地形、可用空间和动物行为的动态及不规则变化要求机器人持续调整其感知、移动以及与周围环境交互的方式。
本专刊“复杂农业环境下的自主机器人系统”汇集了直接应对这些复杂且严苛条件的研究，重点关注开发能够在真实农业环境中可靠运行的机器人系统。专刊征集了通过替代性和多模态感知方法推进超越常规RGB视觉的机器人感知能力的特定投稿，同时欢迎针对精细或不规则生物材料的驱动与操作新策略，以及半结构化和受限农业环境中自主运行的协调方法。一项关键要求是在真实环境中进行验证，以确保所报告的方法不仅限于理论分析或仿真评估。
经过严格的同行评审过程并根据本专刊的范围和标准进行仔细筛选，最终录用八篇论文。这些论文涵盖了多样化的机器人平台和农业应用，包括在水果、花卉、大田作物和牲畜环境中运行的机械臂、移动地面机器人和无人机（UAVs）。尽管存在多样性，所有入选论文均直面复杂农业环境中感知与操作的基本挑战——在这些环境中，遮挡、杂乱、运动和多变性可能限制常规机器人方法的有效性。因此，录用论文被分为三大主题，以概括本专刊所代表的主要研究方向。
复杂农业环境下的自主机器人系统专刊解读
一、研究背景与问题
第四次工业革命推动的持续技术变革正在加速自主机器人系统在农业领域的应用，其核心驱动力在于应对持续的劳动力短缺、不断攀升的生产成本以及日益增长的可持续农业实践需求。然而，与结构化或实验室环境不同，真实农业环境具有高度多变性和不可预测性。密集果园、拥挤温室、观赏作物生产、开阔田地以及畜牧设施等最需要自动化的场景，均对现有机器人能力提出了复杂且非传统的挑战。植被、地形、可用空间以及动物行为的动态和不规则变化，要求机器人持续适应其感知、运动及交互方式。传统基于RGB视觉的感知方法在遮挡、杂乱、运动和多变条件下往往性能受限，这构成了该领域亟待突破的瓶颈。为此，本专刊旨在汇集直接应对这些复杂条件的研究，特别关注超越常规RGB视觉的替代性和多模态感知方法、针对精细或不规则生物材料的新型驱动与操作策略，以及半结构化和受限农业环境中的自主协调方法，并要求所有研究必须在真实环境中得到验证。
二、研究内容与总体结论
本专刊经过严格的同行评审，最终录用八篇论文，涵盖机械臂、移动地面机器人和无人机（UAVs）等多种机器人平台，应用于水果、花卉、大田作物和牲畜等不同农业对象。所有入选论文均直面复杂农业环境中感知与操作的基本挑战，并被归纳为三大主题。总体而言，这些研究展示了感知、操作和边缘部署策略在挑战性生物及农业环境中的持续进步，多项方法已从概念验证阶段迈向现场验证系统。此外，这些技术进步日益与数字孪生范式相交汇，为物理生物系统与计算模型之间的实时数据同步创造了机遇，以支持植物和动物管理。该专刊发表在《IEEE Transactions on Affective Computing》上。
三、主要关键技术方法
研究人员在八项研究中采用了多种关键技术方法。针对遮挡下的感知与操作，有研究通过增强型动作分块变换器架构，从人类遥操作演示中直接学习灵巧采摘技能；有研究采用基于检测的跟踪框架，集成改进的目标检测器与抗振动跟踪器，在嵌入式边缘硬件上实时运行，实现振动和密集聚类条件下的可靠花卉计数；有研究结合Transformer增强的分割模型与形状补全算法，重建被遮挡的果实轮廓以实现厘米级三维定位；还有研究通过两阶段感知框架，将粗检测与基于关键点的切割点估计配对，在嵌入式硬件上实现椰枣自主采摘。在航空感知与边缘计算方面，有研究构建了智能边缘计算流水线，机载检测器动态选择信息关键帧并压缩感兴趣区域，再卸载至边缘服务器进行葡萄串多目标跟踪与分割；另有研究利用针对高度变化和运动模糊的目标数据增强，在机载设备上实现大豆田杂草全设备检测。在牲畜福利监测方面，有研究利用生成式人工智能进行仿真到现实适应，并结合跨农场验证框架和标准化边缘原生数据模式，弥合实验室到农场的转化鸿沟；另有研究采用整合真实、增强和合成样本的混合数据集策略，配合微调检测架构，从无人机图像中检测牛只爬跨行为。
四、研究结果
A. 遮挡下的感知与操作：迈向选择性采摘与计数
该主题下四项研究从不同角度解决了果园、温室和观赏作物生产中目标本身杂乱无序的难题。一项研究开发的草莓采摘机器人平台，通过增强型动作分块变换器架构，从人类遥操作演示中习得灵巧操作技能，克服了传统感知-规划-控制流水线在密集聚类和遮挡环境中的局限。另一项研究在履带机器人上部署基于检测的跟踪框架，集成改进的检测器与抗振动跟踪器，在嵌入式边缘硬件上实时运行，确保了严重相机抖动和密集空间聚类下的可靠花卉计数。第三项研究结合Transformer增强分割模型与形状补全算法，重建被遮挡果实轮廓，实现了适用于机械臂抓取的厘米级三维定位精度。第四项研究通过两阶段感知框架，在可变光照、密集树冠结构和严重遮挡条件下实现了椰枣自主采摘，并在真实果园环境的嵌入式硬件上成功验证。
B. 航空感知与边缘计算用于田间尺度监测
该主题聚焦于将鲁棒感知从单行作物扩展到整个田地的航空平台应用，同时需满足自主飞行的严格机载计算、带宽和能量限制。一项研究在大型葡萄园监测中实现了智能边缘计算流水线，机载检测器动态选择信息关键帧并压缩感兴趣区域后卸载至边缘服务器，进行葡萄串的多目标跟踪与分割，克服了带宽和延迟瓶颈。另一项研究针对大豆田开发了完全机载的无人机杂草检测系统，利用针对高度变化和运动模糊的目标数据增强，直接从飞行器提供实时、特定地点的除草指导，克服了云连接的约束。
C. 机器人及AI驱动的牲畜福利监测
该主题将操作焦点从静态或移动植被转向动态、不可预测的动物行为，核心目标从单纯感知扩展到将研究原型转化为实用的农场尺度福利监测工具。一项研究针对33项现有研究中识别的持续“实验室到农场”转化鸿沟，概述了弥合学术发展与实际部署的综合路线图，利用生成式人工智能进行仿真到现实适应，建立严格的跨农场验证框架和标准化边缘原生数据模式。另一项研究为检测指示发情的稀有行为事件（如牛只爬跨），采用整合真实、增强和合成样本的混合数据集策略，配合微调检测架构，实现了大规模饲养场监测中的鲁棒检测。
五、总结与讨论
综合来看，本专刊的八项贡献展示了感知、操作和边缘部署策略在挑战性生物和农业环境中的持续进展，多项方法已从概念验证向现场验证系统推进。这些技术进步日益与数字孪生范式相交汇，为物理生物系统与计算模型之间的实时数据同步创造了机遇。然而，原始范围中确定的几个关键方向仍相对探索不足。异构平台间的多机器人协调（如无人机与地面车辆同步操作以结合航空测绘与物理操作）在录用论文中未有体现，尽管其与大规模选择性收获和环境监测明确相关。同样，超越常规刚性连杆的先进驱动策略，包括用于精细或不规则形状生物产品的软体或连续体机械臂及仿生抓取机制，仍是未来研究的开放方向。多个录用论文的一个显著特征是刻意优先考虑边缘和嵌入式部署，将Jetson和Raspberry Pi级硬件作为基本设计约束而非次要考虑。这一技术转变预计将随着自主田间系统从研究驱动原型向实际农业部署过渡而加速。最终，本专刊旨在为机器人学、农业科学、动物科学和人工智能交叉领域的持续跨学科创新提供坚实的技术基础。
