面向农业 5.0 的 AI 驱动自主激光除草机器人：感知、导航与闭环控制系统的系统综述

《Computers and Electronics in Agriculture》：Ai-driven autonomous laser-weeding robots for agriculture 5.0: A systematic review of perception, navigation, and closed-loop control systems

　　

•为田间激光除草机器人构建闭环控制框架。
•比较感知、导航和伺服控制方面的关键指标。
•评估动态现实田间部署的方法。
•设定一个按阶段划分、可证伪的研究议程，并附各阶段指标。
•突出具身智能、视觉-语言-动作（VLA）辅助以及数字孪生协同的作用。

引言

杂草是与作物争夺光照、水分、养分和生长空间的主要生物性限制因子，会显著降低作物产量并增加生产成本。目前的除草方式主要依靠化学、机械、人工以及日益普及的定点机器人技术。化学除草处理快速、易于规模化，但伴随除草剂抗性、残留及环境问题；机械和人工除草虽可减少化学品使用，却常受土壤扰动、作物损伤、劳动力需求和作业效率限制（Upadhyay et al., 2024）。因此，精准的杂草识别与空间定位在定点除草管理中愈发重要（Darbyshire et al., 2024）。在数字农业、智慧农业和农业4.0（Klerkx et al., 2019）发展的基础上，本文评述采用农业5.0（Holzinger et al., 2024）这一以人为中心、可持续、具韧性的农业生产范式，将人工智能、机器人、信息物理系统与人工监督加以整合。在此框架下，自动化除草机器人正被越来越多地开发，用以补充传统除草方式、减少重复性劳动并降低对化学除草剂的依赖。

激光除草已成为智慧农业研究的核心焦点（Gao et al., 2026, Hu et al., 2026, Zhao et al., 2025b），因为它有助于应对全球因杂草导致的年产量损失10–15%。长期过度依赖化学除草引发了对农药残留、环境污染和杂草抗性问题日益增长的担忧。这促成了国际学术界与产业界对定点杂草管理（SSWM）（Darbyshire et al., 2024）的广泛共识，其基础是精准农业原则。从盲目施药转向定点物理除草，取决于激光除草所具备的高精度识别和非接触式灭杀能力。

从技术角度看，激光除草利用光热效应，对植物组织造成不可逆的热损伤（Marx et al., 2012）。当高能激光精准聚焦于杂草时，植物细胞吸收光能并迅速转化为热，导致蛋白质变性和酶失活，从而破坏光合作用和水分运输。尤其从生物学角度看，精准打击顶端分生组织可有效抑制杂草再生（Mathiassen et al., 2006）。然而，随着工业作业对行驶速度和作业效率要求的提升，在复杂动态环境中维持毫米级定位精度已不再仅仅取决于提升视觉识别率。建立贯穿感知—决策—执行的闭环控制框架，并解决系统级集成中的多变量耦合问题，已成为激光除草技术推广的关键障碍。这正是本文系统梳理现有技术栈并提出系统集成技术路线的基本动因。

激光除草经历了从早期剂量—反应与生物损伤研究（Marx et al., 2012, Mathiassen et al., 2006），到静态机器人定位与路径规划（Xiong et al., 2017），再到紧凑且日益移动的机器人系统（Mikesell et al., 2023, Rakhmatulin and Andreasen, 2020）的发展。近期研究进一步整合了自主导航、动态跟踪和协同激光执行（Vargas Fernández et al., 2025, Zhao et al., 2025b）。因此，图2(b)聚焦于2022年以来的发表加速趋势，而早期研究则为该领域奠定了历史基础。

作为农业生态系统的重要生物组成部分，杂草对作物生产和农业系统的生态稳定性构成严峻挑战。鉴于杂草的多样性和形态变异，现有分类体系主要基于四个维度：植物系统学、生物学特性、生态适应机制和化学防治对象（Qiang, 2010）。图1展示了一种农业杂草的多维分类体系，从分类等级到生理形态系统描述其区分特征。这些分类维度对激光除草具有操作性意义，因为它们影响目标形态、生长阶段易感性、分生组织可及性、光热响应及处理后再生概率。因此，杂草类别和生长阶段会影响感知模态的选择、激光打击点定义、所需能量剂量与驻留时间以及适当的处理窗口。图1因此不仅应被理解为生物学分类，也应被视为激光除草的目标选择框架。

激光除草也存在局限。对于茎秆过粗、木质化程度较高或处于特定晚期生长阶段的杂草，激光作业所需能量往往与除草效果不匹配。对于某些作物，激光除草可以替代或补充其他除草方法；但为防止再生，杂草通常必须从子叶期到四叶期之间进行处理（Andreasen et al., 2024）。因此，在实际应用中，建立有针对性的选择机制是确保作业效率和成本效益的关键。

尽管关于激光除草机器人的研究相当丰富，但大多数现有研究主要聚焦于提升视觉识别算法。这种"重视觉、轻控制"的倾向造成了显著的工程瓶颈：在受控或静态条件下达到高识别率的算法，在移动平台上部署时未必能保持同等定位与打击性能，因为不平坦地形、变化中的行驶速度、感知延迟以及执行器动力学都会引入额外误差（Rakhmatulin and Andreasen, 2020, Upadhyay et al., 2024, Vargas Fernández et al., 2025）。现有文献普遍缺乏对涵盖感知—决策—执行全流程闭环控制框架的系统性讨论。多数研究将视觉系统与控制系统视为彼此独立的实体，忽视了车辆运动引起的执行器延迟、振动和动态响应特性。在车辆移动过程中实现视觉反馈与激光扫描仪之间的高频协同，仍是当前研究的关键空白。

先前的综述已确立了基于AI的杂草管理主要研究范畴。Hasan et al. (2021) 围绕数据采集、数据集准备、杂草检测、定位与分类方法及评估指标组织了基于深度学习的杂草检测研究；Rakhmatulin et al. (2021) 则专门聚焦于使用深度神经网络实时检测杂草与作物。Vasileiou et al. (2024) 通过系统综述拓宽了这一视角，涵盖图像获取技术、训练数据集、AI模型以及物联网、无人机和田间机器人等辅助技术，并讨论了AI采用的更广泛经济、社会与环境含义。较新的综述进一步将该基础延伸至数据集泛化与边缘部署（Rai et al., 2023）、导航、感知、除草执行器和商用机器人平台（Upadhyay et al., 2024）以及定点杂草管理的计算机视觉方法（Singh et al., 2025）。

综合来看，这些综述勾勒了从图像级杂草识别到更广泛的AI驱动和机器人除草管理的演进路径。然而，其主要分析单元仍是感知算法、赋能技术或单个机器人模块。本评述通过专门聚焦自主激光除草机器人，并将系统视为感知—决策—执行闭环加以研究，进一步推动了该领域文献发展。本文探讨了平台运动、感知与通信延迟、导航与坐标转换误差、执行器动力学、振动以及激光控制如何共同决定动态激光打击精度，并进一步构建了系统级误差预算模型，区分直接激光除草证据与间接可迁移证据，从而将分析重点从算法级检测性能转向整体田间作业性能。

因此，本分析将关注点从静态图像识别精度转移到动态环境中的整机实时控制。这要求建立耦合车辆运动学、视觉伺服控制和激光控制的系统模型，以解决田间作业中遇到的对准与跟踪挑战。所提出的框架耦合了车辆运动学、视觉伺服、相机—激光标定和激光控制，以考察从感知到执行之间的过渡。

此外，由于目标定位、平台运动、坐标转换和激光执行必须在移动作业过程中同步进行（Mikesell et al., 2023），激光除草比传统农业自动化任务需要更紧密的时空协同。因此，传统导航与机具控制模块单独使用时可能不足，应与视觉伺服、相机—激光标定、运动预测和振动补偿相集成。这些可迁移技术根据其对激光除草机器人系统级集成的贡献进行评价，见图2。

章节片段

综述方法

为全面、客观地概述激光除草机器人感知—决策—执行闭环控制方面的最新进展，本评述遵循PRISMA指南。完整的PRISMA清单和来源类型分类见补充材料。检索策略、纳入标准、筛选阶段、排除类别及定量提取框架分别列于表1、表2、第2.2节、图3及补充表中。

感知—决策—执行用集成式硬件—软件架构

激光除草机器人是融合智能传感与光电技术的现代农业机械。其核心目标是通过感知—决策—执行的自动闭环系统，在田间实现非接触式精准除草（Gao et al., 2026, Vargas Fernández et al., 2025）。整体技术系统由四个核心部分组成：移动平台、视觉感知、控制决策和激光执行。硬件与

多模态成像传感器系统

在激光除草机器人的视觉感知系统中，不同类型相机的物理特性直接决定了定位精度和系统作业上限。图6展示了不同类型的成像传感器。RGB相机提供高分辨率的纹理和颜色信息，用于二维的作物—杂草识别，但不直接测量深度。RGB-D相机增加了Z轴信息用于三维聚焦，因此在需要三维深度信息时更为适用，例如[当自主导航与路径规划…]

农业田间自主导航与路径规划

自主导航在激光除草机器人的无人化和智能化作业中处于核心地位。鉴于对空间精度和动态响应性的严格要求，本节既回顾了激光除草系统的直接证据，也包括可间接迁移来自自动驾驶、农业机械和工业机器人领域的证据，考察了高精度定位、环境感知、避障和实时通信的适应。

动态目标调度与伺服控制策略

在激光除草机器人作业过程中，一旦视觉系统识别出杂草，控制系统面临的核心挑战就是高效调度激光执行器实施除草。这不止于简单的点对点运动，而是集成打击优先级、时机优化和能量控制的复杂决策过程。现有研究主要将该过程建模为数学优化问题，并以智能[方法]求解。

从技术趋势到可验证的研究问题

未来的激光除草系统很可能融合具身智能、视觉—语言—动作模型和数字孪生。然而，其田间部署仍必须满足明确的物理、实时和安全约束。

与传统农业机器人不同，激光除草机器人受到毫米级目标定位、高频平台振动、视觉推理延迟、振镜动力学、激光热损伤以及作物安全的共同作用。

结论

在农业劳动力短缺、过度依赖化学除草剂和不断加剧的环境压力背景下，精准激光除草凭借非接触式作业、减少化学残留和定点施治等优势，正成为智慧农业装备的有前景方向。本评述聚焦自主激光除草机器人，系统考察了高速视觉感知、多源自主导航和动态目标跟踪伺服[等方面的研究进展]。

材料可用性

不适用。

代码可用性

不适用。

CRediT作者贡献声明

Lou Yu-Zhong：论文写作—审阅与编辑、论文写作—初稿、可视化、方法论、调查、形式化分析、概念化。
Chang Hao-Ran：论文写作—审阅与编辑、软件、调查、数据整理。
Tian Jia-Yang：验证、资源、形式化分析。
Wu Yi-Teng：调查、数据整理。
Kong Lei：资源、调查。
Dong Bo-Wen：可视化、调查。
Lan Xian-Tan：验证、调查。
Su Wen-Hao：论文写作—审阅与编辑、监督。

利益冲突声明

作者声明不存在可能影响本文报告工作的已知的竞争性经济利益或个人关系。

致谢

本研究得到国家自然科学基金（资助号32371991）、宁夏自治区重点研发计划项目（资助号2024BEE03003）以及中国农业大学"2115人才培养计划"的资助。

Lou Yu-Zhong | Chang Hao-Ran | Tian Jia-Yang | Wu Yi-Teng | Kong Lei | Dong Bo-Wen | Lan Xian-Tan | Su Wen-Hao