综述：杂草和害虫控制机器人创新：前沿研究的系统综述

《Machine Learning and Knowledge Extraction》：Innovations in Robots for Weed and Pest Control: A Systematic Review of Cutting-Edge Research Nicola Furnitto, Giuseppe Todde, Maria Spagnuolo, Giuseppe Sottosanti, Maria Caria, Giampaolo Schillaci and Sabina I. G. Failla

　　

近年来，农业因机器人和自主车辆的出现而开始转型，这些机器能够智能且精准地执行除草和喷洒等复杂操作。事实上，新一代农业机器人使用人工智能（AI）、摄像头和传感器来识别杂草、分析作物状况，并仅在必要时施用植物保护产品，从而减少浪费和环境影响。一些系统结合了无人机和地面车辆，以获得更精确的结果。本系统综述通过基于PRISMA的方法综合了农业机器人在杂草和害虫管理方面的最新进展。文献收集自主要科学数据库（Scopus、Web of Science、IEEE Xplore、Google Scholar）及补充来源，最终纳入了83项符合条件的研究。选定的证据被结构化为四个应用领域：（i）杂草检测与绘图，（ii）机器人及非化学杂草控制（机械和激光方法），（iii）害虫与病害管理的选择/变量速率喷洒，以及（iv）综合除草-喷洒解决方案，包括协作式无人机-无人地面车辆（UAV-UGV）系统。总体而言，所综述的研究证实了在实时感知（基于深度学习的检测）、导航/定位（例如GNSS/RTK、LiDAR、传感器融合）和精准执行（定点喷洒和精确干预）方面的快速进展，同时也揭示了持续的局限性：评估协议不一致、在作业速率、可扩展性、成本和可变田间条件下的鲁棒性方面缺乏系统级比较，以及原型平台与接近商业化的解决方案之间区分不清。然而，这些技术的大规模推广仍受到高成本、技术复杂性和文化抵抗的阻碍。该综述强调了自动化、可持续性和可及性的整合是未来农业的关键。

论文主体部分总结如下：

**1. 引言**
引言指出，农业机器人技术通过AI、传感器和自动化，在提高效率、减少化学农药使用方面至关重要。全球农药使用量持续增长（如2023年活性成分总量373万吨），但欧洲等地区呈下降趋势。机械除草是当前农业机器人的主要活动，通过GPS和传感器实现夜间作业。机器人监控整合了土壤、气候和病害传感器，实现早期检测。杂草导致谷物减产15-30%。传统喷洒技术在果园中存在局限性，而自主喷洒无人地面车辆（UGV）结合AI和多种传感器（热成像、LiDAR、多光谱）可实现精准管理。但大规模采用仍面临成本、基础设施和技术适应性问题。用户接受度受创新倾向、易用性和感知有用性影响。本研究旨在系统综述2016-2025年机器人除草和害虫控制方案，明确感知/AI组件与执行策略的关联，区分原型与近商业化系统，以支持可扩展实施和农药减量。

**2. 材料与方法**
本系统综述遵循PRISMA 2020声明，回顾性注册于开放科学框架（OSF）（ID: osf.io/cejz4）。文献搜索于2025年进行，数据库包括Scopus、Web of Science和IEEE Xplore，最后搜索于2026年1月31日。补充搜索使用Google Scholar。查询关键词组合涉及“田间机器人”、“无人地面车辆（UGV）”、“除草”、“喷洒”等。两名评审员独立筛选标题、摘要和全文。数据提取包括作物/靶标系统、作业环境、机器人平台、感知模态、任务、控制方法和主要性能指标。排除无关记录（如仅无人机、传统拖拉机自动化、远程控制平台）和综述论文。最终纳入83篇研究（2016-2025年）。

**3. 结果与讨论**

**3.1 总体统计数据**
根据主要机器人功能，研究分布为：除草（n=30）最多，检测（n=17），喷洒和综合除草-喷洒各（n=15），其他（n=6）。时间趋势显示2022年后显著增长，2024年达峰值21篇。地理分布以中国（n=16）、美国（n=14）和德国（n=12）为主。作物系统方面，大田作物（n=46）占主导，其次为果园（n=19）和蔬菜（n=8），温室很少（n=1）。

**3.2 杂草检测**
杂草与作物竞争养分和水分，影响产量。自主导航要求精准的地形通过性评估（如概率图、模糊逻辑）。基于UGV的系统使用LiDAR、立体相机和RTK-GNSS实现导航。感知链包括图像采集、预处理、检测/分割、地理参考和执行，实时性需在系统级（端到端处理时间与作业速度）评估。无人机（UAV）与UGV协同可降低成本（如主从架构，无人机引导UGV）。深度学习方法（如YOLO系列）用于杂草识别，但类间相似性和遮挡是难点。田间级数据集（含定位信息）提高可重复性。阴影处理等预处理步骤对鲁棒性重要。示例包括草莓病虫害检测（准确率92.10%）和番茄成熟度/病害诊断（YOLOv8）。

**3.3 除草用于杂草控制**
AI和机器学习使机器人能区分作物与杂草，实现精准干预。YOLO-WDNet在移动机器人上实现94.7%准确率。基于YOLOv3的Intra-row除草系统在玉米中实现98.5%作物识别率和85.91%除草率，作物损伤仅1.17%，楔形刀片最有效。YOLOv3也用于区分作物/杂草（约95%）。四足机器人配合RGB-D相机和ROS实现定点喷洒，假阳性降低60-89%。自主架构（如YOLOv4 + Kimera 3D重建）实现植株级喷洒。机械除草方面，机器人牵引工具可去除约40%杂草，速度0.71-0.77 m s^?1，能耗1.43 kWh h^?1，作业容量0.29 ha h^?1。姿态信息融合算法修正耕作距离，误差降低58-73%。Husky A200在特种作物中测试，耙式圆盘在平坦土壤上实现80%控制，但在不平地形上仅10-15%。按需滴施（DoD）方法使除草剂用量降低90%以上。变量杂草控制系统通过2G-R-B分割调节喷嘴流量，误差<2%。激光除草作为非化学方法在有机农业中有前景（如与常规除草剂对比的田间比较）。Raspberry Pi和CNN机械臂方案也有效。UAV-UGV协同系统（如Flourish）在甜菜中实现与常规相当的产量但农药更少。混合无人机-地面车辆在复杂环境中测试成功。

**3.4 喷洒用于害虫控制**
精准喷洒机器人“Tractacus”使用超声波传感器在行间导航，仅在有冠层时激活喷洒，精度±70 mm（1 m s^?1）。多机器人“感知-行动”系统（UAV+AGV）提高效率和精度。UAV-UGV协作系统（UCTSS）中，UGV运输农药并为UAV供电，UAV进行自上而下喷洒，LiDAR检测理想位置，跟踪误差0.013 m，喷点检测精度96%。立体防护系统（SPS）结合UAV顶喷和地面摆动臂底喷，计算流体动力学（CFD）优化后液滴分布均匀性提升38.3%，密度>25滴 cm^?2，土壤损失显著减少。地面变量速率喷洒机器人使用单个3D LiDAR同时支持导航和冠层体积估计，减少飘移和地面损失。基于3D冠层信息的处方图喷洒系统可结合风速进行动态调整。温室中，磁性引导机器人用于消毒和喷洒。深度学习模型同时识别草莓白粉病和发育阶段。dScout UGV检测九种番茄叶病，准确率90.51%，选择性喷洒，每株处理2.9 s，喷角63.45°。SN-YOLOX Nano-ECA模型用于盆栽作物分类（准确性>97%），双面喷洒，高度和倾角可调，基于叶片面积和高度动态调整施肥量，自主导航精度<6 cm，预测与实际体积偏差0.46 mL。

**3.5 除草与喷洒**
多功能农业机器人（如Cui等）集成变量速率喷洒、选择性机械/化学除草和表型数据采集，可调底盘支持四种转向模式，导航精度4.5 cm。AgROS仿真平台用于测试喷洒轨迹和覆盖算法。基于YOLOv4的机器视觉喷洒系统识别多种杂草并进行精准喷洒。边缘计算喷雾架构直接在机器人上运行深度学习推理，降低延迟。植株级喷洒管道在田间实验中验证性能。整合绘图与喷洒的工作流跟踪已处理/未处理区域，优化路径规划。混合地面-空中解决方案结合除草和喷洒能力。

**3.6 比较有效性、局限性与技术权衡**
有效性应在系统级评估，而非孤立算法指标；实时性取决于完整链（感知、计算、执行、运动）。数据集和评估协议异质性是主要局限；田间级数据集（含地理参考）提高可重复性。光照变化和阴影是视觉管道退化来源。关键区分在于算法中心（约束设置下高精度）与部署导向（考虑操作约束和农艺结果）。激光除草虽经比较评估，但需平衡安全、能耗和整合约束。植物保护中，许多研究缺乏喷洒结果指标（沉积、均匀性、飘移/地面损失），而最具信息价值的评估应量化这些指标并明确技术成熟度（原型 vs. 田间验证）。UAV-UGV方案在目标性能与可测量处理结果关联时优势更明显。总体而言，各技术相对优势取决于目标农艺环境和鲁棒性、作业速度等约束，需要标准化端到端报告。

**4. 结论**
机器人用于除草和喷洒操作优势显著。本综述系统分析了83项研究，明确了性能与操作约束（如机器人速度、端到端延迟、冠层/地形变异、喷雾飘移）的关联。多功能模块化平台可降低对不同任务的专用成本。近商业化评估表明工作速率、自主性和物流（补充、充电、停机、田间可达性）是关键采纳驱动因素。机械和激光除草方法因法规和环保日益受青睐，但化学减量也可通过超精准定点施用（植株级微剂量）实现。UAV-UGV成熟度不一，量化完整链（目标+喷洒结果）的研究有价值。智能喷洒可减少农药使用11.6-50%。环境效益需通过生命周期评估具体场景。未来研究应优先标准化端到端性能报告、明确成熟度分类，并在真实田间变异下进行基准比较。