《Smart Agricultural Technology》：Autonomous Navigation in Agricultural Systems: Techniques, Challenges, and Future Directions
编辑推荐：
可靠的自主导航是规模化农场机器人（农业机器人）面临的核心技术障碍，其在冠层遮挡、尘土、不平坦地形和移动机械等条件下仍需提升。实现这种可靠性需要集成稳健感知、精确定位、可靠障碍物检测、高效路径规划和精确运动控制的系统。本文基于2015年至2025年间的68篇同行
可靠的自主导航是规模化农场机器人（农业机器人）面临的核心技术障碍，其在冠层遮挡、尘土、不平坦地形和移动机械等条件下仍需提升。实现这种可靠性需要集成稳健感知、精确定位、可靠障碍物检测、高效路径规划和精确运动控制的系统。本文基于2015年至2025年间的68篇同行评审文章，将农业环境分为结构化、半结构化和非结构化环境，重点阐述了廊道规则性、障碍物动态性、地形多变性和定位可靠性如何影响导航性能。该研究讨论了各种路径规划技术、障碍物类型以及避障和定位策略。它强调了融合激光雷达（LiDAR）、相机、雷达等多源传感器以增强实时决策和导航精度的重要性。此外，本文综述了同步定位与建图（SLAM）及多传感器融合等制图与定位技术，同时探讨了在建图精度、定位、电源管理和安全性方面面临的挑战，以支持先进的农业生产。一种未来的方法可能是将时序数据集成到路径规划算法中，以实现稳健和自适应的导航。总体而言，本综述全面评估了农业环境中的路径规划技术，并分析了不同传感器系统在障碍物检测和定位方面的能力与局限。
一、研究背景、问题与意义
全球对可持续、高效农业实践的需求加速了自主系统在现代农业中的整合。机器人和自动驾驶车辆越来越多地部署于作物监测、喷洒、收割和除草等任务。然而，与城市道路或仓库不同，农业环境横跨结构化、半结构化和非结构化场景，地形、作物几何结构、障碍物行为和传感条件差异巨大且变化显著。冠层遮挡、尘土、降雨、不均匀光照等环境条件进一步损害传感器性能，使得可靠的感知和导航尤为困难。农业机器人面临持续的定位挑战，算法适应性常随环境复杂性增加而降低。因此，在冠层遮挡、尘土、不平坦地形和移动机械等条件下实现可靠的自主导航，成为规模化农场机器人（农业机器人）面临的核心技术障碍。解决此问题对提升农业生产力、减少劳动力依赖、优化投入品使用至关重要。
为此，研究人员开展了一项系统性综述研究，旨在综合评估农业环境中自主导航技术的进展，特别是路径规划、障碍物避让、定位、制图及集成导航策略。该论文发表在《Smart Agricultural Technology》期刊上，通过对2015-2025年间68篇核心文献的分析，首次提出了一种基于导航相关属性（如廊道规则性、障碍物稳定性、定位特征可靠性、地形/可通行性一致性）的农业环境分类框架（结构化、半结构化、非结构化），并系统梳理了各类障碍物、技术方法、挑战及未来方向，为研究人员和从业者提供了该领域的全面技术概览和前瞻性见解。
二、主要技术方法概述
本研究采用基于PRISMA（系统综述和荟萃分析的首选报告项目）流程的系统性综述方法。文献检索在Engineering Village（Compendex）和IEEE Xplore两个数据库中进行，时间跨度为2015至2025年，限英文文献。搜索策略围绕路径规划、障碍避让、定位、农业应用和平台等主题设计关键词组合。经过记录识别、去重、标题摘要筛选、针对性二次筛选等步骤，最终从774条初始记录中确定了68篇直接相关的研究作为证据基础。研究人员对每篇入选论文提取了研究目标、农业环境、机器人平台、传感方法、导航相关方法和主要贡献等信息，并按技术重点（路径规划、障碍避让、定位、制图、集成导航框架）进行分析和综合。
三、研究结果
3.1 农业环境与障碍物特征
研究人员将农业环境分为三类：1) 结构化环境（如温室），布局可预测，廊道规则，但GNSS信号弱，静态障碍为主，适合基于地图的廊道导航。2) 半结构化环境（如果园、葡萄园、行栽作物田），具有重复的行或棚架特征，但受冠层遮挡、季节变化、不平坦地形和动态障碍物影响，需要自适应行引导导航和传感器融合。3) 非结构化环境（如稻田、地形主导的开阔田地），边界不规则，定位线索弱，存在滑移和侧滑，导航由可通行性和定位不确定性主导，需要边界感知规划和滑移感知控制。
障碍物被系统归纳为八大类：1) 植被相关障碍（如茂密树冠、杂草）：动态变化，导致传感器遮挡和路径误分类。2) 结构障碍（如篱笆、灌溉系统、温室轨道）：静态但密集，限制机动性。3) 地形相关障碍（如斜坡、坑洼、泥泞土壤）：导致牵引力损失和里程计误差，负障碍物难以检测。4) 机械与设备（如拖拉机、喷雾器）：半动态，位置不可预测，可能干扰传感器。5) 牲畜与野生动物：高度动态，运动不可预测。6) 环境因素（如雨、雾、尘土、光照变化）：导致传感器性能下降和车轮打滑。7) 人类相关障碍（如农场工人）：行为不可预测，带来安全风险。8) 临时与季节性障碍（如落叶、作物残茬）：短时存在，改变可通行性。
3.2 路径规划技术
路径规划旨在为农业机器人在起点和终点之间找到最优路径。研究将其分为全局和局部规划。
- •
全局路径规划：在已知环境表示（如地图）下生成可行路线。常用算法包括：
- •
A算法：基于启发式图搜索，适用于已映射的静态环境，如果园导航、温室路线规划。其优势在于易于融入障碍物密度、转弯惩罚等农业约束。但标准A生成路径转折多，不适合非完整约束平台，且在动态环境中表现不佳。
- •
概率路图法：采样规划器，适用于几何结构已知或变化缓慢的环境，如温室巡检路线生成。其优势在于可预先计算可行连接以供重复查询，但不适合高度动态的开放农田导航。
- •
局部路径规划：用于实时避障和路径调整。常用方法包括动态窗口法（DWA）、时间弹性带（TEB）和人工势场法（APF）。混合算法结合全局和局部规划，以互补弱点，创建更鲁棒的规划系统。
3.3 障碍物检测与避让
可靠的障碍物检测依赖于多传感器融合，以克服单一传感器的局限。主要传感器包括：
- •
激光雷达：提供精确的3D距离信息，但受尘土、雨雾和茂密植被影响。
- •
相机：成本低，可提供丰富的纹理和颜色信息，但受光照变化、阴影和恶劣天气影响大。
- •
雷达：在尘土、雨雾和黑暗中性能较好，但分辨率通常低于LiDAR和相机。
- •
全球导航卫星系统/惯性测量单元：提供绝对位置和姿态信息，但在冠层下或温室中信号可能不可用或漂移。
避障策略包括反应式避让（如APF、DWA）和预测式规划。传感器融合（如LiDAR-相机-雷达）是提高检测鲁棒性的关键。
3.4 制图与定位
精确的定位是自主导航的基石。技术包括：
- •
同步定位与建图：使机器人能在未知环境中同时构建地图并估计自身位置。视觉SLAM和激光SLAM是常用方法，但在纹理重复、光照变化的农业环境中面临挑战。
- •
多传感器融合定位：结合GNSS、IMU、LiDAR、相机、轮式里程计等，通过滤波算法（如卡尔曼滤波）或优化方法，提供更可靠、准确的位姿估计，尤其在GNSS拒止环境中。
3.5 导航挑战与未来方向
研究人员总结了农业自主导航面临的主要挑战：1) 环境多变性：包括地形、作物生长、天气和光照的动态变化。2) 电源管理：野外长时间作业对机器人的续航能力提出要求。3) 精度要求：精细农业操作需要厘米级导航精度。4) 安全与法规：涉及人机、机机共存的安全标准与法规。
未来研究方向包括：1) 将时序数据（作物生长、季节性变化）集成到路径规划算法中，实现自适应导航。2) 开发更先进、轻量化的多传感器融合与SLAM算法。3) 利用深度学习和强化学习提升在复杂、不确定环境中的感知与决策能力。4) 加强机器人间的协同与通信。5) 建立标准化的测试与评估基准。
四、讨论与结论
讨论：本综述系统性地构建了农业自主导航的技术知识体系，明确了不同环境类别的特性和相应技术需求。分析表明，没有单一的“银弹”技术能解决所有挑战，成功的关键在于针对特定任务和环境，设计和集成鲁棒的感知、定位、规划和控制系统。当前研究在结构化、半结构化环境中取得了显著进展，但在高度动态、非结构化的复杂农田环境中，系统的鲁棒性、适应性和长期可靠性仍需大幅提升。传感器融合、自适应算法和人工智能将是突破这些瓶颈的关键。
结论：可靠的自主导航是可扩展农场机器人面临的核心技术障碍。实现这一目标需要集成系统，结合稳健的感知、精确定位、可靠的障碍物检测、高效的路径规划和准确的运动控制。本研究综述了2015年至2025年间68篇同行评审文章，将农业环境分为结构化、半结构化和非结构化，并强调了廊道规则性、障碍物动态性、地形多变性和定位可靠性对导航性能的影响。研究讨论了各种路径规划技术、障碍物类型以及避障和定位策略。强调了融合激光雷达、相机、雷达和其他来源的传感器以增强实时决策和导航精度的重要性。此外，论文回顾了包括SLAM和多传感器融合在内的制图和定位技术，同时解决了制图精度、定位、电源管理和安全性方面的挑战，以支持先进的农业生产。未来的方法可能将时序数据集成到路径规划算法中，以实现稳健和自适应的导航。总体而言，本综述对农业环境中的路径规划技术进行了全面评估，并分析了不同传感器系统在障碍物检测和定位方面的能力和局限性。
