一种基于UWB技术的创新RTLS机器人，用于智能农业中的自动谷仓清洁工作

《Computers and Electronics in Agriculture》：An innovative UWB-based RTLS robot for autonomous barn cleaning in smart farming

　　莱蒂齐亚·特巴尔迪（Letizia Tebaldi）| 米凯莱·博切利（Michele Bocelli）| 亚历山德罗·卡洛尼（Alessandro Carloni）| 马可·曼布里奥尼（Marco Mambrioni）| 安德烈亚·沃尔皮（Andrea Volpi）
帕尔马大学工业系统与技术工程系，科学园区181/A，43124，意大利

**摘要**
本文介绍了一种机器人原型的开发与实现，该机器人的功能是自动化清理谷仓内部的巷道，从而减轻人力劳动。该机器人根据安装在机器人本身和天花板上的传感器来移动，以完成其需要执行的清洁路径；这使得该系统成为实时定位系统（RTLS），因为机器人的主要驱动依据是安装在谷仓天花板内的传感器。这种配备专用臂的机器人的功能是通过收集牛粪来清洁区域。这些牛粪将被重新用作农场种植区域的肥料。所讨论的RTLS系统基于一种商用室内无线定位系统，该系统利用超宽带（UWB）射频技术来确定安装在机器人上的标签的精确位置，从而对其进行引导。用于实施该系统的谷仓位于意大利北部的帕尔马。该系统显示出比同类解决方案更高的精度，在所选场景中的平均定位误差为0.30米。该项目具有创新性，因为在农业食品领域中RTLS的应用几乎不存在，类似的解决方案也尚未出现。

**1. 引言**
在我们当前所处的这个科学和技术时代，即使是那些人们从未想象过的领域也在努力保持更新；农业和农场活动就是这样的例子。传统上，这些业务严格依赖于人力和体力、土地本身以及动物。像工业4.0这样的新近创新使得农业活动得到了一定程度的提升，从而产生了诸如农业4.0、智能农业（Smart Farming）、精准畜牧业（Precision Livestock Farming）等术语。换句话说，就是实施数字技术来支持农业活动（Bongomin等人，2020年；Latino等人，2023年）。

2025年12月，在Scopus数据库中使用上述四个关键词（用OR连接词）进行的查询返回了超过83,000篇文献，这些文献的数量在过去五年中呈指数级增长，这强调了这一主题在科学界中的普及程度（Maffezzoli等人，2022年也证实了这一点）。应用实例多种多样（Mambrioni等人，2025年），包括牲畜管理（例如Issa等人，2024年）、收割（例如Wang等人，2025年或Navas等人，2021年）以及作物监测（例如Yang等人，2025年）等。多篇现有的文献综述总结了这些领域的主要成果、案例研究和应用；例如，读者可以参考Vijayakumar等人（2025年）关于农业4.0的机遇与挑战；Anastasiou等人（2025年）关于机器人技术和增强现实技术在农业中的应用；Araujo等人（2023年）关于机器学习相关应用的研究；或者Reddy等人（2025年）关于无人机使用的研究。鉴于现有的大量应用和科学出版物，这一问题的相关性和时效性得到了强调。

本文正属于这一背景。作者们展示了开发与实现的一种自动机器人的结果，该机器人的具体功能是清洁饲养牲畜的谷仓，尤其是奶牛；换句话说，这是一种用于智能谷仓清洁（Smart Barn Cleaning，SBC）的机器人解决方案。该机器人根据安装在机器人本身和谷仓天花板上的传感器来移动，以完成其清洁路径，从而替代人力劳动。这使该系统成为实时定位系统（RTLS），因为机器人的驱动完全依赖于安装在谷仓天花板内的传感器；这些传感器被称为“锚点”，其坐标是已知且固定的。这种配备有带有刮刷叶片的专用臂的机器人的功能是通过收集牛粪来清洁区域。所讨论的RTLS系统基于一种名为Qorvo Decawave DWM1000的商用室内无线定位系统（https://www.qorvo.com），该系统利用超宽带（UWB）射频技术来确定安装在机器人上的标签的精确位置，从而对其进行引导。选择UWB技术是因为先前的研究表明，它在确定室内环境中的精确位置方面具有最高的效率和准确性，并且已经由参与该项目的研究小组进行了测试（Volpi等人，2023A；Volpi等人，2023B）；此外，正如下一节理论背景部分将详细说明的，UWB是最适合谷仓环境及其特性的通信技术。用于实施该系统的谷仓位于帕尔马附近的Botteghino农场，尺寸约为50 x 40米，共饲养了250头奶牛；农场主愿意为该项目提供场地，因为他们非常希望在自己的日常运营中采用这一解决方案，并希望成为智能谷仓清洁领域的先驱。这一创新实现了牛粪收集的自动化，从而节省了人力；事实上，这项工作既繁重又耗时，通过自动化可以讓工人专注于其他增值活动。这些牛粪将被用作肥料，体现了循环经济的概念，进一步强调了该项目的多学科特性。该机器人被称为BIDAbot，其缩写代表“Best Innovation for Dairy Agri-farm roBOT”。

该项目对学术界来说具有创新性，因为最近的文献综述显示，在农业食品领域中RTLS的应用几乎不存在（Aziz和Koo，2025年），类似的解决方案也不存在。因此，预期的知识进步体现在开发了一种全新的创新解决方案，该方案扩展了RTLS系统的应用范围，将其应用于农业农场领域，并且旨在实现不同于学术领域已提出的多种用途（见第2节）。

本文的其余部分结构如下：下一节（第2节）通过文献分析为项目提供背景，并解释该解决方案所填补的空白；第3节介绍了开发机器人和在选定谷仓中安装RTLS系统的方法；第4节提出了RTLS系统的测试阶段，包括结果和其他研究的比较；第5节总结了本文，指出了局限性和未来的研究方向。

**2. 理论背景**
正如引言部分所述，据作者所知，这是第一个在室内环境中为智能谷仓清洁（SBC）实施的RTLS系统。事实上，作者们最近进行的一项调查显示，在科学文献和工业层面都不存在类似的解决方案。

就文献而言，首先，两项最近的文献综述指出，大多数基于RTLS的创新应用都集中在医疗保健领域，用于追踪资产、人员和患者（Bazo等人，2021年；Tebaldi等人，2025年），而农业领域在分析不同场景下的定位技术和应用的综述中很少被提及（Aziz和Koo，2025年）。然而，通过深入搜索并专注于农业领域的RTLS应用，在Scopus和Web of Science数据库中进行的以下查询（TITLE-ABS-KEY (RTLS OR “real time locating system*” OR “real-time locating system*” OR “real-time location system*” OR “real time location system*”) AND TITLE-ABS-KEY (agriculture OR “farm4.0” OR “farm 4.0” OR “agriculture 4.0” OR “agriculture4.0” OR “precision livestock farming” OR “precision livestock management”)）在撰写本文时共找到了19篇相关文献。

2025年发表了两篇论文：第一篇是Gussmann等人（2025年）的研究，他们在瑞典的一个谷仓中测试了一种UWB商用RTLS系统，以研究奶牛重新分组后的行为；第二篇是Peckler和Adcock（2025年）的研究，同样使用了一种UWB RTLS系统（未指定型号），用于检测患有亚临床乳腺炎的母羊及其羔羊的行为变化。前一年，即2024年，又有五篇相关论文发表；其中Woods和Adcock（2024年）验证了一种基于UWB的室内RTLS系统，但与本文提出的解决方案存在一些差异：首先，他们使用的是另一种商用UWB RTLS系统（TrackLab，Noldus Information Technology，荷兰）；其次，研究目的不同：同样是为了追踪谷仓内羊的位置，以评估牲畜的健康、行为和福利。另一篇论文（Engels等人，2024年）比较了两种用于监测奶牛的RTLS系统，目的也是收集行为数据和记录连续的位置信息。同样，这些研究也使用了UWB通信技术，但实施了两种不同的商用RTLS系统。此外，D’Urso等人（2023年）也提出了类似的研究，用于研究奶牛在谷仓中的行为，尽管他们的研究仅限于实验室环境（注意SEWIO使用了DWM1000模块）；Melzer等人（2021年）则研究了另一种UWB RTLS的校准设置问题。

为了清晰起见，下表1总结了上述19篇文献的相关细节，包括所使用的通信技术、涉及的RTLS系统、测试或实施的环境以及RTLS的目标。

**表1.****农业领域中RTLS相关研究的总结**

**参考文献**
**通信技术**
**RTLS使用环境**
**RTLS系统目的**

- Gussmann等人，2025年：UWBCowView系统（GEA，德国）；室内牛舍；研究奶牛重新分组后的行为变化
- Peckler等人，2025年：UWB；未具体说明；室内牛舍；检测患有亚临床乳腺炎的母羊及其羔羊的行为变化
- Woods等人，2024年：UWB；TrackLab，Noldus Information Technology，荷兰；室内牛舍；追踪羊的空间位置和距离（社会/行为研究）
- Engels等人，2024年：UWB；OpenCattleHub与商用UWB RTLS进行比较；室内牛舍；涉及发情检测、健康监测或研究奶牛之间的社会互动
- Marina等人，2024a、2024b：UWBCowView系统（GEA，德国）；室内牛舍；研究奶牛的社会关系以及出生时间、胎次和相关性如何影响其后续的空间互动
- Knoll等人，2024年：UWB；TrackLab，Noldus Information Technology，荷兰（由SEWIO，布尔诺，捷克共和国提供支持）；室内牛舍；追踪育肥猪
- D’Urso等人，2023年：UWB；SEWIO，布尔诺，捷克共和国；实验室；奶牛的识别和定位
- Melzer等人，2021年：UWB；未具体说明；室内牛舍；奶牛群体的区域分配和邻居检测（社会行为）
- Ren等人，2021年：UWB；Decawave DWM1000；室内牛舍；追踪和分析奶牛的社会互动
- Fernandez de Sevilla等人，2021年：全球导航卫星系统（GNSS）；实时动态（RTK）；开阔场地；农业车辆的自动导航
- Rocha等人，2019年：UWBCowView系统（GEA，德国）；室内牛舍；研究奶牛群体动态中的社会性
- Meunier等人，2018年：UWBCowView系统（GEA，德国）；室内牛舍；追踪奶牛位置以研究其社会行为
- Will等人，2017年：射频识别（RFID）；SMARTBOW?；室内牛舍；对猪的流行病学和行为研究
- Fernandez等人，2017年：UWBCowView系统（GEA，德国）；室内牛舍；早期检测酮病，监测奶牛的行为活动和产奶量
- Silberberg等人，2017年：UWBCowView系统（GEA，德国）；室内牛舍；研究奶牛的行为，以检测表现出与亚急性瘤胃酸中毒（SARA）相关的行为改变的奶牛
- Meunier等人，2017年：UWBCowView系统（GEA，德国）；室内牛舍；测量奶牛的梳理行为
- Sloth等人，2015a、2015b：UWBCowView系统（GEA，德国）；室内牛舍；奶牛的行为活动和社交化

**总体结论**
从上述综述中可以得出，几乎所有实施RTLS解决方案的研究都基于UWB技术，这表明UWB是该领域中最广泛使用的技术。除了Fernandez de Sevilla等人（2021年）的研究外，大多数情况下收集跟踪数据的目的是为了深入研究牲畜的社会行为。在之前的研究中，没有设计用于清洁牛舍内空间的机器人。

**关于农业环境中的机器人原型**
虽然检索到的关于农业环境中机器人的文档很少，但最近的例子包括：Yan和Li（2025年）开发的用于苹果收获的机器人，以及Lei等人（2025年）开发的用于番茄收获的机器人。类似的例子还包括Gharakhani等人（2023年）开发的用于棉花收获的机器人，以及Li等人（2015年）开发的用于室内作物定位的机器人，还有Ramadhani等人（2025年）开发的用于室内喷洒的机器人。然而，据作者所知，这些机器人都没有通过RTLS系统进行引导，因此从学术角度来看，这些解决方案具有新颖性。

**工业背景下的调查**
在工业背景下进行的调查也证实了该创新的新颖性。实际上，目前只有三个类似的机器人存在，但它们在所使用的技术上存在显著差异。第一个机器人名为MIROBOT（https://demo.miro-en.ngpa.com/scrapers/p16356），由法国MIRO公司开发，它通过固定电缆移动；第二个机器人由Hetwin公司（https://www.hetwin.at/it/avenger-pickup-robot-di-raccolta-del-letame.html）开发，它依靠安装在地面上的磁传感器移动；第三个机器人由德国Gea公司（https://www.gea.com/en/products/milking-farming-barn/promanure-manure-handling/manure-handling-cleaner/manure-scraper-robot-srone/）商业化。尽管这个机器人使用了RFID技术，但它不能被视为RTLS系统，因为它读取的是安装在地面上的标签。这进一步强调了目前还没有RTLS系统用于引导牛舍内的机器人。

**项目方法**
该项目主要分为四个步骤：
1. **文献分析**：确定当前解决方案需要填补的空白；
2. **机器人的物理开发**：包括机械和电气设计；项目规格根据参与粪便收集活动的操作人员的需求进行定义，包括最大尺寸、推力以及清洁通道所需的时间。使用3D CAD设计了各个组件。在自动化方面，采用了商用嵌入式解决方案来管理机器人的操作；电子板和固件是专门开发的。刮除系统由刀片和移动臂组成，旨在满足牛舍等恶劣环境的要求。设计阶段结束后，将各个组件组装在一起，形成最终的机器人，并对其功能进行了测试；
3. **在牛舍内安装传感器网络**：在牛舍内部实施了传感器网络。为此，需要进行多次测试，以确定标签的最佳位置，无论是安装在天花板上还是机器人本身上，这些标签的位置取决于BIDAbot在牛舍通道中必须遵循的路径。当然，该路径是根据农场主的要求预先定义的。这一阶段的成果是一个可以正常工作的原型解决方案，可以通过它收集和再利用粪便；
4. **经济评估**：评估该解决方案的可行性及其潜在的工业化前景。

**简要说明**
为了简洁起见，本文将重点介绍第三步，并简要说明第二步的内容。

**详细内容**
以下小节分别讨论了（i）机器人的物理结构细节以及（ii）网络系统的安装方法和测试其功能的程序。

**3.1 机器人的物理开发**
当前自主机器人的主要功能是在牛舍通道中导航，并将粪便引导至每个通道的尽头，那里有一个收集坑。本节概述了机械设计过程，该过程是根据操作环境的具体要求制定的。

**3.1.1 设计约束**
在机械设计的初步阶段，需要进行详细的调查，以便更好地了解机器人工作的操作环境。所研究的牛舍具有表2中总结的尺寸特征。

**表2. 研究中的牛舍几何尺寸**
| 参数 | 值 |
|---------------|------------|
| 通道长度 | 50,000 mm |
| 通道宽度 | 3,200 – 3,700 mm |
| 通道数量 | |
| 门的高度 | 500 mm |

该牛舍有三个通道，每个通道的尽头都有一个收集坑，用于收集相关生物材料，如图1所示。图中显示了布局，右侧是共同的收集点。因此，材料推送的方向是从左到右。

**3.1.2 机器人几何设计**
机器人的初步几何设计是根据牛舍环境的物理和操作约束制定的。牛舍的结构特征和空间限制直接影响了机器人的几何参数，确保其能够在牲畜区域内有效且安全地导航。

- 门安装在牛舍内部，限定了牲畜的通行区域，高度约为500毫米；因此，机器人的最大高度被限制在400毫米以内，以确保能够无障碍地通过这些门；
- 机器人的宽度和长度分别设置为1,740毫米和1,360毫米，使其能够克服通道入口处的坡度；
- 前置刀片设计用于一次完成清洁，包括一个2,500毫米长的中央元件，两侧各有一个900毫米长的液压驱动的侧翼元件。这种设置使刀片的跨度可以从大约2,500毫米（90°打开）调整到完全伸展时的4,500毫米（165°）；
- 为了保证在通道入口处的倾斜部分有效操作，采用了四杆连杆系统，使刀片能够在下降斜坡前升起，并在完成倾斜段后自动返回刮除位置。

**3.2 安装传感器网络**
在牛舍内部安装了传感器网络。为此，需要进行多次测试，以确定标签的最佳位置，无论是安装在天花板上还是机器人本身上，这些标签的位置取决于BIDAbot在牛舍通道中必须遵循的路径。

**3.3 经济评估**
为了确定系统的可行性和潜在的工业化前景，进行了经济评估。机器人离开角度的评估是为了验证其在进入和退出通道时的安全导航能力。机器人主要由AISI 304不锈钢制成，这种材料因其高抗腐蚀性而被特别选用，以适应系统运行所处的化学腐蚀性环境。为了提高移动性，机器人配备了气动轮子，这些轮子能够在没有专用悬挂系统的情况下吸收地面不平整度。机器人的运动由两个无刷电动机提供，每个电动机分别驱动车辆的右侧和左侧。轮子通过链条传动系统与相应的电动机相连，确保了高效的扭矩传递和机械强度。前叶片的驱动由液压控制系统管理。液压单元包括油箱、泵和阀门组件，完全集成在机器人的底盘内，既防止了外部污染物的侵入，也增强了整个系统的紧凑性。

3.2. 仓库初步准备和路径识别
图6显示了安装了RTLS网络的仓库平面图。由于仓库的金属结构，RTLS网络的布局需要精确设计，以避免可能的磁干扰。选择仓库的天花板来安装RTLS锚点，因为这样可以确保与移动标签之间有大部分清晰的视线（LoS）。

仓库的面积大约为50米长、40米宽。只有通道走廊和第一头牛的通道被选为测试区域，因为这些地方对机器人来说更容易到达。

为了确定锚点的最佳位置，考虑了机器人可能经过的路径。图7显示了选定的路径。需要注意的是，只有路径B是BIDAbot实际会行驶的路径；路径A仅用于测试和微调导航算法。

3.2.1. 第一次RTLS布局
Qorvo MDEK1001开发套件支持的最大锚点间距约为30米；因此，在这次应用中，每个锚点之间的最大距离被设置为15米，以防止达到极限条件。所有参与实验的标签都更新到了最新的固件版本。作为第一步，决定安装8个锚点，形成两个并排的矩形（下图中的矩形A – B – F – E和C – D – G – H），每个矩形包含4个锚点，如图8所示。

每个锚点都连接到一个5.2伏的电源线上，该电源线由墙上的插座供电，因此不需要电池；由于外部环境（从极寒到极热）中电池寿命的极大不确定性，这种选择是必要的。使用物理连接意味着一旦安装完成，除非出现故障，否则不需要对锚点进行进一步维护。尽管连接锚点的电线会有电压降，但5.2伏的电源线仍然适用于此应用，因为每个锚点都配备了内部电压调节器，可以将5.2伏的电压降至所需的1.8伏。

x轴和y轴的原点设置在小牛仓库的左下角，靠近通道走廊的入口。由于天线的极化特性，锚点被安装在天花板上，印刷电路板（PCB）与天花板平行，以尽量避免或至少限制锚点与车载标签之间的视线路径上放置的物体造成的干扰。

在安装了8个锚点后，在参考系统中测量了它们的坐标。每个锚点都使用以安装箱为中心的垂线来确定位置，并在地面上做了标记。然后，使用Metrica Flash 60激光测量仪测量了该点相对于系统原点的x和y坐标；最后利用水平仪和垂线，用同一仪器测量了天线的z坐标。

表3显示了每个锚点的确切坐标及其ID。

3.2.2. 第二次RTLS布局
由于第一次布局存在一些问题（将在第3节中讨论），必须对之前的锚点分布进行修改。因此，第二次RTLS锚点的布局是对第一次布局的进一步发展：具体来说，在通道上方增加了4个额外的锚点，总共12个锚点。如图9所示，新增的锚点“I”安装在系统原点附近；锚点“L”安装在锚点“A”和“B”之间；锚点“M”安装在“B”和“C”之间；最后，锚点“N”安装在“C”和“D”之间。由于天花板更容易到达，这些额外的锚点被添加到了通道上方的行中。此外，如果将它们安装在第二头牛的通道上方，出于安全考虑需要移动动物，并且安装时间会更长，因为不能让动物在狭小的空间里待太久。从实际角度来看，地面上没有污染物和粪便，使得距离测量更加容易和精确。

在第二次RTLS布局的实验中，仍然在机器人框架内放置了两个标签，标签朝向上方，以便与锚点保持直接的视线路径。这两个标签分别被称为“前端”和“后端”，分别位于机器人的重心和沿机器人轴线向后1米的标签。需要注意的是，只有前端标签用于定位机器人，而后端标签用于计算机器人的旋转角度。知道这两个标签的x和y坐标后，可以使用反正切函数计算出相对于轴的角度。

3.2.3. 第三次RTLS布局
尽管前两次布局存在问题，但在每个路线的起点仍无法实现更好的覆盖范围。因此，在第二排锚点的最左侧增加了一个额外的锚点“O”。锚点“O”与锚点“I”对齐，但与其他锚点略有偏移。图10显示了实验中使用的第三次也是最后一次布局。

由于之前的定位问题仍未解决，为了确保测量结果的准确性（不受人为误差影响），使用了Leica RTC360 3D激光扫描仪（https://leica-geosystems.com/products/laser-scanners/scanners/leica-rtc360）来进行第三次配置。Leica RTC360是一款紧凑且完全自动化的3D扫描仪，每秒可测量多达200万个点。该扫描仪的测量范围为0.5米到130米，适用于检测RTLS锚点的位置。3D扫描仪在10米以内的距离测量精度为1.9毫米，在20米以内为2.9毫米，在40米以内为5.3毫米。为了保持最佳精度范围，识别了多个扫描点。图11显示了用于完整扫描仓库的21个扫描点。从图中可以看出，扫描点的分布并不是按照固定模式进行的，而是随机选择的；这样可以避免死区并获得尽可能均匀的扫描结果。由于3D扫描仪安装在三脚架上，扫描到的表面是球形的，其下方有一个锥形死区，由于扫描仪的形状无法扫描到。此外，Leica RTC360内置了运动传感器，结合仪器中的摄像头，可以确定新扫描点相对于前一个扫描点的位置，从而加快了后期处理速度。

扫描完成后，使用Leica的专用软件处理了点云数据。然后使用Autodesk ReCap PRO软件分析了扫描结果。该程序允许用户在3D扫描中导航，并检测相对于指定系统原点的点位置。图12显示了从Autodesk ReCap PRO看到的仓库内部情况。为了获得与之前布局兼容的测量结果，系统原点被设置为之前使用激光测量仪时设定的原点。

在设置了参考系统的原点后，确定了安装的RTLS锚点的坐标。表5显示了更新后的RTLS网络中每个锚点的确切坐标。

3.3. 第三次RTLS布局
尽管前两次配置未能解决定位问题，但在每条路线的起点仍需要更好的覆盖范围。因此，在第二排锚点的最左侧增加了一个额外的锚点“O”。锚点“O”与锚点“I”对齐，但与其他锚点略有偏移。图10显示了实验中使用的第三次也是最后一次布局。

由于之前的定位问题仍未解决，为了确保测量结果的准确性，使用了Leica RTC360 3D激光扫描仪。Leica RTC360是一款紧凑且完全自动化的3D扫描仪，测量速度高达每秒200万个点。该扫描仪的测量范围为0.5米到130米，10米以内的距离测量精度为1.9毫米，20米以内为2.9毫米，40米以内为5.3毫米。为了获得最佳精度，识别了多个扫描点。图11显示了用于完整扫描仓库的21个扫描点。从图中可以看出，扫描点的分布是随机的，以避免死区并获得尽可能均匀的扫描结果。由于3D扫描仪安装在三脚架上，扫描到的表面是球形的，其下方有一个锥形死区。Leica RTC360还具有内置的运动传感器，通过摄像头可以知道新扫描点相对于前一个扫描点的位置，从而加快了后期处理速度。

在设置好了参考系统的原点后，确定了安装的RTLS锚点的坐标。表5显示了更新后的RTLS网络中每个锚点的确切坐标。BNO085集成了陀螺仪、磁力计和加速度计，以检测各个方向上的运动和加速度。该公司的特定版本配备了Arm Cortex M0处理器，用于读取传感器数据、将测量结果融合为可用数据并发送出去。具体来说，处理器会对检测到的数据进行处理和初步过滤。由于工作环境中铁含量较高，导致传感器出现问题，因此决定更换为Murata（https://solution.murata.com/）制造的高分辨率SCH1600陀螺仪。Murata的陀螺仪具有内置校准功能，其偏置不稳定性极低，约为0.5°/h。BNO085与SCH1600的主要区别在于后者没有磁力计，仅集成了三轴加速度计和三轴陀螺仪。

4. 结果
本节将讨论三种不同布局的性能结果与分析。需要注意的是，尽管大部分测试是在通道走廊进行的，但在最后一个测试区域也遇到了相同的定位错误。

4.1. 第一种RTLS布局
十五次实验活动揭示了在定位机器人标签时存在的许多问题。通过Qorvo提供的DRTLS应用程序，用户可以检查RTLS网络并监控标签与锚点之间的连接。在第一次RTLS布局的测试中，观察到在选择最佳锚点以计算标签位置时出现了异常行为。图13显示了标签在路径1和路径2上的典型连接情况。

在通道中进行的测试显示，y坐标的稳定性较高，但x坐标的不确定性较大。观察机器人标签的定位情况，发现x轴上的位置在实际测量值周围随机变化约一米。虽然y坐标对于确定机器人在车道内的行进方向至关重要，但x坐标同样重要，以确保避开路线上的墙壁。此外，观察到在相邻矩形（矩形A – B – F ? E和矩形C – D – H – G）之间的过渡点，所使用的锚点布局并不理想：在区域转换期间，系统由于使用的锚点数量变化较多且定位不精确而难以找到标签的位置。经过多次测试后，得出结论：问题在于即使只是短暂时间内需要在多个锚点之间定位标签，系统也无法确定最佳连接方式，尝试多种连接方式会导致定位错误，这是由于缺乏稳定时间和锚点坐标的不确定性造成的。这些变化显著恶化了标签的定位，使其在几秒钟内失去参考位置，从而影响导航算法。这些问题在车道1中更为明显，在车道2中稍轻一些，但仍足以影响自动驾驶。

4.2. 第二种RTLS布局
第二种RTLS布局与第一个布局的不同之处在于通道上的锚点密度更高。如上所述，第一个车道上锚点密度较高是由于与动物管理相关的物流原因以及测量锚点坐标更为方便。图14显示了使用DRTLS应用程序观察到的最常见的标签-锚点连接类型之一。可以看出，增加锚点数量有助于更准确地定位移动中的标签。由于RTLS网络使用“质量因子”参数来评估单个锚点与标签之间的连接质量，因此锚点密度的增加提高了整体质量因子。最明显的结果是，在两个相邻矩形之间的过渡区域不再出现异常现象。实际上，矩形A – B – F ? E和矩形B – C – G – F之间的转换现在更加平滑，标签位置波动较小。

尽管在接口区域确定标签位置方面有所改进，但在机器人沿选定路径移动过程中仍存在系统性错误。在第二次RTLS配置的十五次实验中，仅x坐标的确定有了显著改善。而x坐标则存在系统性误差，路径1上的误差范围为±2米，路径2上的误差范围为±1米。图15显示了两种路径上的RTLS标签定位误差。

图16展示了与第一条路径相关的上述系统性错误。这种错误与用于标签定位的锚点排列方式密切相关；由于RTLS网络使用多个对齐的锚点，这显著影响了标签定位的准确性。因为标签与锚点在同一直线上，RTLS网络无法通过三边测量法正确补偿定位误差；为了获得良好的结果，锚点必须围绕标签以适当的距离排列。三边测量法中的误差累积是由于例如锚点“M”和锚点“C”的定位误差方向相同，导致无法正确补偿。

由于这种现象仅与用于计算标签位置的锚点排列方式有关，因此决定继续在第二条路径上进行实验以优化标签-锚点定位。经过十五次测试后，尽管标签位于正确距离且被多个锚点包围，但仍存在约50厘米的系统性误差。尽管这种系统性误差不可忽视，但决定通过第三种配置进一步研究RTLS网络以尽可能提高性能。

4.3. 第三种RTLS布局
在第三种也是最后的RTLS网络布局中，将锚点“O”直接添加在机器人起始区域的正上方，以改善返回电池充电站时的定位。这种布局与前一种布局的不同之处在于测量仓库天花板上的锚点位置的方式，如方法部分所述。由于之前的锚点密集化未能解决问题，我们决定重新测量每个锚点的坐标以验证其准确性。使用了Leica RTC360扫描仪进行新的测量，因为根据制造商提供的特性，该扫描仪被认为非常可靠。图17显示了参考测量点。

使用Leica RTC360扫描仪扫描工作环境后，记录了每个锚点的坐标，并将其输入Excel电子表格中，以量化与激光测距仪测量结果的误差。表6显示了每个锚点的绝对位置误差，这些误差影响了移动标签的计算位置准确性。注意，对于标签“O”（即ID: 0xD7B9），没有“旧”坐标，因为它是在最后一个RTLS布局中添加的。

表6. RTLS锚点位置误差。
| Anchor | x [m] | x扫描 [m] | y [m] | y扫描 [m] | z [m] | z扫描 [m] | 误差 [cm] |
|-------|-------|---------|---------|---------|---------|---------|
| A | 23 | 4.96 | 4.94 | 6.99 | 7.13 | 6.15 | 6.24 |
| B | 4B | 5.04 | 4.94 | 19.60 | 19.75 | 6.15 | 6.24 |
| C | 0E | 92 | 5.06 | 4.91 | 33.91 | 34.06 | 6.20 | 6.23 |
| D | 7A | 54.96 | 4.85 | 48.92 | 49.11 | 6.17 | 6.23 |
| E | 3B | 61 | 13.63 | 13.57 | 7.55 | 7.69 | 3.11 | 3.42 |
| F | 5C | 83 | 13.54 | 13.53 | 20.30 | 20.45 | 3.13 | 3.49 |
| G | 8A | 2F | 13.70 | 13.50 | 34.22 | 34.36 | 3.12 | 3.48 |
| H | 18 | 88 | 13.64 | 13.44 | 49.20 | 49.41 | 3.14 | 3.48 |
| I | 08 | 55.15 | 4.97 | 2.18 | 2.20 | 6.15 | 18.0 |
| LD | 91 | 5.10 | 4.98 | 12.88 | 12.91 | 6.35 | 14.6 |
| M | 92 | 2B | 5.04 | 4.93 | 25.65 | 25.84 | 6.38 | 6.23 |
| N | BB | 25.05 | 4.90 | 40.41 | 40.52 | 6.20 | 6.23 |
| OD | 7B | 11.03 | 2.30 | 5.83 | ...

可以看出，激光测距仪测量的锚点坐标平均误差约为20厘米。这些误差是由于用作激光测距仪参考面的表面不平整造成的；而在Leica扫描仪的测量中不存在这些误差，因为不需要参考面，坐标是通过多次扫描合并计算得出的。在第二条车道内使用激光测距仪测量的坐标位置误差约为35厘米，其中z坐标的误差最大，这是由于路面条件不平且低于参考水平所致。

获得正确的锚点坐标后，使用DRTLS应用程序更新了它们的位置。随后进行了进一步的实验活动以验证更新坐标的正确实施。经过十五次测试后，系统能够准确定位机器人上的标签。实际上，修改坐标后，机器人能够在车道内自主移动，标签定位误差约为30厘米，与之前的研究结果（Volpi等人，2023B）一致。具体来说，每个数据集的前50个和最后50个值被丢弃，以排除标签稳定期间的测量数据。然后通过计算x轴和y轴的平均误差和标准差来分析清理后的数据集。标签的实际位置精确坐标来自为第三种RTLS布局创建的ReCap PRO 3D地图。

根据表7中的数据，RTLS系统估计的标签位置与实际位置的平均偏差约为30厘米。

表7. 不同参考点的平均误差（即Ex和Ey）和径向精度（以米为单位）。
| 标签位置 | Ex [m] | SDx [m] | Ey [m] | SDy [m] | 精度 [m] |
|--------|--------|---------|---------|---------|
| 10 | 180 | 0.03 | 20.45 | 60.09 | 50.49 |
| 7 | 10.18 | 0.03 | 20.45 | 60.09 | 50.49 |
| 50 | 10.7 | 0.04 | 50.51 | 70.04 | 30.58 |
| 30 | 10.05 | 0.07 | 90.00 | 80.22 | 90.04 |
| 15 | 10.02 | 15.01 | 90.25 | 40.06 | 40.03 |
| 30 | 10.19 | 10.02 | 15.01 | 90.25 | 40.06 |
| 7 | 10.02 | 15.01 | 90.25 | 40.03 | 40.23 |
| 19 | 10.07 | 10.02 | 15.01 | 90.25 | 40.03 |

由于机器人中心的标签位置较高，RTLS系统很少因动物存在而出现标签可见性差的问题。选择机器人上的标签位置可以在考虑到机器人自身大小的情况下，获得相对较低的误差平均定位。表8总结了其他使用相同Qorvo UWB模块的研究（如Knoll等人，2024；Ren等人，2021；D’Urso等人，2023）的设置和结果。为了清晰起见，SEWIO Leonardo标签采用了Qorvo技术来管理UWB部分，因此可以将其性能与其他采用原生Qorvo模块的系统进行比较。

表8. 与之前采用相同Qorvo RTLS模块的研究进行比较的总结表。
| 研究 | 监测表面 [m2] | 形状因子 [m × m] | 锚点数量 [个] | 锚点密度 [m?2] | 锚点网格大小 [m] | 平均误差 [m] |
|--------|------------|-----------------|------------|-----------------|------------|
| Ren等人，2021 | 546 | 42 × 13 | 88 | 0.015 | 10 × 10 | 0.39 |
| Knoll等人，2024 | 565 | 21 × 9.4 | 61 | 0.040 | 10 × 7 | 0.50 |
| D’Urso等人，2023 | 50 | 13 × 5.4 | 86 | 0.080 | 7 × 8 | 0.30 |

可以看出，所提出的解决方案在整体精度上优于其他配置；尽管需要一些考虑因素来正确评估结果。首先，如表7所示，精度会根据所研究点的坐标而变化，并不是在整个区域内均匀的。在某些标签位置（即1和2），准确性与其他研究中呈现的平均值一致，而在其他位置（3、4和5），准确性要高得多。（D’Urso等人，2023年）注意到准确性根据所考虑的位置和移动路径有很大的变化，这些结果与当前的工作一致。其次，由于Leica RTC360扫描仪为锚点分配了精确的坐标，第三种配置下的标签定位准确性显著提高，尽管本研究中谷仓内的锚点密度（0.020个锚点/平方米）处于所考虑研究中的较低范围。移动标签的位置是使用锚点的坐标作为固定参考点来计算的；因此，坐标和锚点的准确性越高，机器人标签的位置准确性也就越高。根据图18可以看出，DWM1000提供的坐标集偶尔会有一些异常值，这是由于Qorvo用于计算位置和谷仓布局的专有算法造成的。因此，开发了一种移动平均算法来尽可能检测并忽略这些异常值，如用于管理通用异步收发器（UART）RTLS通信和数据处理的GitHub代码所示。该代码在一个专门为开发者社区提供的仓库中共享（https://github.com/andreavolpi/BIDAbot_RTLS），包括不同的部分：•Arduino Due与DWM1000模块之间的UART通信模块。Qorvo提供了一些通用的C++ API库用于RTLS模块管理，但不幸的是，这些库并未针对Arduino IDE进行优化。基于这些库，实现了一个简单且低级别的通信软件模块来获取连接的标签的坐标。保持通信尽可能简单可以减少嵌入在Arduino板中的Atmel SAM3X8E CPU的计算负担。•通过UART接口接收的每个坐标（x、y和z）都以32位整数变量的形式表示，代表毫米级。使用millis()计时器和RTLS_polling_int参数来设置数据采集的频率，数据存储在一个由MAX_samples参数决定的循环数组中。•移动平均模块。RTLS_position_int参数设置了机器人计算自身位置和运行航向算法的时间间隔。当计时器结束时，会扫描之前提到的包含RTLS位置的数组，并忽略异常值来计算新的移动平均值。如果某个RTLS点与当前平均值之间的距离大于RTLSfilter参数，则认为该点是异常值。•RTLS校准程序。当机器人静止且没有任务运行时，可以调用RTLS校准程序以确定机器人的最准确初始位置。为了完整性，在上述仓库中，读者还可以找到在实地测量期间收集的数据集，这些数据集保存在用于数据处理的Excel文件中。4.4. 机器人定向BNO085传感器在谷仓外进行的初步测试中表现非常好。然而，在谷仓内部，由于环境条件不同，无论是在静态还是动态条件下，传感器都无法提供稳定的输出。由于传感器还使用了磁力计，因此进行了电磁干扰测试，观察到谷仓的结构起到了法拉第笼的作用，屏蔽并改变了传感器使用的地球磁场。因此，根据Adafruit Industries的建议，在谷仓内部对传感器进行了校准。多次校准稍微缓解了问题，但还不足以将传感器用作导航的参考。因此，放弃了BNO085传感器，转而使用没有磁力计的陀螺仪传感器。Murata制造公司的SCH1600传感器具有高稳定性和灵敏度，漂移值低。由于没有磁力计，该传感器不受电磁干扰的影响。进行的测试证实了传感器的高稳定性，因此选择它作为机器人的定向系统。最后，在静态条件和完全直线运动条件下进行了多次漂移测试；测试结果显示，传感器的漂移约为1.5°/小时。由于机器人的运行时间不足以产生过大的累积误差，因此认为陀螺仪传感器适用于该应用。根据传感器制造商提供的规格，为陀螺仪接口与导向系统设计了一个定制的PCB。图19显示了创建的PCB。5. 结论本研究提出并验证了一种创新的RTLS驱动的自主机器人，专为SBC应用设计。所提出的解决方案解决了智能农业中一个相关且尚未探索的挑战：通过精确的室内定位技术实现牲畜谷仓内粪便收集的自动化。与现有的依赖固定电缆、磁性引导或地板嵌入式标记的谷仓清洁机器人解决方案相比，所提出的机器人BIDAbot仅由安装在天花板上的UWB RTLS引导。这代表了从技术和应用角度的进步。本研究的主要贡献之一是证明了基于UWB的RTLS可以有效地支持在恶劣农业室内环境中的自主机器人导航。谷仓的特点是金属结构、潜在的电磁干扰、动态障碍物（如动物）和不平坦的地板；这些因素可能成为室内定位技术的障碍。尽管如此，通过涉及三种不同RTLS布局的广泛实验活动，本研究表明可靠的准确定位是可实现的。特别是，结果强调了RTLS的定位准确性不仅取决于锚点的数量，还取决于其空间坐标的精确度。本研究的一个关键发现是，锚点定位的不准确性可能会传播并放大定位误差，导致系统性的偏差，从而影响自主导航。在前两种RTLS布局中，尽管锚点数量增加，但沿特定轴的定位误差仍然显著，不适合机器人引导。这些误差归因于锚点几何形状不佳，更重要的是，通过传统手动方法获得的坐标测量不精确。为了解决这个问题，在第三种布局中采用高精度3D激光扫描仪重新测量锚点被证明是决定性的：通过将锚点位置误差从几十厘米减少到几毫米，RTLS的性能得到了提升，平均定位误差约为30厘米，甚至优于使用相同商用UWB RTLS模型的类似研究。另一个重要的贡献是通过对不同RTLS配置的比较提供的方法论见解：实验结果表明，如果锚点分布不良或对齐不当，仅增加锚点密度并不能保证定位性能的提高。相反，锚点必须在几何上包围被跟踪的标签，以实现有效的三边测量和误差补偿。这一发现对未来在谷仓和类似环境中的RTLS部署具有实际意义，表明需要系统的设计标准，而不仅仅是临时安装。因此，这项研究不仅提供了一个经过验证的应用，还提供了可以指导智能农业环境中RTLS网络设计的最佳实践的实证证据。从系统集成的角度来看，这项工作还展示了将RTLS数据与互补传感技术结合的重要性：虽然最初的方法依赖于两个RTLS标签来估计位置和方向，但实验结果表明，在谷仓环境中仅基于RTLS数据的方向估计是不稳定的。通过集成惯性传感解决方案（即无磁力计的高稳定性陀螺仪），成功解决了这一限制。除了技术方面，所提出的解决方案还具有重要的实际和社会经济意义。自动化粪便收集减少了重复性和体力要求高的劳动力需求，改善了工作条件，使农场操作员能够将资源分配到更高附加值的活动中。此外，系统地收集粪便使其能够作为肥料重新使用，加强了循环经济原则，并有助于环境可持续性。这也强调了项目的多学科性质，因为它结合了机械工程、工业工厂、计算机工程以及可持续性的元素。尽管结果很有前景，但仍需承认一些局限性。首先，该系统是在具有特定几何和结构特征的特定谷仓中验证的。尽管该方法可以在类似环境中复制，但锚点配置和校准程序需要适应其他环境。其次，当前研究主要关注定位准确性和导航可行性；长期稳健性、维护要求以及扩展到更大或更复杂谷仓的能力尚未得到解决。此外，虽然机器人原型功能齐全，但在机械设计、能源效率和操作自主性方面仍有进一步优化的空间。未来的研究可以从这些考虑出发。一个有前景的研究方向可能是开发谷仓的数字孪生模型，以在物理安装前模拟RTLS行为并优化锚点定位。这种方法可以显著减少设置时间和成本，同时提高定位性能。此外，将RTLS数据与先进的控制算法、机器学习或预测性维护工具相结合，可以提高机器人的自主性和适应性。长期的实地试验也将对评估系统在真实农业操作下的耐用性和用户接受度至关重要，还包括对所提出系统的成本效益分析，包括安装基础设施、校准要求、维护需求、可扩展性以及与其他商用谷仓清洁机器人的比较。此外，未来的研究和改进将集中在实际现场实施方面，包括障碍物检测、安全协议和粪便收集机制的超载监控，以提高操作安全性、机器人的机械可靠性和在真实条件下的长期适用性。资助这项研究由帕尔马大学通过Bando di Ateneo 2024 per la ricerca行动提供。作者贡献声明Letizia Tebaldi：写作——审稿与编辑、写作——原始草稿、验证、监督、资源、项目管理、方法论、调查、资金获取、形式分析、数据管理。Michele Bocelli：写作——原始草稿、验证、方法论、调查、形式分析、数据管理。Alessandro Carloni：写作——原始草稿、验证、方法论、调查、形式分析、数据管理。Marco Mambrioni：写作——原始草稿、验证、方法论、调查、形式分析、数据管理。Andrea Volpi：写作——审稿与编辑、验证、监督、方法论、调查、形式分析、数据管理、概念化。