基于增强规划器的果园土壤视在电导率密集近端感知自主实地机器人技术

《Precision Agriculture》：Dense Proximal Sensing of Soil Apparent Electrical Conductivity using Autonomous Field Robotics

　　

目的：现有的微灌果园土壤视在电导率（ECa）测量方法虽然有效，但由于传感器体积庞大以及在树冠下难以到达区域进行测量评估，导致耗时且劳动强度大。先前的研究表明，利用现有的理论规划器（如次佳动作规划器，NBA-P），机器人辅助的自主采样是可行的，且具有高度的准确性。然而，该方法未考虑电磁感应 - 视在电导率（EMI-ECa）测量的可扩展性和时间敏感性。本项工作通过一种增强的规划器解决了这些挑战，该规划器在考虑采样位置优先级的同时也考量了作业时间。方法：在轮式机器人上实施了一种实时规划算法，用于在大田范围内自主地对已知的特定地点进行采样。该规划器侧重于平衡可扩展性与作业时间。通过最大化访问的采样点数量同时保留已知特定地点的优先级，提高了规划器的可扩展性。通过使用时间作为监测任务进度的替代指标，考量了调查的作业时间。随后，在大型调查现场使用电磁感应（EMI）传感器执行了针对 ECa 的近端感知采样任务。结果：考虑采用密集采样方法以在时间限制内完成调查。所提出的规划器在分配的两小时（约 1 小时 44 分钟）内完成了调查。任务结束后，对收集到的 EMI-ECa 数据进行了处理，展示了空间和单株树木的测量结果，证明了所开发方法的有效性。结论：本项工作推进了果园中自主 ECa 调查的发展，提供了一种考虑了可扩展性、时间限制以及已知位置优先级的密集采样方法。

**基于增强规划器的果园土壤视在电导率密集近端感知自主实地机器人技术解读**

**研究背景与问题阐述**
土壤视在电导率（ECa）是反映土壤质地、水分及盐分等静态和动态属性的关键间接指标。在精准农业领域，利用电磁感应（EMI）传感器进行 ECa 测量已成为表征空间变异性和实施特定地点作物管理的重要手段。然而，现有的 ECa 测量方法主要依赖大型农机或人工手持设备，这些方式在微灌果园中应用时面临显著挑战：一方面，大型设备难以进入树冠下的微灌发射器附近区域，而该区域的测量数据最具农学意义；另一方面，人工操作劳动强度大且效率低下。虽然先前的研究提出了利用移动机器人结合次佳动作规划器（NBA-P）进行自主采样的方案，实现了高精度的稀疏采样，但现有方法未充分解决大规模 EMI-ECa 测量中的时间敏感性（如仪器热漂移影响）以及如何在有限时间内最大化采样密度（即可扩展性）的问题。因此，开发一种既能保证关键位置优先采样，又能兼顾作业时间约束和采样密度的全自主规划框架显得尤为迫切。

**研究内容、结论与意义**
本研究旨在开发一种用于 EMI 传感移动机器人的全自主框架，通过引入“尽力而为次佳动作规划器”（BE-NBA-P），实现在类似巷道结构的果园中进行密集的 ECa 采样。研究人员在美国加利福尼亚大学河滨分校柑橘研究站的华盛顿脐橙园（Field 13-B）进行了实地验证。研究结果表明，相较于传统的 NBA-P 算法，BE-NBA-P 能够在规定的作业时间（2 小时）内显著增加采样点的数量，成功完成了包含 248 棵树的果园调查，实际耗时约 1 小时 44 分钟。该方法不仅实现了对高优先级目标点的精准覆盖，还通过“割草机”式的遍历策略获取了高密度的土壤电导率数据，经后处理生成了高精度的空间分布图及单株树木尺度的 ECa 估算值。该研究成果发表在《Precision Agriculture》期刊上，其重要意义在于提出并验证了一种兼顾时间约束、采样优先级与密度的自主农业机器人作业范式，为实现果园尺度的精细化水分管理和土壤监测提供了高效的技术手段。

**关键技术方法**
本研究主要采用了以下关键技术方法：首先，构建了随机顶点成本巷道图（SAG）作为环境的离散化数学模型，将果园的行株结构转化为机器人可理解的路径规划拓扑结构，其中顶点代表任务位置，边代表可通行路径。其次，开发了核心算法 BE-NBA-P，该算法在原有 NBA-P 基础上进行了两项关键改进：一是将资源约束从能量预算调整为时间预算，以应对 EMI 测量的时间敏感性；二是引入了“割草机”式移动成本估算模型，迫使机器人在前往高优先级目标点的途中遍历并采样路径上的所有树木，从而实现密集采样。最后，集成了基于激光雷达（LiDAR）的实时定位与建图系统（AgLOAM），结合机器人操作系统（ROS）中的导航模块，实现了机器人在复杂果园环境下的自主避障与精准路径跟踪。实验样本队列来源于美国加州大学河滨分校柑橘研究中心农业实验站的'Washington'脐橙园（Citrus × sinensis Osbeck），该地块土壤类型为阿灵顿壤土。

**研究结果**
**模拟结果与对比分析**
研究人员在数字孪生环境中对比了 BE-NBA-P 与 NBA-P 的表现。结果显示，在单次任务和多重任务优先级的模拟场景中，BE-NBA-P 均能访问比 NBA-P 更多的采样点。特别是在多重优先级任务中，BE-NBA-P 能够智能地在前往高优先级区域的路径上顺带完成低优先级任务，避免了重复往返，从而在总耗时增加可控的前提下显著提升了采样覆盖率。此外，在缩减作业时间的压力测试中，该算法能根据剩余时间动态调整任务队列，合理放弃部分低优先级远端任务，确保机器人能安全返回基站。

**实地验证与密集采样分析**
在 Field 13-B 的实地测试中，机器人成功执行了包含 24 个高优先级任务的单次优先级使命。尽管部分数据因 GPS 轨迹偏差未被纳入单株分析，但整体数据显示，BE-NBA-P 驱动下的机器人成功在 6235 秒内完成了对 31 行 8 列果园的密集扫描。通过对采集数据的克里金插值处理，生成了连续的土壤 ECa 空间分布图，并提取了单株树根区的平均 ECa 值。结果表明，该方法能够有效捕捉果园内的土壤空间变异性，验证了其在真实农业场景中进行的密集采样的可行性与有效性。

**讨论与结论**
研究讨论部分指出，虽然离线标注采样点存在一定的人为误差导致部分数据丢失，但通过引入实时树干检测和多模态感知技术有望进一步优化采样点定位。机器人辅助的近端土壤感知正成为趋势，结合本文提出的规划算法，可大幅降低人工成本并提高数据质量。研究结论表明，本项工作贡献了一个经过实地验证的框架，通过扩展 NBA-P 算法，将作业时间作为任务进度的核心指标，成功解决了 EMI 仪器在大规模调查中的时间与密度矛盾。BE-NBA-P 算法在模拟和实地环境中均表现出优于传统方法的采样效率和覆盖率，能够在 2 小时内完成大型果园的密集调查，为果园尺度的精准灌溉管理提供了可靠的数据支持。未来的研究方向将集中在果园巷道图结构的自动生成以及采样点的实时动态优选上，以构建端到端的全自主作业流程。