PhenoRob-P：一种用于盆栽植物高通量表型分析的自主机器人系统

《Plant Phenomics》：PhenoRob-P: An Autonomous Robotic System for High-Throughput Phenotyping of Potted Plants

　　

高通量表型分析（high-throughput phenotyping）对于解析基因型-环境互作（genotype-by-environment interactions）和加速作物育种至关重要。在温室盆栽植物系统中，狭窄过道、全球导航卫星系统（GNSS）拒止环境、可变花盆布局以及植物级别数据可追溯性限制了可重复的自动化表型分析。本研究介绍了PhenoRob-P，一个为结构化设施环境中盆栽作物设计的模块化自主机器人系统。该系统集成了紧凑型两轮差分底盘、用于行级别导航的LiDAR-视觉融合框架（LiDAR–vision fusion framework）、花盆级别目标识别与局部对准、一个带有基于逆运动学实时位姿补偿的六自由度机械臂（six-degree-of-freedom robotic arm）以实现可重复的多视角近距成像，以及一个用于任务调度、远程监控和闭环数据管理的三层用户-云-机器人平台（User–Cloud–Robot platform）。温室验证结果显示，在连续扫描模式下通量可达520盆/小时，在多视角精细检测模式下为187盆/小时。在0.2–0.3 m/s的行进速度下，平均终端定位误差保持在30 mm以内，约87%的横向和纵向误差在±30 mm范围内。生物学验证结果表明，研究人员实现了小麦的时程胁迫表型分析，其中颜色指数（color indices）捕捉了干旱进程和复水恢复。对于玉米，多视角三维重建（multi-view three-dimensional reconstruction）估计的株高（plant height）和茎粗（stem diameter）与人工测量相比，R2值分别为0.940和0.845。这些结果表明，PhenoRob-P为盆栽作物提供了集感知-定位-采集-分析于一体的工作流程，实现了高通量、可追溯且具有时间分辨率的表型分析。

**论文解读：PhenoRob-P——面向盆栽植物高通量表型分析的自主机器人系统**

**研究背景与意义**
高通量表型分析是连接基因型与表型的关键技术，在现代作物育种、功能基因组学和胁迫生物学中具有核心作用。在设施农业中，温室等受控环境支持全年栽培、精确环境调控以及同一植物发育阶段的重复观测，但其价值不仅在于环境可控性，更在于能否在整个作物生命周期内准确、重复、大规模地获取表型数据。然而，在盆栽作物生产系统中，追踪全生育期表型面临特殊挑战：狭窄过道、复杂设施结构、密集栽培布局、周围设施频繁遮挡，以及全球导航卫星系统（GNSS）信号拒止环境，使得可靠自主导航与植物级别身份关联变得困难。现有表型平台（如传送带系统、龙门架系统、无人机和地面机器人）各有局限：固定式平台依赖基础设施且视角固定；无人机在近距传感和空间一致性方面受限；地面机器人虽在田间场景中展现了自主性状获取的可行性，但在盆栽场景中仍缺乏植物特异性、可重复的多角度观测能力。为此，研究人员开发了PhenoRob-P自主机器人系统，旨在解决GNSS拒止狭窄行间的可靠操作、表型数据与单个花盆的稳健关联、以及重复多角度采集中的几何一致性问题。该论文发表在《Plant Phenomics》。

**主要技术方法**
PhenoRob-P采用模块化架构，集成紧凑型两轮差分底盘（尺寸65 cm×50 cm×30 cm，轮距44 cm）、用于全局定位与行级别导航的2D LiDAR（Oradar ms500）与惯性测量单元（IMU）及侧视RGB-D相机（RealSense D435i）构成的LiDAR-视觉融合导航框架、基于YOLOv11深度学习模型的花盆检测与光学字符识别（OCR）的标签识别模块、六自由度机械臂（Realman RM65-B，额定负载5 kg，工作半径610 mm，重复精度±2 mm）并配备末端执行器传感器（Azure Kinect DK RGB-D相机）的自适应多视角采集模块，以及基于Vue.js+Flask框架的三层用户-云-机器人管理平台。系统采用面向任务的工作流程：Slam_toolbox构建全局地图→用户指定路径起点和终点→机器人导航至起点→侧视相机实时检测花盆空间位姿→OCR识别ID并与任务匹配→局部对准算法调整机器人位姿（距离花盆30 cm处）→机械臂按预定义视角序列（如前、顶、左、右）执行多视角成像，并通过基于解析逆运动学的实时位姿补偿（角偏差<0.5°，平移偏差<2 mm）确保几何一致性。实验在华中农业大学两个结构相同的玻璃温室（12 m×15 m）内进行，小麦干旱胁迫实验使用15个品种、每品种6个重复，通过断水至土壤相对含水量30%后复水至80%诱导干旱；玉米三维表型实验采集单株多视角RGB图像进行三维重建。

**研究结果**
**3.1 实验方案与评估指标**
研究人员定义了两种工作模式：连续扫描模式（0.2 m/s行进，侧视相机30 fps采集）和多视角精细检测模式（机器人停驻后机械臂执行预定义视角序列，并验证位姿一致性后才触发采集）。评估指标包括表型通量、定位精度和生物学验证中的表型指标相关性。小麦实验在干旱胁迫前、中、后阶段每日或每2日采集数据；玉米实验通过机械臂按5个垂直扫描角度自上而下采集，重建后提取株高和茎粗并与人工测量对比。

**3.2 表型效率与定位性能**
连续扫描模式下，机器人约6分钟完成两个温室的全部数据采集，对应通量约520盆/小时；多视角精细检测模式约需18分钟，通量约187盆/小时。这表明连续扫描模式适合快速大规模筛查，而多视角模式提供更丰富的信息。定位实验中，在0.2 m/s行进速度下，纵向偏差均值为15.6 mm（标准差9.8 mm），横向偏差均值为10.5 mm（标准差7.8 mm），最大偏差均为32 mm；当速度增至0.3 m/s时，纵向偏差均值升至23.8 mm（标准差12.6 mm，最大42 mm），横向偏差保持稳定（均值11.1 mm，标准差8.1 mm，最大36 mm）。约87%的双向误差在±30 mm以内，说明LiDAR-视觉融合导航框架能有效满足温室窄行的高通量表型定位需求。

**3.3 生物学验证结果**
小麦干旱胁迫实验中，机器人通过背景分割（精度98%，平均交并比85%）提取绿色面积比（GAR）、黄色面积比（YAR）和黄绿比（YGR）。以代表性品种为例，干旱早期（第1-3天）GAR维持在0.80左右；第4-8天GAR显著下降、YAR上升；第10-14天症状加重；复水后GAR部分恢复、YAR略降，表明系统能捕捉干旱发生、发展和部分恢复的表型变化。玉米三维表型实验中，机器人获取多视角图像并重建详细三维结构，自动提取的株高与人工测量R2=0.940，茎粗R2=0.845，表明系统能恢复主要结构性状，为生长分析和结构表型提供一致数据。

**讨论与结论**
讨论部分指出，PhenoRob-P填补了现有表型平台在结构化盆栽生产环境中的特定空白：可重复的植物特异性表型分析。其定位误差应视为表型重复性的先决条件，而非单纯的导航结果。系统的核心贡献在于工作流程集成，而非单一组件，特别是LiDAR引导的行遍历、视觉目标确认、局部对准与机械臂自适应感知的组合构成了完整的任务导向表型流程。两种应用场景的性能差异反映了采集效率与结构完整性之间的实际折中：小麦采用标准化四视角策略适合全生育期高重访监测；玉米采用更高自由度的机械臂多角度扫描，虽降低通量但为三维重建提供了更丰富的几何支持。讨论也指出当前局限：在严重叶片重叠的密集冠层或多层栽培设施中目标分离和近距观测仍具挑战；当前依赖花盆标签进行目标关联，尚未实现完全无标记长期追踪。未来方向包括无标记植物重识别、更鲁棒的3D感知与自适应视角规划、在线数据质量评估与多机器人协调。

结论部分翻译：本研究开发了PhenoRob-P，一种用于盆栽植物生产环境的自主机器人表型系统，旨在在狭窄过道和GNSS拒止温室条件下实现可重复、植物特异性且具有时间分辨率的数据采集。其主要贡献不在于提出全新的通用机器人算法，而在于建立了一个面向任务的表型框架，将紧凑移动操作、LiDAR-视觉协同定位、花盆级别目标关联与局部对准、基于机械臂的自适应多视角采集以及云使能任务与数据管理集成到统一工作流程中。在受控环境农业背景下，该集成设计为固定基础设施表型系统与传统移动平台之间提供了实用桥梁，兼具地面机器人的部署灵活性与盆栽级别表型分析所需的可重复传感器-植物关系，从而支持全生育期表型追踪、结构性状量化及育种导向数据采集。当前平台最适用于结构化或半结构化温室环境，其中目标植物相对可及且机器人有足够操作空间。其在密集商业冠层、多层栽培和高异质生产环境中的应用仍受限，且当前工作流仍依赖基于标识符的目标关联。未来研究将聚焦无标记植物重识别、遮挡场景下的鲁棒感知、在线任务规划与数据质量感知采集的集成，以及更经济的模块化配置，并扩展至具身智能农业机器人与多机器人协调表型。