《Smart Agricultural Technology》:From Perception to Prediction: A Systematic Review of AI-Enabled Livestock Monitoring and UAV-Based Architectures
对广域放牧系统进行监测具有挑战性,因为牲畜分散于大范围且环境多样的区域,限制了连续观测。尽管人工智能(AI)与无人机(UAV)技术已在牲畜检测、跟踪、行为分析以及跛行评估方面取得显著进展,但现有多数方法仍以感知为中心,本质上主要属于反应式范式。本综述追求两项主要目标。首先,系统梳理基于AI的牲畜运动预测方法,并重点关注其在健康监测情境下对UAV轨迹优化的适用性。其次,评估牲畜运动预测、UAV感知、轨迹控制与健康感知决策之间的集成程度,并识别预测性监测架构中的结构性障碍。依据PRISMA 2020指南,研究人员分析了2015年至2026年间涵盖感知、分析、预测与UAV运行的57项研究。综述结果表明,以感知为导向的任务已具有较高成熟度,尤其是行为分析与跛行评估,占全部纳入研究的61.4%。相比之下,基于UAV的监测仅见于19.3%的研究,运动预测仅占3.5%,且没有任何研究(0%)展示感知、预测与UAV控制的端到端闭环集成。主要局限包括纵向数据集规模较小、验证方式不一致、感知—预测—控制工作流碎片化,以及跨层互操作性较差。为弥补这些缺口,本文提出一种闭环UAV架构,将多模态感知、时序预测、自适应UAV协同以及福利感知监测相结合。研究指出,主要约束并非感知能力不足,而是缺乏由预测驱动、彼此协调的运行系统,而这类系统对于前瞻性且可扩展的牲畜管理至关重要。
1. Introduction
本文围绕广域放牧场景下牲畜监测困难这一现实问题展开,指出牲畜分散、环境异质性强以及人工巡检有限,导致传统观察方式难以支撑连续化、操作层面的管理需求。在此背景下,精准畜牧业(Precision Livestock Farming, PLF)逐渐成为实现规模化监测与数据驱动决策的重要路径。文章强调,人工智能(AI)与无人机(UAV)的结合为非侵入式、大范围牲畜监测提供了有前景的技术方案,尤其适用于地面方法难以高效覆盖的分散式放牧环境。
文章进一步回顾现有研究进展,指出在任务层面,检测、定位、计数、行为识别和跛行诊断等能力已较为成熟。基于UAV影像和卷积神经网络(Convolutional Neural Network, CNN)的视觉系统在真实环境中的牲畜识别与定位表现较强;而结合佩戴式传感器与视频分析的经典机器学习(Machine Learning, ML)和深度学习(Deep Learning, DL)方法,也在行为分类和跛行检测中取得较好效果。常用数据来源包括加速度计、惯性测量单元(Inertial Measurement Unit, IMU)以及时空视频数据。与之相对,面向未来时刻的动物运动预测研究明显不足,多数系统仍停留在对历史或当前状态的解释层面,缺少对未来移动趋势和UAV自适应调度需求的前瞻性建模。
本文的核心观点是:牲畜运动预测不应被视为边缘分析任务,而应被视为连接感知输出与预测性自适应监测的中间协调层。文章提出五项主要贡献,包括:从架构视角重新解释现有文献,将感知导向研究视为基础感知组件;系统评估运动预测、UAV感知、轨迹管理与健康决策之间的运行关联;识别限制预测驱动监测架构的五类结构性障碍;提出证据驱动的闭环UAV监测框架;并构建未来研究议程,以支持向前瞻性、可互操作、福利感知型监测系统转型。
1.1. Review Objectives and Scope
本节明确了综述的两个主要目标:其一,系统梳理基于AI的牲畜运动预测方法,重点考察其对基于UAV的轨迹优化在健康监测中的适用性;其二,评估牲畜运动预测、UAV感知、轨迹控制和健康感知决策之间的运行集成程度,并识别限制预测性、优化驱动监测架构形成的结构障碍。文章说明综述采取系统层面的视角,不将检测、跟踪、行为分析和跛行评估视为运动预测的替代,而是将其视作预测与UAV决策所依赖的前置使能层。
2. Methodology
本文采用系统综述(Systematic Literature Review, SLR)方法,并遵循PRISMA 2020规范。整体流程包括规划、执行与综合三个阶段。规划阶段界定综述范围、分析视角和数据库配置;执行阶段完成文献检索、筛选和资格评估;综合阶段则按监测任务、感知模态、分析方法以及系统层集成特征进行组织。由于纳入研究在感知配置、建模方法、数据格式和评估方式方面异质性较强,作者未开展定量Meta分析,而采用结构化叙述综合方式,以支撑跨感知、行为推断、时序预测与UAV协同层面的比较分析。
文献来源包括Scopus、Web of Science和IEEE Xplore,时间范围设定为2015—2026年。检索策略围绕三个布尔检索块展开,分别对应牲畜运动预测、UAV支持的牲畜监测,以及UAV+AI的牲畜检测/跟踪。纳入标准要求研究涉及牲畜监测、采用AI分析、报告数值评估结果,并基于真实或仿真运行环境。为保证方法与实现细节的完整性,会议论文、学位论文、书章和灰色文献被排除。最终提取的信息包括感知模态、物种、监测任务、建模策略、输入表示、数据集结构和评价指标。
3. Results
本节综合展示纳入研究的语料构成、时间趋势、任务分布、主导性AI监测范式、UAV特征、运动预测方法、系统集成能力分布及预测系统的方法学约束。
3.1. Study Selection and Corpus Overview
依据PRISMA流程,研究最终纳入57篇文献。初始检索得到2539条记录,去重后筛选1659条标题与摘要,进一步评估153篇全文,最终保留57篇用于综合分析。虽然检索时间跨度为2015—2026年,但最终纳入研究均发表于2018—2026年,表明AI牲畜监测仍处于较新的发展阶段。物种方面,研究明显偏重牛,对羊、山羊和猪的研究相对较少。场景覆盖舍饲、户外牧场以及室内外混合系统。
感知方式呈现明显多样性:UAV搭载红绿蓝(Red, Green, Blue, RGB)相机是大范围监测最常见的方法;固定地面视觉更适合细粒度行为与步态分析;加速度计和IMU广泛用于行为建模;全球定位系统(Global Positioning System, GPS)常用于总体运动模式分析。部分最新研究开始尝试融合环境、视频和佩戴式传感数据。数据集规模差异显著,标注真值多数仍依赖人工或专家判定,如边界框、行为标签与兽医评分,自动化真值构建相对少见。
3.2. Temporal Trends and Task Distribution
为保证分析一致性,作者将57项研究归为六类任务:检测(DET)、跟踪(TRK)、行为分析(BEH)、跛行检测(LAM)、运动预测(MOV)与传感器验证(SEN)。结果显示,2020年后研究数量显著增长,其中行为分析和跛行检测占主导。整体上,BEH与LAM合计占61.4%,UAV监测占19.3%,显式运动预测仅占3.5%,而端到端闭环集成为0%。该结果揭示出文献在任务成熟度上的明显失衡:感知与判别类研究快速发展,但预测与系统协同能力明显不足。
3.3. Dominant AI Monitoring Paradigms
文章进一步从感知模态、建模策略与输入表示三方面分析主导范式。视觉检测与跟踪主要依赖UAV或地面RGB影像,并采用CNN架构。基于传感器的行为建模主要使用加速度计时间序列,结合经典ML或DL模型。视觉步态与姿态分析则常将姿态估计与时空建模结合,用于跛行检测。总体上,不同任务已形成较为稳定的技术路线,但这些路线多停留于单任务优化层面,尚未自然过渡为跨层协同系统。
3.4. UAV-Based Monitoring Characteristics
纳入研究中共有11项涉及UAV监测,且均以商用无人机搭载RGB成像传感器为主。应用场景主要集中在检测、计数和空间分布分析。少量研究进一步扩展到放牧密度估计、活动分类、自主导航和群体跟随等任务,说明UAV能力并不局限于静态图像采集。然而,这些研究大多仍以观测驱动为核心,尚未形成由预测结果驱动的飞行路径重规划和监测优先级控制。
3.5. Movement Prediction and Trajectory Modeling
仅有两项研究明确处理牲畜运动预测问题。一项采用长短期记忆网络(Long Short-Term Memory, LSTM)混合框架进行基于GPS序列的短时轨迹预测,另一项基于轨迹时序特征预测分娩事件。这表明牲畜时序预测在技术上可行,但现有研究仍处于分析隔离状态,未与UAV感知、自适应轨迹优化、监测优先级调整或福利感知决策建立运行联系。文章特别指出,这一不足并不意味着更广泛的动物运动生态学领域缺少轨迹建模,相反,隐马尔可夫模型(Hidden Markov Model, HMM)、状态空间模型和步进选择函数等方法已有长期积累,只是尚未有效迁移到AI赋能的UAV牲畜监测架构中。
3.6. Integrated Capability Distribution
从系统能力视角看,行为分类与跛行分析构成当前文献中最成熟的能力簇,其次是UAV监测;运动预测则极少见。没有任何研究实现感知—预测—UAV控制的闭环集成。这表明当前研究虽在局部任务上精细化程度较高,但跨模块连接与运行闭环能力严重不足。
3.7. Methodological Constraints in Predictive Systems
作者总结了当前预测与集成系统面临的若干方法学限制,包括:真值构建依赖人工导致主观性与可扩展性受限;许多研究样本量小且来自单一农场,数据多样性不足;验证策略高度异质,难以跨研究比较;实验条件多为受控或半受控环境,生态有效性有限;部分系统依赖理想化假设,如GPS始终可用、相机位置固定、动物移动模式简单等。总体而言,现有研究虽已在感知导向监测上取得进展,但在感知、时序预测与UAV控制的集成方面仍较弱。
4. Discussion
讨论部分从系统层面解释结果,指出当前主要瓶颈已不再是“能否检测或分类”,而是“如何将感知结果转化为协调的预测模型与可执行决策”。
4.1. Fragmented Monitoring Architectures and Task-Level Maturity
本节指出,当前文献的根本局限在于感知、建模、预测与UAV操作层之间的协调碎片化。尽管各组件性能提升明显,但大多独立开发,缺乏统一监测系统中的互操作性。物种、传感器、数据集、验证设计及部署环境的异质性,不仅妨碍直接比较,也构成系统集成障碍。多数研究依赖小规模、特定情境数据集,限制了可泛化预测模型的发展。检测、跟踪、行为与跛行任务之所以占主导,在于它们可利用短时观察或快照式输入完成;而显式运动预测需要高时间分辨率、跨环境、连续观测数据支撑,因此发展缓慢。文章据此将运动预测界定为把感知信息转化为UAV自适应引导与前瞻监测的关键协调层。
4.2. Persistence of Observation-Driven (Reactive) UAV Monitoring
本节强调,大多数UAV牲畜监测研究仍采用基于单帧或短窗口的观测驱动流程,系统性能主要由检测精度决定。虽然跟踪系统已支持时序身份关联,但本质上仍是回顾式跟踪,而非面向轨迹预测的前瞻系统。现实部署中,环境变化、群体遮挡、运动动态、算力与能耗约束、电池续航、载荷能力、通信时延以及监管要求共同限制了复杂时序模型在UAV上的实时应用。因此,现有系统倾向采用轻量感知模型,而非高成本预测架构。文章同时将UAV放入更广义的非侵入式监测技术谱系中加以比较,指出UAV应被视为固定式、佩戴式和其他非接触传感技术的补充,而非替代。其优势在于快速覆盖大范围、难到达区域,劣势则在于观测间歇性强、续航与天气敏感,且可能对动物造成扰动。
4.3. Disconnected Forecasting and Health-Aware Modeling
本节指出,轨迹预测尚未有效接入多模态感知流水线和UAV运行引导。已有预测研究样本量小、场景单一,限制了场地级迁移能力。牲畜运动受到天气、地形、群体交互、饲草与水源分布以及管理实践等多重因素影响,因此真实环境中的预测不确定性较高。与此同时,健康与福利分析也存在类似断裂:虽然行为与跛行研究较多,但其输出通常是静态终端结论,缺乏作为未来运行决策输入的连续状态表示。文章认为,真正的挑战不在于单独的传感器或分析模块,而在于如何将行为推断、时序预测与UAV自适应机制整合为统一决策框架。
4.4. Closed-Loop Monitoring Architecture and Research Directions
这是全文最核心的综合性贡献。作者提出一个基于证据归纳的闭环UAV牲畜监测架构,包含五层:多模态感知与数据采集、行为与健康状态建模、时序运动预测、预测引导的UAV决策与轨迹控制、健康感知监测与反馈。该架构并非经过完整实证验证的端到端系统,而是基于已成熟的组件能力和当前缺失的协调路径所构建的综合框架。
在多模态感知层,系统可整合UAV影像、GPS、加速度计、无线定位及环境变量,形成时间戳对齐的状态输入。在行为与健康建模层,经典ML、CNN、全卷积网络(Fully Convolutional Network, FCN)、双向长短期记忆网络(Bidirectional Long Short-Term Memory, BiLSTM)、姿态估计与多模态分类器可输出行为概率、跛行评分和健康风险指标。时序运动预测层可采用HMM、状态空间模型、步进选择模型、LSTM/门控循环单元(Gated Recurrent Unit, GRU)、LSTM–Kalman混合模型及概率式轨迹模型,生成多时域位置预测、占用区域与不确定性边界。随后,这些预测结果在UAV控制层被转化为航点优先级、路径重规划、重访调度、覆盖分配和控制指令。最后,健康感知反馈层可利用规则驱动优先级、风险逻辑、异常检测和在线更新机制形成干预告警、任务更新与模型迭代。
作者还提出了一个可重复的仿真验证协议,包括五个阶段:数据准备、状态生成、预测模型比较、UAV规划策略比较以及多场景评估。评价指标不仅覆盖预测误差,如平均位移误差和终点位移误差,也包括系统指标,如目标动物观测比例、首次观测时间、平均重访间隔、路径长度、能量代理、漏检高风险事件和任务完成率。该设计旨在将组件级评估与系统级验证区分开来,为未来从感知导向转向预测引导的UAV协同研究提供可测试路径。
4.5. Practical, Welfare, and System Implications
文章指出,预测驱动监测在实践、动物福利与政策层面均具有重要意义。从实践角度看,预测方法可依据预期运动和风险模式动态分配UAV资源,从而提高监测效率并减少无效覆盖。从福利角度看,将健康指标纳入预测框架有助于由反应式干预转向更早期的主动干预,提升健康结局并降低长期福利风险。这也进一步说明建设纵向数据基础设施、标准化评估协议和跨学科系统研究的重要性。
4.6. Strengths and Limitations of the Review
本文的优势在于从感知、建模到控制进行系统级综合,并以结构化分析框架支撑结论。其局限在于仅纳入选定数据库与英文文献,可能遗漏部分会议论文中的最新技术进展;研究设计、传感器配置和报告标准差异也限制了定量综合。此外,所提闭环框架仍为概念性、综合性方案,尚未通过真实多环境端到端部署验证。
5. Conclusion
结论部分总结指出,2015—2026年间AI赋能牲畜监测研究已在检测、行为分析与跛行评估等感知型任务上取得显著进展,但文献整体存在显著结构失衡:行为与跛行研究占61.4%,UAV监测占19.3%,运动预测仅占3.5%,且没有研究实现轨迹预测、UAV自适应与健康感知决策的闭环协同。当前限制主要包括工作流碎片化、纵向数据不足、验证不一致以及对基于单帧观察范式的依赖。为此,文章提出了一个整合多模态感知、时序预测、UAV轨迹管理与福利感知监测的闭环架构,强调未来突破重点不在于继续提升孤立感知模块精度,而在于建立可互操作、以预测为导向的运行系统。