《Agronomy》：Application Analysis of Swarm Control Technology in Orchard Agricultural Production
群控技术（Swarm Control Technology）利用人工智能（Artificial Intelligence, AI）算法协调多个设备，为开发果园管理中的精准化（Precision）和智能化（Intelligent）作业系统提供了有效解决方案。本文聚焦于群协调（Swarm Coordination）的核心技术，并参考国内外研究，综述了协同通信（Collaborative Communication）、路径规划（Path Planning）、任务分配（Task Allocation）和编队控制（Formation Control）的研究现状。基于果树的完整生长周期，包括监测（Monitoring）、精准管理（Precision Management）和收获（Harvesting），本文总结了各阶段群控技术（Swarm Control Technology）的应用与研究进展。此外，本文指出了在果园环境中应用群技术（Swarm Technology）的关键挑战，包括异构系统协同（Heterogeneous System Coordination）效率低、对动态条件（Dynamic Conditions）响应延迟、大规模群系统（Large-Scale Swarm Systems）资源受限以及农业情境（Agricultural Contexts）适应性有限，并提出了应对这些局限性的战略建议。
1. Introduction
文章指出水果产业作为专业化农业的重要组成部分，面临机械化率低、劳动力结构性短缺和作业标准化程度低等挑战。农业机器人和无人机（Unmanned Aerial Vehicle, UAV）技术的突破为传统农业转型注入新动力，但单机系统在果园环境中存在效率低、续航不足等问题。群技术（Swarm Technology）源自生物群集概念，通过人工智能算法实现多智能体科学配置与高效协调，可分为同构群（Homogeneous Swarm）和异构群（Heterogeneous Swarm）。群机器人系统具有灵活性、可扩展性、鲁棒性和可持续性四大核心优势，在移动网络覆盖和复杂环境救援中已展现显著优势，尤其是空地协同异构群系统通过跨域平台集成大幅提升了任务效率。当前群控技术在开阔田地环境已趋成熟，但针对果园生产全过程的系统综述尚存在空白，因此本文围绕果园监测、精准管理和收获三个阶段系统梳理群控技术的应用现状与研究进展，并探讨关键问题与发展建议。
2. Materials and Methods
本研究采用叙述性综述方法，预设检索与筛选协议，综合2015至2026年间群控技术在果园作业（包括收获、喷洒、灌溉、监测和修剪）中的应用进展。信息来源包括Web of Science核心合集、IEEE Xplore数字图书馆和中国知网（China National Knowledge Infrastructure, CNKI），最终检索日期为2026年7月23日。检索关键词分为三组：群控相关（群、多机器人、编队控制、任务分配）、农业场景（果园、水果、葡萄园、精准农业）和作业过程（收获、喷洒、灌溉、监测、修剪）。纳入标准为聚焦群或多机器人控制在果园或农业场景中的应用、同行评审期刊或会议论文、英文或中文发表；排除纯理论研究、重复发表及非英中语言。检索获得350条记录，去重后305条，经标题摘要筛选排除180条，全文评估后最终纳入106篇，其中95篇英文、11篇中文，95篇期刊文章、11篇会议论文。
3. Key Technologies in Swarm Coordination
群系统根据组织架构分为集中式、分布式和混合式三类。集中式采用主从配置，主机器人完全控制并负责系统级协调；分布式无层级，各智能体自主运行并通过交互实现协调；混合式动态生成上层领导智能体，对下层智能体实施部分控制。当前研究主要集中于集中式和分布式架构。本节围绕协同通信、路径规划、任务分配和编队控制四个关键组件展开分析。
3.1. Cooperative Communication
群系统通信包括智能体与中央控制单元之间以及多智能体之间的对等通信，连续通信是路径规划、任务分配和编队控制的基础。智能体与控制中心通常依赖远程控制链路，智能体间通信主要采用Wi-Fi、Zigbee和蓝牙等无线技术。射频（Radio Frequency, RF）通信存在带宽限制，Wi-Fi和Zigbee易受电磁干扰。在农业应用中，Wi-Fi和蓝牙常用于耕作，Zigbee用于果园监测和除草。单节点功耗虽低，但群规模扩大时累计能耗线性增加，电子元件寿命（3-5年）短于机械本体，产生运维成本和电子废弃物，未来应采用低功耗广域网分层架构和软件定义无线电。在精准农业中，集成数字罗盘、全球定位系统（Global Positioning System, GPS）接收器和Wi-Fi传输可实现机器人间（Robot-to-Robot, R2R）通信。在桃园密冠环境中，基于Wi-Fi信号改进的Ad Hoc按需距离矢量路由协议（AODV-SP）可增强通信可靠性。无人机群通信中，采用特定发散角的光通信方案可在指定角度保持100 Mbps传输速率，适用于空地和空对空场景。为了缓解网络重构时的性能下降，平滑切换函数可防止拓扑变化引起的瞬态速度波动和能量浪费。在缺乏全局通信和定位能力时，智能体仅依赖短距离通信和基本运动控制实现协同目标搜索，基于光信号的人工多信息素系统和机器人链模型等分布式方法已得到验证。针对异构机器人群的安全通信，基于区块链技术的去中心化通信方案已建立可靠网络拓扑模型并验证了有效性。
3.2. Path Planning
多智能体作业中环境复杂动态，路径规划确保群机器人安全、可靠、高效地穿越障碍物密集环境。现有方法分为集中式和分布式两类：集中式将群视为统一系统，合并所有自由度并生成全局解；分布式为每个智能体独立规划后通过协调机制处理碰撞，最终整合为群策略。单智能体路径规划方法包括传统算法（Dijkstra、A*、概率路线图（Probabilistic Roadmap, PRM）、快速探索随机树（Rapidly Exploring Random Tree, RRT））和群体智能算法（遗传算法（Genetic Algorithm, GA）、蚁群优化（Ant Colony Optimization, ACO））。在通用路径规划中，Tube-RRT*方法通过平衡间隙体积和路径长度，使群机器人快速平滑穿越障碍物。针对未知环境中的多机器人路径规划，将概率窗口机制引入多目标粒子群优化（Multi-Objective Particle Swarm Optimization, MOPSO）算法，通过结合传感器输入和先验知识分配可达位置的概率分布，选择更优路径。人工智能为群路径规划提供了强化学习、进化计算、群体智能和图神经网络四类主流方法。对于微机器人群的动态路径规划，增强型双向快速探索随机树（EB-RRT*）算法结合图像引导运动控制器实现移动目标跟踪，并开发了目标脉冲算法。针对异构无人机群系统模型表示不完整的问题，多目标进化算法通过考虑飞行距离、时间和能耗生成更高效的群路线。在农业生产中，针对作物健康数据采样任务，需要围绕感兴趣区域生成路径并构建增强规划空间以确保均匀采样。对于拓扑结构复杂的农田，需要地面机器人和无人机群的协同部署，并应用多种算法优化路径。
3.3. Task Allocation
任务分配是群系统自主控制和任务执行的基础，根据实时需求确定智能体的数量、类型和作业范围，同时考虑任务规范、智能体能力和载荷限制等多重约束。任务分配算法按控制架构分为集中式和分布式两类。集中式依赖全局信息进行全局规划，适用于可预测环境中的大规模重复性作业（如喷洒和除草），要求较低的系统鲁棒性；分布式仅使用局部信息，提供高响应性和灵活性，适用于动态场景（如害虫监测和收获），在遮挡和环境不确定性下通过局部信息交换确保连续稳定运行。当前面临动态任务处理、大规模任务分配、异构空地系统协调、算法性能优化和应用场景适应性等复杂挑战。在动态未知环境中，基于最优质量传输（Optimal Mass Transport, OMT）理论的方法通过自适应分组和负载均衡重分配实现大规模动态任务分配。针对分布式异构无人机群，基于扩展合同网协议的方法在多重约束下实现协调侦察-打击任务和多目标分配。在农业应用中，基于改进蚁群优化算法的动态和静态协同任务分配模型支持多农机任务分配。在实际应用中，任务分配常需与路径规划和协同通信集成：将层次化分散概念引入任务分配与搜索路径规划紧密耦合，动态调整区域机器密度并在有限通信和智能体故障下保持鲁棒性；基于混合整数线性规划（Mixed-Integer Linear Programming, MILP）的异构空地协同多目标检测模型，结合改进遗传算法增强的分支定界法（IGA-B&B）同时实现最优任务分配和路径规划；受粒子群优化启发，利用改进群拓扑通信的分布式动态任务分配算法减少消息交换并加速收敛。
3.4. Formation Control
编队控制是群系统执行任务的基础，核心挑战包括编队生成、重构和维护，其中生成最关键。多智能体编队有直线、V形和圆形等结构，分别适用于狭窄通道、降低能耗和扩大覆盖面积以及协同执行任务。编队控制方法分为集中式和分布式，集中式需要全局信息，适用于统一协调场景；分布式提供更高灵活性，适应动态环境。集中式编队控制中，领航者-跟随者法基于相对位置保持编队，适用于固定行距的果园运输；虚拟结构法将编队视为刚体统一定义几何形状，适合标准化密植果园的均匀喷雾；模型预测控制（Model Predictive Control, MPC）增加多重约束并基于反馈校正优化控制序列，适用于精确施药和修剪中的构型稳定。分布式编队控制中，基于行为法和人工势场法使机器人自主避开树冠障碍并保持距离，适合非结构化环境监测；强化学习通过与环境交互不断优化编队策略，适用于全生长周期多阶段多任务果园编队作业。针对大规模高阶异构无人机群在动态不确定系统中的控制，基于强化学习的分布式编队控制方法支持最优编队切换和飞行任务。利用神经网络优化势场参数的分布式编队控制算法克服局部极小值问题，增强了实时避障、编队保持和轨迹跟踪能力。针对复杂作业环境中的带宽约束，自适应编队协调协议仅利用局部信息跟踪动态目标，显著降低带宽需求。基于物联网平台的编队控制技术采集和反馈多机器人轨迹，结合粒子群优化-深度学习算法提高控制精度和效率。关于编队变换与重构，定量分析显示从三角形晶格到菱形结构重构成本最低，箭头构型耗时最长，直线“蛇形”编队成本最高。基于共识的编队保持和重构方法结合人工势场法实现有效避障并保持结构完整性。基于刚度的自重构层次化框架支持编队自主合并、分裂和重构。自组织动态环形编队几何模型通过光信号通信建立可靠编队。对于异构地面群，集成势场和共识的动态窗口优化框架支持鲁棒编队生成和重构。分布式控制协议解决了协同机器人系统中的编队包围问题，为针对性农业杂草管理提供了可行方案。
4. Swarm Technology in Orchard Operations
在果园生产场景中，单机作业面临大规模任务部署效率低、网络通信性能不稳定和能耗延迟协调困难等问题。群协调技术可克服单机在载荷和功能上的限制，是未来发展的重要方向。本节详细分析群协调技术在果园监测、精准管理和收获三个阶段的应用，并借鉴其他农业场景（如田地、种植园和森林）的成熟技术，开发果园专用解决方案。
4.1. Application of Swarm Technology in Orchard Monitoring
果园监测是智慧果园管理的核心，通过集成物联网传感器网络和多源遥感技术建立环境参数和生物生长特征的综合感知网络，实现合理资源配置、病虫害预警、优化灌溉施肥和精准收获窗口指导。
4.1.1. Mapping and Surveying
果园测绘可准确表示果园布局和树木分布，为种植区域规划和资源分配提供科学依据。数据可集成到数字孪生平台，降低产量估计误差并为机械化项目提供地形参考。与单无人机测绘相比，无人机群可同时从多角度测绘，生成清晰三维图像。在果园空间信息获取中，基于信息增益的无人机群可自适应选择目标区域，提高监测效率和精度。针对中国南方复杂果园种植环境，无人机采集数据与深度学习算法结合实现耕地地块精确提取和测绘。三无人机协同测绘框架利用协调任务分配算法分配飞行任务，为农业土地监测和管理提供高效数据采集和分析解决方案。
4.1.2. Crop Health Monitoring
建立作物检测系统可实时评估受损作物状况，是推进数字农业的关键步骤。基于遥感的作物监测已逐步成为高效且有前景的作物信息采集方法，显著降低劳动和运营成本。核心目标是通过无人机航测高效采集全田作物生长数据。群控技术的引入可快速获取给定区域内所有作物的生长状态数据，弥补单无人机或单机器人在载荷、任务多样性和鲁棒性方面的不足。在作物健康检测中，研究通过优化通信模块、路径规划算法和飞行任务调度算法突破关键瓶颈，确保数据采集的及时性和准确性。尽管群协调技术在果园作物健康监测中仍处于探索阶段，但已有基于大豆落叶建模的无人机群协同监测、甘蔗样本采集与病虫害防治以及大榛子果园营养和病虫害状态监测等创新实践。此外，多机器人连续监测和分布式检测算法在多种故障场景下仍能稳定运行，十一架无人机进行了现场验证监测和目标检测，为果园作物健康监测提供了有价值的参考架构。
4.2. Application of Swarm Technology in Orchard Precision Management
果园精准管理是现代农业全链作业系统的基础，涵盖整地播种、智能灌溉、精准施肥、除草和人工授粉等季节性任务。当前植保无人机和农业机器人已在果树喷洒、播种、施肥和授粉中快速应用，推动了群协调技术的发展。
4.2.1. Tillage and Seeding
整地和播种是果树栽培的基础步骤，通过土壤翻耕改善耕层结构、调节理化性质，抑制杂草生长并减少病虫害风险。本节讨论的播种包括果树播种和绿肥播种，合理播种策略可优化资源配置、提高发芽率和抗逆性。尽管田地与果园在作物类型、行距和地形上存在差异，但耕作和播种依赖共同作业流程，田地的成熟经验为果园提供了验证技术框架。为满足精准播种要求，基于均值滤波差分的动态阈值二值化法（BD-MFD）可评估无人机播种性能，提取种子落点坐标以优化关键参数。在生态恢复中，定制种子处理和容器制造工艺提高发芽率，无人机平台配备集中机身和六螺旋桨臂确保飞行稳定性，专用任务规划软件精确确定种子部署区域。基于Voronoi图的拖拉机队任务分配通过基于单机性能分配工作区来减少总任务时间，无人机获取的农业地图为计算机准确分配播种任务提供了空间数据。在整地编队控制中，多拖拉机系统采用I形、V形和W形编队（通常使用领航者-跟随者系统）提高作业效率，领航者-跟随者系统使导航效率提高95.1%。双向加权约束方法可有效减少车队内误差传播并降低对全局通信的依赖。针对桃园行距不均和桃树密集分布，自适应精英差分进化算法优化多拖拉机路径，提高作业效率。
4.2.2. Pollination
授粉是确保果园高产优质的关键过程。无人机智能授粉技术通过空中喷洒花粉粉剂，弥补了自然授粉和人工授粉的不足，但在复杂地形中面临动态协调喷洒范围、速度和地形匹配的挑战，导致雾化均匀性和花粉沉积不均。无人机群授粉可实现更均匀的花粉覆盖，减少畸形果并提高商品性。目前相关研究有限，有研究提出多旋翼无人机群系统用于果树花期异常气候条件下的精准授粉，通过热红外图像识别授粉不足区域并设计相应控制策略。图论方法使机器人群在蓝莓田间执行均匀和非均匀授粉模式。针对补偿授粉需求，多旋翼无人机群聚策略结合定制匹配和路径规划算法，通过16架无人机仿真验证了从三个小任务群到补偿精准授粉的水平编队轨迹。未来研究旨在整合植物生命信息感知与5G智能集群系统。在温室蔬菜生产中，两种无人机（搜索无人机和授粉无人机）集成自主飞行和基于人工智能的授粉机制，实现高效番茄授粉。
4.2.3. Weeding
杂草识别和清除可减少养分竞争、病虫害媒介并节省水资源，最终提高果园整体生产力。群协调技术可快速有效覆盖大面积区域，通过智能视觉算法精确区分杂草、作物和其他植被，智能喷洒系统仅针对杂草区域进行选择性施药，减少农药使用量并提高除草效率。针对不同作物，已开发出相应解决方案：有机橙园中，双无人机系统（杂草检测无人机和除草无人机）集成基于YOLOv10的神经网络进行杂草识别和定位，并配备通信和协调协议。在SAGA项目中，基于杂草分布模式设计的无人机群分布式搜索策略在低密度杂草管理中取得显著效果：无人机部署在甜菜田收集杂草、病害和线虫数据，同时优化任务规划实现自动化和精准除草。在橄榄园中，空地异构群系统取得重大突破：无人机群完成大规模快速巡检后，将杂草坐标同步到地面喷洒机器人，实现精准行间杂草追踪，在有效控制杂草和害虫的同时将农药使用量减少50%。针对丘陵山区果园坡度不一致问题，考虑坡度变化对除草机器人能耗的影响，建立能耗模型并提出基于黄金开普勒优化算法（Golden Kepler Optimization Algorithm, GKOA）的任务分配算法，提高了多机器人系统的作业效率。
4.2.4. Precision Application of Water, Fertilizer, and Agrochemicals
科学灌溉和施肥是保证果实品质的关键措施，也是果园水肥药管理的核心环节。三者均面临作业面积大、时效性高和空间分布不均的共同挑战。传统单机模式下，一台设备需依次遍历所有果树，耗时较长且难以满足差异化需求。群控技术使多台设备同时覆盖不同地块，通过信息流和任务流耦合实现精确高效管理。在果园施肥灌溉中，针对不同生育期下施肥机多机协同作业和肥料车协同配送问题，提出基于混沌柯西烟花算法（Chaotic Cauchy Fireworks Algorithm, CCFWA）的任务分配模型，有效避免局部最优并保持较快收敛速度。针对实时监测和施肥任务中无人机群的动态路径规划，改进分布式蚁群优化（ACO）算法相比传统锯齿形算法显著提高了作业效率。此外，多无人机协同遥感系统可用于实时水资源管理和分布式灌溉控制，涵盖嵌入式多光谱成像传感器、图像拼接算法和配准技术等。在果园喷洒作业中，早在2012年就有研究设计了自主多拖拉机系统用于柑橘园除草和喷洒，采用远程人工监督进行任务分配，利用果园地图生成完全优化的覆盖路径，在18个月部署中累计作业超过1500公里，显著提高了生产力。利用Voronoi图和k-means聚类算法可将果园区域划分为聚类节点，基于可用机器人数量进行任务分配，显著减少喷洒时间。双无人机喷洒系统使两架无人机同时连接带喷嘴的管道实现同步运动，大幅增加覆盖面积和体积。无人机群喷洒任务优化已在五机系统中得到验证。另一项研究设计了基于主从编队控制方法的无人机-无人地面车（UAV-UGV）协同目标喷洒系统，在蜜柚园实验中验证了液滴密度和沉积值均高于单架无人机，喷洒效果更均匀。空地三维协同施药系统（包括六旋翼电动无人机和果园履带式风送喷雾机）显著增加了芒果叶片各部位上方的液滴覆盖，但未能显著改善叶片背面的液滴沉积和覆盖。针对棕榈园红棕象甲虫害问题，开发了多无人机任务分配算法进行针对性施药，为害虫特异性处理提供了智能解决方案。此外，配备除草剂、杀菌剂和杀虫剂的小型农业机器人群可实现精准植保并有效降低运营成本。目前，群控技术在果园精准管理中的应用主要集中在除草和农药喷洒，除草任务依赖紧密集成的识别-清除系统和同步通信，农药和肥料施用需要精确变量调节，但在授粉和整地等领域研究仍有限。
4.3. Applications of Swarm Technologies in Fruit Harvesting
群控技术已逐步应用于果园水果收获的三个关键阶段：产量估计、自主采摘和采后运输。在估计阶段，配备多光谱相机、热红外传感器和激光雷达（LiDAR, Light Detection and Ranging）的群系统可实时采集作物密度、冠层高度和果实成熟度数据，支持产量估计模型开发，显著提高估计精度。在自主采摘中，装备机械臂和视觉识别系统的机器人可准确识别和定位成熟果实，使用柔性夹具进行无损采摘，效率显著高于人工。在运输阶段，无人机和无人地面车（UGV, Unmanned Ground Vehicle）协同建立低空物流网络，通过群动态路径规划算法将新鲜农产品快速送达分拣中心或冷库，有效缩短运输时间并提高采后效率。
4.3.1. Yield Estimation
果园产量准确估计具有重要经济作用，可支持收获前规划、仓储物流、资源优化、价格预测以及投资和营销策略制定。传统方法依赖人工抽样，耗时费力。群技术集成高精度多光谱相机、激光雷达等机载传感器可高效获取多维果园数据。针对不同作物已开发多种多模态感知系统：全地形自主地面机器人配备多传感器和视觉算法，可生成葡萄园空间产量分布图。对于西瓜产量估计，采用YOLOv8目标检测算法建立基于抽样和全局的产量估计模型，总产量估计误差小于3.00%，当仅需总数和总重量时采用高效快速抽样，需要空间产量分布时采用全局估计。在苹果园中，配备单目视觉系统和通用特征学习算法的无人地面车（UGV）可通过图像分割估计产量。在田间作物应用中，基于深度学习的时序棉花产量估计模型使用两种无人机采集可见光和近红外影像，验证了模型估计性能和可行性。
4.3.2. Autonomous Harvesting
果园智能收获技术可减少作物表皮损伤率、提高收获效率，并支持昼夜连续作业，同时降低季节性劳动力需求，是群控技术最具挑战性的应用场景。当前研究成熟度差异显著，需区分为商业系统、原型机和仿真算法三个层次。大量群收获工作仍处于算法验证阶段：有研究提出基于无人机群的果园采摘协同任务分配模型，以最短移动距离为核心优化指标，可快速完成多采摘任务分配。针对蔬菜收获场景，采用分布式控制方法结合最近邻采样信息构建农业多机器人系统。改进蚁群算法可应用于农田环境中的群任务分配问题，农田收获实验结果表明改进蚁群算法能有效降低路径成本。在原型机层面，有研究设计了集成机器视觉的双机械臂苹果采摘系统，包括简化四自由度操作器和移动平台，评估了吸力、抓取和混合真空驱动执行器，但仍处于实验阶段。另一项研究开发了葡萄采摘协同系统，由两个独立但协同的机器人组成：一个负责检查并收集葡萄成熟度数据，另一个负责采摘操作。针对葡萄收获的异构机器人系统中，主机器人负责采摘任务，辅助机器人负责运输，未来还将增加葡萄成熟度视觉识别模型以提高收获精度。在商业系统层面，真正的多机协同收获尚未大规模实现，目前商业化收获设备仍以单机为主。以色列公司Tevel的苹果采摘系统接近商业化，该在地面平台上配备多个飞行机器人，飞行机器人采摘的果实放入车载箱中，实现全天候连续作业。
4.3.3. Transportation
果园运输车辆的群协调可实现智能调度和协同作业，显著提高运输效率并增强对突发需求的响应能力。无人机在农业运输中具有潜力，适用于高产高价值水果的采后运输，为地形相关物流限制提供了实用解决方案。分布式控制框架是解决农业运输车辆群运动协调问题的有效方案。此外，将无人机与远程操控重型卡车集成，突破了无人机载荷不足和电池续航有限的瓶颈。在货物运输场景中，多无人机系统协同任务分配的核心目标是引导悬挂载荷到目标位置时最小化负载摆动并保持编队稳定。在果园收获场景中，产量估计需要基于传感器数据构建精确预测模型，自主采摘需要开发柔性无损末端执行器和动态校准视觉系统，运输单元需要优化动态载荷分配模型和能量平衡策略，这些必须与群任务分配和路径规划算法集成，建立智能端到端收获平台。表3系统比较了群技术在果园监测、精准管理和收获全链路的应用，从代表性研究、核心技术、应用优势和现有挑战四个维度展示：群技术在测绘、除草以及水肥药精准施用方面积累了一定
