综述：从研究到部署的自主农业机械：基于可部署性评估框架的路径规划技术综述

《Computation》：From Research to Deployment in Autonomous Agricultural Machinery: A Review of Path-Planning Technologies Against a Deployability Assessment Framework

　　

全球农业部门的劳动力短缺，加上可耕地减少和人口增长，正推动对自主农业机械的投资。需要能够导航作物环境并与人类一起执行种植、处理和收获的自主系统，但在大多数操作场景中，已发表的研究与商业部署系统之间的差距仍然很大。为什么尽管在自主导航和路径规划方面进行了数十年的研究，农业机器人仍未在实际农场中广泛部署？是什么阻碍了全面的农场自主？本文回顾了自主农业集成的主要使能技术，特别关注路径规划作为研究阶段和部署系统之间的区分因素。研究人员综合并评估了当前在人机集成、开阔地导航、行识别与跟随、作物感知和功率效率方面的研究，并依据可部署性标准进行了评估。引入了可部署性评估框架（Deployability Assessment Framework, DAF），该框架包含结构化表格，为十二个路径规划家族分配技术就绪水平（Technology Readiness Levels, TRL），并依据现场验证的精度数据对十一个商业和研究平台进行基准测试。分析表明，点对点全球导航卫星系统（GNSS）导航已达到TRL₉，部署了超过一百万个商业单元；基于视觉的作物行跟随根据作物和季节不同处于TRL_5–7；具有动态重新规划的全场自主处于TRL_3–5。主要障碍是缺乏标准化的评估基准，感知模型无法跨季节和作物类型泛化，以及地形和滑移反馈与全局路径规划器的解耦。研究人员的综述揭示，开阔地GNSS导航在商业上已经成熟，但真正的全场农业自主仍未解决，因为当前系统在季节、地形、感知条件和操作转换方面不够鲁棒。

2. 当前问题与解决方案分析

2.1. 综述方法
本研究通过针对性文献检索，聚焦于农业场景中路径规划及其衍生技术，从Scopus和Web of Science等数据库中筛选2019至2026年间发表的英文期刊论文，排除纯遥操作或与田间路径执行无关的研究，并纳入早期基础性文献。检索策略结合标题关键词（如“farming”、“precision agriculture”）与摘要关键词（如“robot”、“automated”），并限定关键词包含“crop row following”、“path planning”、“autonomous navigation”或“human-robot interaction”。最终形成四个主要可部署性支柱：人机接口（HRI）、导航与自主移动、作物识别与处理、功率效率与环境影响。

2.2. 与人类及现有机械的集成（HRI）
向田间自主化过渡受限于替换现有机械的成本及农场工人适应新操作实践的时间。人机交互（HRI）研究占所综述论文的不足12%，主要来自美国、北欧和日本。研究表明，机器人操作系统（ROS）可与传统农业机械集成，通过图形用户界面实现高级指令（如前往田地、跟随领航者、前往充电站）。模块化硬件软件框架（基于ROS、标准化传感器及可替换3D打印底盘组件）已在棉花田试验中验证。在人类附近运行的机器需从可预测方向接近、保持安全距离并对操作者手势作出响应。人类感知模块（HAM）通过摄像头推断意图及激光雷达（LiDAR）检测腿部，实现软水果采摘中的协同导航。协作机器人（cobots）及敏感电子“皮肤”使近距离人机操作在农业机械臂上成为可能。风险评估框架正成为标准化实践，基于深度学习的人类意图识别与安全区域研究进展迅速。对农业人机协作（HRC）的综述（涵盖55项研究）指出，感知基础设施、安全认证及操作员培训是部署的主要障碍。车队协调将HRI扩展到单个平台之外，提出了去中心化框架（考虑土壤稳定性、时间范围及共享所有权）及领航者-跟随者架构（人类驾驶拖拉机引导自主机器人集群，集群模式、间距及地头转弯逻辑由系统自主管理）。任务规划器使用受控自然语言编码ISO 8373:2021词汇，使从机器棚到田间的路径可读。对挂车在头地转弯时动力学的分析解决了拖拽式农机具中常见的作物损伤及头地浪费问题，提供了防止拐角切割的N拖车路径。车辆侧翻风险（基于地形坡度、速度及转弯半径）通过动态路径约束最小化。

2.3. 开阔地导航
开阔地导航（不受作物行约束的移动）是农业自主性最成熟的领域，占所综述论文的27%，主要来自中国和欧洲。导航依赖全球导航卫星系统（GNSS）获取位置和航向，纯追踪算法是最广泛部署的控制器。对路径规划方法（纯追踪、线性二次型调节器（LQR）、模糊逻辑、模型预测控制（MPC））及运动控制方法（比例积分微分（PID）、神经网络、滑模）在农业背景下的综述提供了全面概述。通过两个空间分离的GNSS天线与惯性测量单元（IMU）融合获得的航向精度经自适应卡尔曼滤波器优化，显著减少狭窄崎岖地形上的偏差。准天顶卫星系统校正信号在山区农田中实现了厘米级精度。RTK-GNSS在动态和静态平台上以全站仪为基准进行了验证。完整的导航栈（“FiWare”/Smart Navigation Manager）包括高级GOTO-GOAL命令生成运动轮廓（含方向）、Dubins和Spiral控制器管理阿克曼转向、LiDAR分割的安全区域触发实时路径重规划。Reeds-Shepp曲线提高了不规则田边界的覆盖效率。使用Dubins曲线和带执行率约束的Spiral控制器形式化了平滑头地转弯。入口/出口路径规划器采用A*算法并考虑车辆转弯半径约束，在60 kW拖拉机上验证。全覆盖路径规划（CCPP）受到广泛关注，系统性方法涵盖轮式机器人的田块进入、不规则边界及头地覆盖，并扩展到三维田地（考虑地形坡度对土壤侵蚀和能耗的影响）。三步方法论（引导轨迹生成、遍历排序、平滑可行驶路径生成）被提出。头地覆盖规划解决了连续曲率及完整拖拉机-农机具几何约束，首次保证在机动过程中不越界。避障利用二值化谷歌地图图像实现，最小加加速度算法在避障规划中加入了车辆运动学（最小曲率、加加速度和加加速度约束）。混合语义-拓扑-度量地图结合新型切换算法，通过整合表面类型和坡度实现低能耗路径规划。多机器人协同规划（无人机与地面车辆（UGV）协调，使用YOLO识别和基准标记着陆定位橄榄园中的昆虫诱捕器）代表了新兴前沿。无人机图像、近端传感、多光谱或高光谱数据及基于AI的作物监测可为自主机器人提供有用信息（如疾病分布、杂草斑块、作物生长状态及处方图）。农业中的路径规划通常依赖于任务，不同任务（如侦察、精准喷洒、除草、收获）对导航要求（覆盖效率、行跟随精度、目标定位、可重复性、避免作物损伤）各不相同，需根据任务进行优化。近期综述（2020-2025年，涵盖95篇论文）指出，缺乏统一评估指标是跨研究比较的关键障碍，并提出了基于横向偏差、航向误差和均方根误差（RMSE）的统一框架。

2.4. 行识别与路径跟随
作物行跟随比开阔地导航施加更严格的约束，是处理、侦察和收获机器人的主要操作模式。物理作物提供可导航特征，但其变异性（缺株、风动、不规则生长、季节变化）意味着没有部署的系统能在整个生长季节可靠处理所有四种失效模式。研究出版物占所综述论文的12%，主要来自中国和南欧。

2.4.1. 经典机器视觉与LiDAR
单目相机结合经典机器视觉（MV）在速度和低功耗方面仍具有边缘计算竞争力，使用霍夫变换、线性回归、斑点分析及立体视差进行杂草/作物高度判别。果园视觉系统通过天空背景识别消失点；3D LiDAR点云直方图无需相机即可定位作物行峰值。LiDAR与相机融合允许快速聚类、凸包及旋转卡尺算法，HSI颜色空间被证明最适合绿色植被分割。3D行感知模板方法将概率体素模板与当前点云匹配以进行位姿估计，在距离行端5米处自动切换至后视相机以避免模板匹配退化。基于凸冠层壳和多近似的语义3D点云解释减少了葡萄园导航的计算成本。仅使用LiDAR的导航在宽叶冠层下利用启发式茎检测在小型表型机器人上验证，相同原理应用于多隧道立杆检测。K-means聚类LiDAR点用于密集冠层下基于茎的行检测。3D视觉、LiDAR和超声传感器的融合用于果园内行引导评估。超声波距离传感器和机械触须的组合导航葡萄藤行。在行起始处使用AprilTag基准标记，结合超声波碰撞检测，支持最小时间行转换控制。GNSS与作物行切换用于头地导航，其中特征图由植被似然加权，将GNSS位置“吸附”到先验平行线模型上。在部署的农业机器人上使用无监督计算机视觉实现了实时作物行检测（在嵌入式硬件上以15 Hz运行）。基于RGB-D的线跟随喷雾器（使用Otsu阈值）展示了经典MV在半结构化多隧道中的可扩展性。主动控制近红外照明在可变光照条件下显著改善了作物行与土壤背景的对比度。对相机类型（单目、立体、RGB-D、NDVI）的详细比较得出结论，单目相机配合经典处理仍是边缘设备最可部署的方式，而深度学习方法在处理困难情况时表现更好。

2.4.2. 行识别的深度学习方法
在受控条件下，深度学习方法比经典MV对遮挡、缺株、塑料碎片、变化光照及风致作物运动更具鲁棒性。基于YOLO的实时杂草识别被认为是户外农业条件下变率技术应用的最佳选择。DGLNet神经网络融合作物行识别与导航线提取（从单个RGB图像，以先验行距为先验）。3D LiDAR点云的语义分割使用深度学习下采样策略。单目深度估计通过学习数据增强消除了在结构化环境中对校准立体对或主动测距的需求。端到端导航结合深度图像、卷积神经网络（CNN）航向分类器及抛物线速度-深度关系，以降低分辨率（640×480）和MobileNet压缩运行于47 Hz。在Blender/Gazebo中构建完整虚拟世界框架，生成合成3D作物数据集，用于快速跨季节、一天中不同时间及光照条件的深度学习迭代。使用边缘检测先验的弱监督区域分割减少手动标注负担，在联合收割机上验证。紧耦合的GNSS-立体-惯性SLAM系统提供公开基准数据集（“Rosario”），在耕地中实现平滑轨迹和可靠闭环。利用深度学习实现的实时作物行检测，在11种作物品种和高达的初始航向偏移下，验证了商业田间速度下的亚行横向偏差。实时分割方法使用深度双分辨率网络（DDRNet23-slim）模型，结合域泛化和注意力机制，基于RUGD数据集（共享本体类：道路、树木、植被、障碍物）训练，适用于多季节部署。

2.5. 作物识别与处理
作物识别是杂草检测、行跟随、成熟度评估和虫害监测的基础，一项综述（涵盖142篇论文）全面回顾了实时表型平台，包括电缆龙门架、推车、拖拉机安装系统、携带RGB传感器的移动机器人，以及热成像、高光谱、LiDAR、立体和荧光传感器。分割、特征提取、分类及支持向量机（SVM）在RGB图像上构成主要处理流程，以产量估计、疾病检测和株高为主要输出。这是一个成熟的研究主题，占所综述论文的超过40%，主要来自美国、欧洲、中国和澳大利亚。杂草损失占作物损失的33%，而传统喷洒中仅有0.1%到达目标区域。基于原位视觉引导的精准喷嘴控制（开/关、变率、微剂量4 g ha^-1）已在商业中演示（Ecorobotix ARA、John Deere的See & Spray）。机械臂展示了旋转喷雾角度以实现更好沉积和精确数量控制的能力，并开发了安装在移动底盘上的轻量级喷雾机器人臂。选择性收获使用机器人臂仍比人类采摘慢——单个辣椒平均每摘24秒，目前机器人应用于草莓、覆盆子和西兰花。尚无商业规模的葡萄收获机器人，主要由于葡萄簇的不规则几何形状及果实对接触力的敏感性。在棉花田中，结合YOLOv4目标检测、有限状态机和ROS的二极管激光除草已演示自主除草在TRL_5–6。无人机与地面车辆（UGV）合作利用YOLO和基准标记监测橄榄园中的昆虫诱捕器，是异质多机器人作物管理的早期范例。空间-几何-强度（SGI）融合LiDAR和相机进行3D障碍物检测及语言注释的目标分类，正在向作物环境的语义丰富场景理解推进。

2.6. 功率使用与环境影响
自主路径规划必须将能源消耗作为首要约束。混合地图（用于路径规划）将表面类型、坡度和充电站邻近度纳入路径成本。履带车辆的滑移估计与反馈控制在文献中有所涉及，后者通过减少低牵引力表面上的横向偏差，展示了优越的曲线路径引导。无模型自适应预测路径跟踪控制器可实时适应航向偏差。执行器旋转方向被证明影响驱动轮之间的功率平衡，为操作优化开启反馈回路。按操作配置记录的电池电量消耗为充电知情速度剖面的数据提供支持，类似于低燃料条件下的生态驾驶。对导航算法在燃料消耗和操作时间方面的比较进行了评估。自主激光除草机的全生命周期环境绩效（从材料规格到处置）进行了评估。AgROS提供了基于卫星衍生地形模型在田间部署前测试可通行性的3D仿真环境。

3. 农业路径规划系统的可部署性

3.1. 可部署性评估框架
技术就绪水平（TRL）由欧盟委员会定义，用于农业机器人领域，描述了系统从TRL₁（观察到基本原理）到TRL₉（系统在操作环境中得到验证）的成熟度。在农业机器人中，“操作环境”意味着跨多个季节、作物类型和天气状态的非受控田间条件，且有人类工人存在和商业服务正常运行时间要求。应用于农业机器人的TRL描述列表如下：1–3为基础研究和概念验证；4为原型系统在测试环境中验证；5为原型系统在田间试验中验证；6为原型在操作环境中部署（导航范围有限且使用单一传感器模态）；7为应用在有限季节内验证；8为通过反复测试确认原型可靠性；9为大规模自主拖拉机和收割机在商业使用中，集成精准输入应用和AI监测。本文引入的可部署性评估框架（DAF）扩展了TRL分类，包含三个农业路径规划特定维度：导航范围（开阔地、行跟随、头地转弯或全场）、传感器模态（GNSS/IMU、单目相机、立体/RGB-D、LiDAR或融合组合）及验证性能（横向偏差以cm计、操作速度以m s^-1计、覆盖面积以ha计、测试季节数）。大多数已发表的农业导航系统报告单季节、单作物、单地点的结果，对应TRL_4–6。表2总结了主要路径规划家族的TRL分配，表3对商业可用或接近商业的平台进行了基准测试，表4比较了田间验证的路径跟踪精度。

3.2. 路径规划方法的TRL评估
表2为十二个路径规划家族分配了TRL值。最显著的发现是，GNSS航点导航（TRL₉）与基于视觉的行跟随（TRL_5–7）之间的TRL差距跨越了四到五个级别，尽管后者有大量已发表工作。在每个低于TRL₇的类别中，限制因素不是算法不成熟，而是缺乏多季节、多作物的田间验证。

3.3. 商业及接近商业的平台基准测试
表3列出了十一个平台；其中三个（John Deere、CNH、Ecorobotix）通过GNSS引导的预规划路径操作达到了TRL₉，在这些操作中，传感器系统激活离散输出（喷雾或激光）而非在行内动态导航。依赖行跟随进行导航的平台（Burro、Dogtooth、Fieldwork Robotics、EarthRover）被评为TRL_7–8，反映了供应商在受限环境中的性能声明，这些环境尚未涵盖所有季节条件。

3.4. 田间验证的路径跟踪精度
由于评估协议不一致，跨研究比较已发布的跟踪性能变得复杂。表4收集了在现实田间条件下明确报告横向偏差的田间实验结果。该表具有指示性而非可比性，因传感器模态多样。RTK-GNSS系统始终实现<5 cm的均方根误差（RMSE），而仅视觉和仅LiDAR系统在理想条件下报告5–20 cm，在缺株、低光照或地形粗糙度增加时恶化。

3.5. 可部署性差距与转型要求
基于表2、表3和表4，四个具体差距阻碍了从TRL_6–7向TRL₉的过渡，针对全场路径规划：(1) 统一评估协议：缺乏标准化指标（横向偏差、RMSE、航向误差、覆盖完整性）和标准化测试田，阻碍了跨研究比较和社区进步。急需类似于道路车辆KITTI的农业行跟随基准。(2) 季节与跨作物泛化：深度学习导航模型在一种作物、季节或光照条件下训练后，在域漂移下失效。疾病阶段、冠层结构、种植密度、光照、土壤背景和管理实践进一步增加了变化。合成数据集生成和域适应技术有前景，但尚未大规模验证。共享本体词汇（DDRNet23-slim类别；ISO 8373:2021）将加速这项工作。(3) 头地转弯与任务转换自主性：头地转弯结合了CCPP、运动学约束、地形意识和农机具管理于一个复杂事件。尽管近期工作大幅推进了头地路径生成，但在退化GNSS（冠层、地形）下使用不同农机具的现实头地转弯仍处于TRL_5–6。(4) 滑移、地形与能量集成：路径规划很少集成实时地形反馈。滑移感知控制器在软土上改善了跟踪精度50–78%，但尚未与全局CCPP规划器集成。能量最优路径规划仍与滑移和牵引力估计基本解耦。

4. 当前与未来挑战

4.1. 劳动力与培训
自主农业机械的早期部署需要操作者既了解作物农艺学又了解自主系统的失效模式。失去GNSS信号或视觉系统在阴天下午失败的机器人必须由能诊断原因并安全重启任务的人恢复。这种混合农艺师-技术专家角色尚未作为定义职业存在；一份英国白皮书指出了这一差距，并推荐涵盖农艺学、机器人学、数据科学和机器操作的多学科课程。在发展中国家背景下，问题尤为严重，农村社区面临劳动力转移与缺乏维护复杂自主系统所需技术基础设施的双重压力。培训计划应围绕田间试验中记录的实际农场失效模式设计，而非实验室演示。

4.2. 环境鲁棒性与数据集覆盖
当前路径规划与感知系统通常在良好条件下验证（晴朗白天、干燥土壤、健康成熟作物），报告的性能指标反映了这种选择偏差。表4中已发布的横向偏差结果范围从<2 cm（RTK-GNSS在坚实地面）到57 cm（GNSS-视觉融合在不平地形），这一范围至少与算法质量一样反映实验条件。没有已发表研究系统性地报告在单一试验中跨雨、泥、部分作物失败和季节性生长阶段的行跟随性能。感知模型不仅受作物类型和季节影响，还受疾病阶段、冠层结构、种植密度、光照、土壤背景和管理实践影响。LiDAR点云在暴雨中因水滴背向散射退化；RGB相机产生运动模糊和对比度降低；GNSS在湿土中受多径影响，在密集冠层下受阴影影响。解决这些问题需要有意在不利条件下收集数据，而非仅事后测试。田间数据集应以ROS2 bag格式发布，包含文档化的主题模式、GPS地面真值轨迹和天气元数据，使模型能在已知条件下基准测试。社区已积累了大量典型晴天田间条件的数据；差距在于对失效包络的结构化覆盖。

4.3. 平台尺寸、功率与通信
农村田间的功率可用性限制了车辆尺寸和操作持续时间。大型拖拉机（100–400 kW）可连续工作，因其柴油箱可在田边补充；同等尺寸的电池电动平台需要非常大的电池组或频繁返回充电，两者都减少有效覆盖面积。工程应对措施是开发在集群中运行的较小平台，减少每次通过时的土壤压实并提供更大任务灵活性。然而，集群协调需要可靠的低延迟通信，LTE或5G覆盖在距农场建筑1公里以外的农村地区大多不一致。集群的路径规划必须对通信中断鲁棒：每辆车需要足够的本地自治能力以完成其分配行程并在与车队管理器失联时安全返回。使用自主油罐车或固定充电点的田间充电已在TRL₆演示，但增加了尚未在全场规模分析的物流复杂性。需要显式最小化每公顷能耗的路径规划算法，而非将能量视为事后指标，这仍是一个研究空白。

4.4. 计算成本、功率使用与边缘计算维度
能源消耗不仅是能量节约的考虑，也关乎硬件寿命。电动化正成为农业车辆的有力竞争者，但因能量存储限制，效率成为优先事项。系统需要“自感知”其能量使用并优化功能。高性能边缘计算（计算能力安装在机器人上）因计算延迟更低而提供更快的采样率，但以更高功耗为代价；低性能控制器可能因采样率降低引入延迟；云计算（计算卸载到远程服务器）可能因通信引入延迟并需要持续连接。来自IMU、GNSS、LiDAR、地面雷达和编码器的传感器数据通过传感器融合算法结合，这些算法也需要高计算能力和采样率。

4.5. 监管与责任框架
从TRL₇向TRL_8–9的过渡需要导航并非为自主田间机械设计的监管环境。在欧盟，欧盟人工智能法案将靠近人类运行的自主系统归类为高风险AI，要求一致性评估、技术文档和持续上市后监测。在公众可进入的田间以超过6 km h^-1速度运行的自主农业车辆还需符合机械法规（EU）2023/1230，该法规引用EN ISO 25119作为农业机械控制系统的功能安全标准。EN ISO 25119要求系统性危害分析和风险评估、定义农业性能等级（AgPL）并将安全功能验证至指定AgPL——这一过程通常需要18–36个月。没有研究阶段的农业机器人公开完成此过程。后果是，任何在田间试验中达到TRL₇的系统，无论技术性能如何，在未完成认证程序前都不能在欧盟作为无监督商业服务合法运行。即使完全自主导航在技术上可靠，农业机器人仍因监管约束、责任问题、人类安全、意外田间情况、通信故障和环境不确定性而需要人类监督。由自主决策造成的损害（错误路径执行导致的作物损伤、碰撞导致的人身伤害、侧翻导致的设备损坏）的责任在法律上大多未定义。当前产品责任框架将责任归于缺陷产品制造商，但当AI系统做出人类操作者不会做出的决策时，责任在平台开发者、AI模型供应商、操作者和农场主之间争议。在这些责任问题解决之前，商业保险公司不愿在没有人类监督者的情况下承保自主农业操作，这消除了自主性的大部分经济理由。标准制定机构（包括ISO TC 23/SC 15和ISO TC 299）正在定义责任框架，但解决时间表可能需十年而非数年。尽管自主导航近期有进展，监管、责任和操作安全问题仍限制完全无监督农业机器人的部署。因此，近期农业自主性可能通过监督和辅助自主框架演变，人类操作者仍积极参与任务监督和干预。地理围栏、远程遥控操作、数字影子系统和人机环控制架构等技术提供了在复杂农业环境中增加操作安全性的实用途径，同时保持自主功能。近期研究论证了使用基于LoRa的通信网络结合数字影子表示和ROS集成监督控制进行远程遥控农业移动机器人的可行性，在行端转弯和障碍处理等挑战性操作中实现远程干预。

4.6. 全场集成的路径规划
当前技术水平将单个导航子问题（开阔地覆盖、行跟随、头地转弯、避障）视为独立研究主题。每个主题在孤立研究时都取得了显著进展，如表2中的TRL分配所确认。未解决的问题是集成：部署的系统必须在一个连续不间断操作中在所有模式间切换，处理田边和冠层下发生的退化GNSS、进入和退出作物行时传感器体制的变化、头地转弯期间农机具状态变化以及田边加油物流。任务规划器提供了表示这些转换的语义框架，但未解决每个转换点发生的传感器切换和路径连续性问题。即使完全自主导航在技术上可靠，农业机器人仍因监管约束、责任问题、人类安全、意外田间情况、通信故障和环境不确定性而需要人类监督。领航者-跟随者系统通过让人类保持在循环中处理高级排序减少了集成负担，但长期研究方向需要统一路径规划器，在完整操作序列中保持情境感知。这需要全局CCPP层、局部行跟随控制器、实时地形和牵引力反馈以及车队管理层的紧密集成——一个尚未作为整体解决的系统之系统工程挑战。

5. 结论
通过针对性文献检索，本综述基于技术就绪水平（TRL）、田间验证性能和操作鲁棒性对农业机器人路径规划研究和使能技术进行了可部署性评估。分析确认，基于GNSS的开阔地自动转向已达到TRL₉并广泛商业采用，而基于经典机器视觉、LiDAR和深度学习方法的作物行导航由于多季节和多作物验证有限，大多仍处于TRL_5–7。全场自主操作（包括开阔地遍历、行跟随、头地转弯