从天空到地面：基于无人机导航地图的葡萄园自主遍历实现

《Computers and Electronics in Agriculture》：From sky to ground: Enabling autonomous vineyard traversal with UAV-derived navigation maps

　　

研究人员提出一种端到端作业流水线，将重叠的俯仰（nadir）无人机（UAV）影像直接转换为无人地面车辆（UGV）可用的机器人占据（occupancy）与拓扑导航地图，绕开了计算昂贵的orthomosaic生成步骤。通过对单帧影像进行元数据驱动的投影与聚类，结合YOLO11分割与聚类方法，在RTK-GNSS（实时动态全球导航卫星系统）实测基准下达到0.242 m RMSE（均方根误差），最优配置下可达0.207 m RMSE。多季节训练使标准深度学习架构（YOLO与ResNet）能在冠层状态大幅变化下隔离出视觉上极小的葡萄园地标（立柱与树干）。生成的地图支持了500 m真实葡萄园行内自主遍历，MDBI（平均路径偏差指数）为161.4 m；相比机器人遥操作，无人机建图将田间时间最多缩短94%。研究人员发布了多季节UAV葡萄园数据集与开源代码，以填补空中结构感知与机器人可用葡萄园导航地图之间的作业缺口，并可接入AGRIDS框架实现持久化农业机器人数据管理。

研究背景方面，农业中自主机器人（robot）与无人机（UAV）的采用受频繁感知、减劳与精准作业驱动，但葡萄园窄行、强结构化空间使实用部署依赖对立柱、行与可通行廊道的准确空间表达。现有流程多仍依赖orthomosaic生成、人工测绘或孤立软件，空中特征检测与机器人可用导航地图之间的作业连接薄弱，且农业数据管理碎片化。为此，研究人员在《Computers and Electronics in Agriculture》发表该研究，构建从原始俯仰UAV影像到UGV导航地图的单一工作流，并对接AGRIDS（基于FIWARE Orion、Cygnus与MongoDB的农业机器人数据管理框架）以实现地图层与机器人观测的持久存储。

关键技术方法上，研究人员使用英国Riseholme Vineyard数据：DJI Matrice 300 RTK配Zenmuse H20相机于12 m、20 m、30 m（39、65、100 ft）三高度以80%航向、70%旁向重叠采集855张多季节（2024年8月、2025年3月、2025年7月）nadir影像；以Leica GS18T GNSS获取厘米级立柱真值。感知模型对比YOLO11x检测（OD）、YOLO11x-seg分割（Seg）与ResNet18/50/101嵌入U-Net式密集预测，训练含单季/三季池化与2×2、4×4、6×6分块消融。地理空间投影采用元数据驱动近nadir平面近似，由焦距f、传感器尺寸s_w、s_h、相对高度h与云台偏航ψ将像素(p_x,p_y)转全局GNSS(φ,λ)，再经DBSCAN式聚类融合重叠帧观测生成占据栅格与拓扑图。

研究结果部分，引言指出可靠结构地图是导航前提与数字葡萄园工作流集成基础，主要贡献为端到端流水线、多季节感知分析、亚米级地图与机器人验证及数据集/代码发布。相关工作中，研究人员综述机器人建图（占据栅格、OctoMap、点云）、UAV农业感知、深度学习葡萄园定位及AGRIDS后，明确本文补入上游UAV至结构地图能力。方法部分分四块：数据收集中三高度GSD分别为0.41、0.67、1.01 cm/像素，标注40,215处（立柱12,639、树干22,615、行4,961）；模型选择说明YOLO11作实时基线、ResNet测热图恢复被遮挡小目标，帧级切分致乐观上限故以地图级验证为主证；地理空间投影以Fig.4几何与Fig.5坐标系顺序参数将图像轴(p_x,p_y)经局部东Δe北Δn转全局E,N，近nadir假设不显式修正残差滚转俯仰；聚类与地图生成将投影点聚为立柱/树干节点，按行拓扑连成可通行廊道并栅格化。结果验证显示YOLO11 Seg配2×2分块、三季节训练获0.242 m RMSE（最优0.207 m）；UGV实飞500 m行内遍历MDBI 161.4 m；相比遥操作田间时间降94%；多季节训练提升跨冠层状态泛化，高度升至30 m仍保持可用检测。讨论部分研究人员指出，绕过orthomosaic使计算与延迟大幅下降，近nadir平面近似在稳定云台下成立但强扰动或非nadir需扩展；帧级划分存数据泄漏故图像空间指标为乐观界，地图级RMSE与实飞为可行性主证；流水线补入AGRIDS上游使块-行-株层级可载机器人观测复用。结论为：该端到端UAV至UGV地图流水线可以亚米精度由原始nadir影像提取立柱/树干/行结构，支持真实葡萄园自主遍历，多季节训练是跨冠层鲁棒性的关键，开源数据与代码可降低空中-地面农业机器人研究门槛。