《Sensors》：Deployment-Oriented Evaluation of Lightweight IMU-Based Human Activity Recognition: On-Device Efficiency and Streaming Feasibility
编辑推荐：
自主农业系统（AASs）的快速发展正在变革现代农业，劳动力短缺、可持续性要求以及对精准农业的需求正推动智能农业平台的采用。农业生产环境为自主农业系统带来了独特的挑战性条件，包括非结构化且动态变化的地形、生物多样性目标、不可预测的光照和天气条件，以及安全的人机共
自主农业系统（AASs）的快速发展正在变革现代农业，劳动力短缺、可持续性要求以及对精准农业的需求正推动智能农业平台的采用。农业生产环境为自主农业系统带来了独特的挑战性条件，包括非结构化且动态变化的地形、生物多样性目标、不可预测的光照和天气条件，以及安全的人机共存。本综述系统性地研究了三大基石技术：多源感知、智能决策和精准控制。此外，本文还综述了典型农业作业，包括土壤耕作、种植、灌溉与排水、施肥、植保、收获以及农产品加工，以说明其应用。基于代表性作业场景，总结了智能设备在环境感知、作业优化和控制执行方面的研究进展与应用特征。具体而言，多源感知正从基于孤立传感器的采集向多模态和深度学习驱动的语义场景理解演进。智能决策已从经验驱动方法向物理信息驱动、数据驱动和知识增强的自适应作业优化框架发展。精准控制已从传统PID控制向自适应、基于学习的和数字孪生驱动的控制策略演进，实现了鲁棒的高精度闭环调节。然而，若干关键挑战依然存在：感知模型在环境分布偏移下的跨域泛化能力和鲁棒性有限，数据驱动决策系统的可解释性和可信度受限，以及多扰动耦合田间条件下控制架构的自适应性不足。为弥补上述不足，未来研究应优先关注多源异构数据融合与标准化、将机理知识与数据驱动学习相结合的协同控制框架，以及可解释人工智能与农业领域专业知识相结合，推动真正自主、可信且具有韧性的农业系统发展。
1. 引言
自主农业系统（AASs）融合了智能农业机械、自主地面车辆、无人机（UAVs）、机器人收割机和自动化加工设备，通过实现复杂动态农业环境中的自主感知、决策与作业，正在变革现代农业。与结构化工业环境不同，农业生产环境具有非结构化地形、生物多样性目标、动态变化的天气与光照以及频繁的人机交互等独特挑战，这对环境感知、智能决策和自适应控制提出了严格要求。智能农业机械的发展经历了从单一功能模块的孤立应用向系统级集成与协同作业的演进过程。早期研究主要集中于单一关键技术的孤立应用，如基于传感器的环境感知、基于处方图的离线决策以及采用比例-积分-微分（PID）控制器的单变量控制方法。尽管这些技术在特定作业任务中能够实现局部性能优化，但仍存在信息孤岛、决策滞后和控制协同不足等问题。随着信息技术与智能算法的深度融合，AASs已逐步向多源信息融合、智能决策和闭环控制协同发展的方向演进，建立了以"感知-决策-控制"为核心的智能技术框架。针对不同作业目的和农艺需求，各类自主农业平台均建立了特定的感知-决策-控制结构。
2. 自主农业系统核心使能技术
与传统自动化农业机械不同，AASs的核心特征在于感知、决策与控制能力的深度融合。感知模块获取多模态感官信息并生成语义丰富的环境表征；决策模块将这些表征转化为应对环境不确定性的自适应作业策略；控制模块通过多执行器协同调节实现这些策略，并通过闭环反馈机制维持系统鲁棒性。感知、决策与控制并非独立模块，而是构成耦合的闭环过程，三者不仅通过信息和状态反馈耦合，还通过不确定性和扰动在闭环中的传播而相互关联。
2.1 多模态传感器融合与环境感知
多源感知技术经历了从单一传感器采集、传感器融合到语义感知的发展路径。在硬件层面，AASs的感知架构建立在集成机器视觉、全球导航卫星系统（GNSS）、激光雷达（LiDAR）、多光谱/高光谱传感器和惯性测量单元（IMUs）的多传感器框架之上。多源融合的首要目标不仅是增加数据通道数量，而是通过适当的融合架构利用异构传感器间的互补信息。根据应用需求，可采用数据级、特征级和决策级融合策略以提高感知精度、鲁棒性和容错能力。传统基于图像处理和光谱分析的方法依赖人工设计特征和专家规则，具有计算需求低和可解释性强的优点，但在真实田间复杂多变条件下泛化能力和鲁棒性显著下降。深度学习（DL）通过端到端学习从复杂背景中提取高层语义特征，在目标检测、语义分割和状态识别等任务中展现出优越的自适应性，但高度依赖大规模标注数据集。
2.2 不确定性下的人工智能驱动决策与作业优化
智能决策是感知与控制之间的关键认知桥梁，其本质是将多源信息转化为作业策略和控制目标。统计与优化方法如主成分分析（PCA）、偏最小二乘回归（PLSR）和多元回归主要用于多源数据降维和关键变量提取，但难以表征复杂非线性关系。机理模型方法以作物生长模型（CGMs）为代表，包括农业技术转移决策支持系统（DSSAT）、作物环境资源综合合成（CERES）和豆类作物生长模型（CROPGRO），具有明确的物理意义，但需要大量参数化且难以实时调整。数据驱动方法以机器学习（ML）和强化学习（RL）为代表，能够有效应对复杂系统中的不确定性，但受限于对数据质量和规模的强依赖以及模型可解释性不足。
2.3 自适应精准控制与多执行器协同
精准控制是AASs的执行核心，目标是在复杂环境条件和扰动下实现作业参数的稳定跟踪与动态优化。PID、模糊控制和滑模控制（SMC）因其结构简单和实施成本低仍是农业控制系统的基础选择，但参数通常依赖试凑法设定，在高度非线性或时变系统中表现不佳。模型预测控制（MPC）通过滚动优化实现多变量约束下的预测控制，神经网络控制能够逼近非线性动态特性，但均面临计算复杂度高和对模型或数据依赖性强的问题。实际部署还需考虑包括传感器采集、多源数据融合、模型推理、通信和执行器执行在内的整体闭环延迟。学习型控制方法还需通过李雅普诺夫验证和自适应稳定性分析保证闭环稳定性。
3. 农业生产全生命周期的集成自主系统
3.1 土壤耕作系统
土壤耕作系统的研究正从传统经验方法向数据驱动感知和智能控制方向发展。在耕作深度传感与自适应控制方面，研究从传统单一PID调节向多参数协同控制、载荷感知和智能控制演进，包括模糊PID控制、扩展卡尔曼滤波器（EKF）多传感器融合、线性自抗扰控制（LADRC）等策略。在土壤-机具相互作用建模与参数优化方面，离散元法（DEM）能够有效表征土壤颗粒的离散特性，在微观层面揭示土壤扰动机制，包括Hertz-Mindlin模型、平行键模型和爱丁堡弹塑性粘附（EEPA）接触模型的应用。
3.2 种植系统
自主种植系统必须在时空变化的土壤条件、地形轮廓和作业速度下精确调控种子或幼苗的放置位置、深度和间距。在导航感知与参考提取方面，DL和轻量级模型被广泛用于识别作物行、垄线和树干，包括轻量级卷积神经网络（CNN）、改进的YOLOv8模型以及YOLOv8与ByteTrack集成的实时检测跟踪模型。在路径规划与跟踪控制方面，常用方法包括PID控制、纯追踪、Stanley算法、MPC和SMC，研究重点在于应对田间侧滑、速度波动和地形起伏等不确定扰动。在精准种子/幼苗放置与多执行器协同方面，利用多传感器融合、智能控制和数字孪生技术实现播种和移栽设备根据土壤条件、作业轨迹和机具姿态动态调整播种位置、深度和取苗/投苗动作。
3.3 排水与灌溉系统
精准灌溉技术基于传感器监测、自动控制和信息化决策，精确调控"何时、何地、灌溉多少水量"。在水需求预测与灌溉决策方面，蒸散（ET）预测受气象条件、作物类型和土壤状态等多因素影响，呈现强非线性，研究者构建了基因表达式编程（GEP）模型、最小冗余最大相关（MRMR）特征选择与多结构神经网络集成模型，以及DSSAT框架与ML耦合模型。在闭环灌溉控制与水力优化方面，系统正从传统开环控制向闭环反馈和自适应调节转变，包括ZigBee无线传感器网络、遗传算法结合变频泵控制、计算流体力学（CFD）仿真与响应面法优化关键部件结构。
3.4 施肥系统
按需、定量、均匀地向作物根区施肥已成为智能施肥系统发展的重要方向。在作物养分与肥料流量感知方面，叶绿素含量与氮素营养状况密切相关，可作为精准施肥决策的重要指标，研究包括基于无人机多源影像的多维特征融合方法、高光谱反射率多源光谱指数、隔离森林与局部空间自相关分析混合检测框架，以及改进的YOLOv5s-seg视觉检测方法。在变量施肥决策与自适应控制方面，针对肥料颗粒复杂流动特性和排肥过程脉动问题，研究包括基于电容传感原理的在线施肥量检测模型、分段线性插值的自适应施肥控制策略，以及DSSAT模型与XGBoost算法、遗传算法耦合的分阶段氮素优化策略。
3.5 植保系统
自主植保系统正从传统均匀喷洒向智能化和精准化方向发展。在作物与目标感知方面，机器视觉、红外成像和超声波传感器用于获取冠层覆盖度、杂草分布和病虫害影响区域信息，包括低成本的植被传感器、自动阈值分割杂草识别算法、LiDAR点云叶面积密度检测方法以及基于视觉伺服和改进YOLOv5的自动补液对接站。在精准喷洒与变量控制方面，研究包括基于CNN实时杂草识别触发定向喷洒的变量系统、采用LADRC的精准控制策略、基于超声波传感和数据驱动信号处理的喷杆高度动态检测控制，以及结合卫星导航增强技术、轮式编码器定位和PID流量闭环控制的断点连续喷洒方法。
3.6 作物收获系统
自主收获系统结构复杂、作业负荷大、智能化需求突出。在作物与收获质量感知方面，机器视觉、RGB-D相机、LiDAR、超声波传感器和UAV遥感被广泛用于感知作物高度、割幅、倒伏区域和籽粒含杂率等收获性能参数，包括改进的YOLOX网络与RGB-D融合的水果采摘机器人视觉检测与三维定位方法、基于RGB-D相机和YOLOv5实例分割的谷物自动卸粮系统、轻量级语义分割网络以及多模态特征融合模型。在机器状态监测与故障诊断方面，利用振动、声学、应变、转速和图像等多源传感器采集运行数据，结合信号预处理、时频域特征提取、降维分析和ML实现故障模式识别与状态诊断。在收获参数自适应控制方面，包括基于多部件滑转率监测、SVM故障预测和模糊逻辑速度控制的无人联合收获机速度精准控制系统，以及自适应变论域模糊PID控制器实现脱粒间隙在线调节。
3.7 农产品加工系统
农产品加工系统的自动化程度直接影响加工效率和产品均匀性。在多源过程监测与在线质量检测方面，机器视觉、近红外光谱、X射线检测、微波传感和触觉传感器被用于实时测量农产品的外部质量、化学成分和硬度，包括YOLOv8与ByteTrack集成的动态玉米籽粒计数系统、改进的ResNet计算机视觉模型、便携式近红外光谱与轻量级MobileNetV4模型、微波无损检测技术以及柔性触觉传感器阵列与仿生夹爪集成的无损检测系统。在干燥过程自适应控制方面，干燥过程涉及复杂的热传递、水分迁移和质量变化，具有非线性、大时滞和强耦合特性，研究包括多传感器融合的远红外与热风联合干燥控制系统、近红外光谱与低场核磁共振的无损在线监测方法、PSO优化的最小二乘支持向量机逆模型与PID反馈控制集成，以及高斯过程回归（GPR）-MPC框架。在数据驱动的性能预测与过程优化方面，人工神经网络（ANN）能够建立输入参数与输出响应之间的非线性映射关系，研究包括ANN与自组织映射（SOM）结合的微波-热风耦合干燥预测优化模型、LF-NMR结合电子鼻和顶空气相色谱-离子迁移谱（HS-GC-IMS）的多源检测方法，以及热力学分析、薄层干燥模型和菲克扩散理论与ANN、SOM、PCA集成的预测模型构建。
4. 自主农业系统的挑战与展望
4.1 复杂农业环境下跨域泛化与感知鲁棒性的瓶颈
限制AASs实际应用的最关键因素是农业环境本身的复杂性和多变性。当地理区域、作物品种、生长阶段或作业类型发生变化时，感知模型的识别精度趋于下降，误检率和漏检率上升。原因在于农业环境本质上是非平稳的，其统计属性在空间、时间和不同作物条件下以不可预测的方式变化；同时，单一传感器模态提供不完整的观测信息。未来研究应关注从单模态感知向多源异构融合的转变，建立覆盖多区域、多土壤条件、多气候、多作物类型和多种作业模式的大规模多样化田间数据集，采用域适应和迁移学习技术提高模型泛化能力，并通过时空对齐和跨模态特征融合建模实现视觉、LiDAR、光谱和IMU等多模态数据与机器运行状态信息的紧密耦合。
4.2 数据驱动智能决策的可解释性与可信度约束机制
主流数据驱动方法依赖缺乏决策过程可解释性的黑盒模型，难以揭示决策结果与作物生理过程、环境变量和资源利用等因素之间的内在联系，限制了其在农业生产中的可信应用。未来智能决策系统应从纯数据驱动拟合转向知识与数据协同方法，强调构建融合农艺机理知识与数据驱动技术的混合智能模型。作物生长模型、农艺专家知识和管理规则可作为农业系统的基础先验知识库，将作物生长机制、土壤-水分-养分循环过程和农艺管理策略嵌入数据驱动模型，对决策变量施加机理约束。同时，引入可解释人工智能方法对模型运行和输出进行多维度分析，通过作物需水量、养分状况和能耗等关键指标定量解释决策结果。
4.3 多扰动耦合条件下精准控制的自适应性与稳定性挑战
AASs的作业过程具有非结构化环境、强扰动和时变动态特征，耕作深度、播种深度和喷洒速率等关键作业参数易受土壤阻力、机具姿态、喂入量和作物含水率等多因素耦合影响。传统方法依赖经验整定，对复杂动态环境的全局适应性有限；MPC、神经网络控制、RL和LADRC等先进控制方法理论上具有优越的预测能力和抗扰动性能，但实际应用仍依赖高精度系统模型或大规模训练数据。未来精准控制技术应转向物理信息驱动和机理约束的控制框架，构建面向多物理场耦合过程的机理约束控制模型，结合数据驱动方法补偿难以机理表征或存在较大不确定性的部分，并引入数字孪生技术通过虚实映射实现作业过程的实时预测和动态优化，使控制系统能够根据环境变化在线更新模型参数。
