《Agronomy》：System-Level Smart Robotic Harvesting for High-Value Greenhouse Crops: A Review
高价值温室作物在劳动力短缺和作物条件多变的情况下，需要质量敏感性选择性采摘。本综述综合了188项独特的主要研究，将机器人采摘视为一个完整任务链（complete task chain），而非一组孤立的感知或操作模块。研究人员采用具身智能（embodied intelligence）作为分析视角，将感知、可采摘性评估、决策、操作、反馈、故障传播与恢复联系起来。一个温室黄瓜案例研究说明了误差如何在这些阶段间传播。综合结果表明，主要瓶颈在于系统集成：不完整的可观测性、短暂存在的场景状态、接触不确定性以及薄弱的结果验证或恢复，会导致完整任务成功率、有效吞吐量和产品质量的累积损失。大多数已报道的系统仍停留在闭环自动化或早期具身交互阶段，关于交互驱动学习或跨情境泛化的证据有限。因此，研究人员围绕六个生产相关维度构建评估：完整任务成功率、有效周期时间与重试成本、产品质量、故障检测与恢复、人工干预以及连续运行。近期优先事项是在明确的作物-设施系统中实现可靠、可恢复的操作，并实现标准化报告；跨品种和温室配置的适应是中期目标，而具身学习和广泛的跨平台迁移仍是长期研究方向。这种系统级视角将智能机器人采摘重新聚焦于信息连续性、故障遏制和可部署的温室性能。
1. 引言
1.1 研究背景与实践需求
保护地农业利用可控结构支持周年生产，但高价值作物仍依赖选择性人工采摘。机器人的可行性不仅取决于技术可行性，还取决于完整任务成功率、周期时间、季节性利用率、维护、能源需求、作物损伤以及自动化后仍需的人工监督程度。商业评估应考虑资本与改造费用、维护与服务负担、能源使用、有效劳动力替代、产品损失和投资回报，而非仅考虑自动化采摘动作的比例。温室是半结构化环境，作物几何随生长状态变化，机器人必须确定目标是否可收获、选择接近和分离动作、安全执行并验证结果。模块级性能不能保证可靠采摘，误差会在任务链中累积，长期部署还增加安全、维护和操作约束。因此，本综述将温室采摘机器人视为通过作物-机器人交互不断更新信息和动作的移动操作系统的分析框架。
1.2 概念定义与综述范围
本综述将具身智能用作分析框架，区分温室采摘机器人、具身机器人、具身智能和柔顺交互。温室采摘机器人是在保护地栽培中选择性收获满足成熟度、尺寸或市场性要求的单个果实或果簇的机器人；采摘（picking）指局部末端执行器动作，收获（harvesting）指从目标检测到结果验证的完整工作流。具身机器人指通过形态、传感器、末端执行器、材料、驱动和计算参与感知与操作的主体。具身智能指在感知-决策-动作-反馈循环中通过与环境交互适应任务行为的能力。本综述将报道能力分为闭环自动化、具身交互和具身学习三个层级，并区分柔顺交互与单纯软体材料。
1.3 相关综述与分析差距
现有综述以技术类别、组件、作物或通用机器人主题为组织单元，提供了模块级综合，但对跨阶段不确定性、故障传播、恢复和温室特定约束下的生产相关结果关注不足。本综述采用完整收获事件作为分析单元，追踪信息、动作效果和故障如何跨阶段边界传播。四个贡献为：完整收获链框架、跨阶段不确定性与故障传播分析、将反馈与恢复纳入系统级评估，以及三层级解读。
1.4 文献检索策略与文献筛选
本综述采用结构化检索与筛选流程，选择部分PRISMA 2020和PRISMA-S条目作为报告辅助。由于证据异质，未应用荟萃分析或单一偏倚风险评估工具，而是采用六领域描述性量表：验证环境、实验规模、测试时长、基于分母的结果报告、可复现性和系统完整性。每个领域0-2分，总分0-12分，用于定性指示证据强度。评分由单一评审者进行，未独立重复评分。188项主要研究中，55项（29.3%）为高强度，133项（70.7%）为中强度，无低强度；中位数8/12。主要数据库包括Web of Science Core Collection、IEEE Xplore、ScienceDirect和SpringerLink，检索完成于2026年7月30日，限定2000年1月1日至今。补充参考路线筛选了200条种子记录，但未视为独立可复现的数据库搜索。最终语料为188项独特主要研究。
1.5 研究框架与章节组织
本综述将智能农业定义为应用背景，选择性机器人收获为研究对象，具身智能为分析视角。可迁移性分别从证据强度、作物兼容性、设施兼容性和平台兼容性评估。系统评估围绕六个生产相关类别：完整任务成功率、有效周期时间与重试成本、产品质量、故障检测与恢复、人工干预和连续运行能力。温室黄瓜案例用于具体展示依赖关系。论文从环境与作物约束（第2节）到系统要求（第3节）、实现架构与子系统（第4节）以及黄瓜任务链案例（第5节），第6节综合主要发现、瓶颈和研究优先项。
2. 温室收获环境与作物特性
2.1 温室类型与栽培系统
温室设施在覆盖、跨度、地面条件、光照、环境控制和承载能力上差异显著。栽培方式决定作物几何和可用工作空间，番茄、黄瓜、甜椒常采用高架行式冠层，草莓则采用高架槽或台架。作物管理应被视为收获系统的一部分。品种选择、整枝、修剪、株距、果实负载和收获调度改变目标几何、遮挡、可操作性等。改善机器人可达性的农艺改造需与产量、品质和额外劳动力联合评估。高技术在结构标准化温室中部署最易，中低技术温室则需要模块化、轻量、半自主方案。综合来看，自由移动轮式平台配合紧凑机械臂和操作员监督的半自主模式与中技术水平商业温室较为兼容。
2.2 温室空间结构与作业通道
空间约束发生在三个嵌套尺度：平台通道、机械臂可达空间、接触和分离所需的局部净空。通道有效宽度随作物生长变化，湿地面增加打滑和漂移风险。平台、手臂和末端执行器尺寸需联合评估。固定轨道、龙门或高度集成多臂系统可提供更大工作空间控制或吞吐量，但需要更标准布局和基础设施。机器人设计应从普遍适用原型转向设施特定的平台-栽培系统协同设计。
2.3 温室光照与视觉条件
温室覆盖物减少风雨但不产生恒定光照。太阳角度、云、老化覆盖物、遮阳网、补光灯等导致曝光、反射和局部对比度快速变化。高湿度引起镜头凝结和水雾，影响结构光和立体匹配。场景特定实验显示，普通亮度变化可通过训练和曝光控制缓解，而水雾和凝结直接降低对比度和深度质量。高水果检测分数不意味着目标可用于操作。感知应以其是否提供稳定、可操作的场景状态来判断，而非仅图像级精度。实际系统常结合主动照明、自动曝光、高动态范围成像、RGB-D感知、多传感器融合和局部验证。
2.4 作物形态、空间分布与生物物理交互特性
2.4.1 作物形态与目标空间分布
目标形成从植株到枝/簇到果实和分离器官的层级。机器人需要关联的作物状态，而非孤立果实质心。标准化栽培约束大致分布但不消除个体间变异。目标表示应结合果实几何、器官连通性和可达性。
2.4.2 遮挡、重叠与结构不确定性
结构性遮挡直接移除完成动作所需的信息。果实可见不意味着分离点可见。甜椒果梗常位于果实顶部，可能弯曲或贴附果面，且果梗、叶片、枝条和未成熟绿果颜色相似。系统级瓶颈不仅是类别识别，更是恢复水果-果梗-茎关系以安全接近和分离。温室场景应被视为随观察和操作不断更新的局部状态。
2.4.3 柔顺变形、脆弱性与分离特性
果实、果梗、枝条、叶片和茎的柔顺性和机械响应不同。抓取、拉、扭或切负荷通过植物传播，引起簇运动和叶片位移。分离是生物力学相互作用，由组织强度、载荷方向、接触位置和作用时长决定。评估应报告性状范围，并按品种和成熟期分层。软末端执行器可适应尺寸和姿态变化，但柔顺本身不意味着无损伤处理，需结合视觉、力、触觉或压力反馈。
2.4.4 采前环境与采后品质
温度、光照、相对湿度、水分和养分影响品质形成和货架期潜力。采前条件影响果实对接触、吸力或分离的耐受性。评估应记录采前管理和采后品质（可见损伤、硬度、失水、颜色、花萼/果梗保留、腐烂发生和贮藏寿命）。
3. 温室收获机器人的技术要求
3.1 多模态感知与场景理解的需求
本综述提出可操作场景状态，包括目标身份、成熟度、三维姿态、器官关系、自由空间、分离点、接近区域和估计置信度。感知需跨全局搜索、目标邻域和接触前后不同尺度，并随时间更新。多模态融合需解决校准、同步、缺失数据、冲突观测和置信度传播，并依据任务阶段调整模态权重。主动感知用于在信息不足时选择新视角。连续收获要求场景理解是关系性、时间性和明确不确定性感知的。评估应报告三维定位误差、关键器官可见性、关系推理正确性、场景更新延迟等。
3.2 可收获性评估、任务决策与运动规划的需求
可收获性不是仅由成熟度决定的静态标签，而是目标生物条件、关键器官可见性、空间可达性、末端执行器姿态裕度、碰撞与损伤风险及感知置信度共同形成的任务状态。本综述建议将可收获性表示为可转换的分级状态，而非二分类。任务决策在观察、移动、收获、延迟和退出间选择，排序需联合考虑运动成本、感知不确定性、碰撞风险和移除后影响。运动规划需区分刚性基础设施和可接触叶片，并返回不可行原因以触发重新观察、重新定位或延迟。
3.3 柔顺操作与闭环交互的需求
接触过程从非接触运动转为物理交互后，位置和姿态误差直接转化为接触位置、动作方向和载荷误差。柔顺操作需兼顾误差包容和可控性，根据作物类型、成熟度、分离方式和操作阶段调整安全操作包络。动作模式选择应基于对完整任务的影响，而非仅能否分离。阶段特定反馈应结合视觉、力、触觉、压力和驱动器信号，驱动显式状态转换和有界纠正动作。
3.4 连续运行、自主恢复与系统协调的需求
连续运行需要目标级、环境级和机器人级的状态管理，并保持信息交接。异常应被分类，恢复应改变失败条件而非重复相同动作。恢复层级包括局部感知校正、任务/路径重规划、设备故障受控停止。每次重试应规定尝试限制、时间和力预算及显式退出条件。共享目标身份和互锁可防止不成熟操作。
4. 温室收获机器人的系统架构
4.1 总体架构与闭环机制
温室收获机器人主要由物理执行、感知与状态构建、任务与运动控制、物流与安全保障四部分构成。传感器和控制器按物理结构分布，车载计算执行场景理解、任务调度和运动规划，通过实时控制器或可编程逻辑控制器（PLC）发出命令。层级控制包括任务层、运动层和设备控制器。架构定义了时间预算和共享时间戳、坐标系、目标身份、完成状态和故障码。
4.2 感知、场景理解与决策功能
传感器放置决定其功能角色：平台安装的RGB-D、LiDAR支持全局定位；眼在手上的相机更新目标邻域。数据经校准、同步和坐标管理进入共享状态，包括对象表、关系图、机器人状态和任务状态。场景更新针对受影响的物体和关系，主动观测作为任务动作被调用。决策模块依次执行可收获性门控、任务选择和执行约束生成，共享状态作为唯一权威任务状态源。
4.3 末端执行器与果实收集系统
末端执行器将任务层目标状态转换为接近、保持和分离动作，收集子系统接收果实并报告转移、容量、堵塞或丢失。几何和产品质量约束共同定义操作包络。柔顺仅与状态估计结合时有价值。分离模式可表示为参数化程序，包含可见性要求、预操作姿态、保持条件、载荷和速度界限、完成准则和安全退出。结果验证应交叉检查视觉证据与力、压力、触觉或驱动器状态，产品质量同时评估。
4.4 移动平台与机械臂
移动平台、升降机构与机械臂构成层级定位系统：平台粗定位，升降将手臂置于目标高度附近，机械臂进行局部到达和姿态调整。平台选择是设施特定的。机械臂配置应匹配目标分布和接近方向，而非最大化自由度。多臂系统仅在目标密度和物流支持并行工作时增加覆盖。集成需考虑质心、挠度、校准稳定性和变化的收集载荷。
4.5 交互反馈、自主恢复与系统集成
使用显式状态机表示接近、接触、保持、分离、转移和释放，并为每个状态定义观测、完成条件、超时和异常退出。局部反馈回路纠正接近和接触，高层状态管理决定循环开始、终止或回滚。恢复逻辑判断故障是否可逆，并决定局部、任务或系统级动作。系统级恢复需模块间共享时间、坐标、目标身份、场景版本和故障语义。商业部署需报告可用性、停机、维修和恢复时间以及干预频率。
5. 示例研究：温室黄瓜收获
5.1 场景感知与收获目标表示
5.1.1 温室黄瓜收获场景与系统配置
高架黄瓜栽培中，果实呈长形、颜色类似叶片、果梗纤细，常与主茎、卷须和支持绳交织。目标表示逐渐丰富，包含果实几何、果梗连通性、周围植物组织和局部可操作空间。
5.1.2 黄瓜检测与三维定位
代表性系统使用RGB-D检测构建候选列表并生成连续收获路径。确定果实存在通常比估计其朝向和连通性容易。当果轴或上部连接不清晰时，应安排额外观察。三维状态恢复需处理颜色-深度配准、深度孔洞、手眼标定误差，并使用形态学先验指导观察方向。
5.1.3 局部观察与视觉伺服校正
眼在手持感知和动态视觉伺服更新局部状态。由于黄瓜和果梗在通风或接近时可能摆动，单一局部估计可能在接触前失效。动态果梗跟踪和姿态估计方法维持伺服循环中的可观测性。感知应通过其对成功接近和操作的贡献来评估。
5.2 可收获目标评估与收获任务决策
5.2.1 目标可收获性评估
可收获性门控信息分为四类：生物条件（果实大小、成熟度、市场性）、感知条件（目标身份、果梗可见性、姿态置信度）、机器人条件（逆运动学、关节裕度、末端执行器姿态）和交互安全条件（主茎、邻近果实、设施是否进入接近或撤退包络）。这些条件决定直接收获、额外观察、调整机器人、延迟或跳过。评估应保留不确定性，区分不可接触的主茎和可有限扰动的叶片。
5.2.2 多目标收获顺序生成
任务层确定当前平台工位的访问顺序。排序需考虑目标间几何距离、机械臂运动成本、碰撞和损伤风险、感知不确定性和失败后恢复成本。连续收获规划器可聚类空间相关目标、排序访问、连接高效转移路径并局部调整冲突段。收获顺序需随场景变化更新。
5.2.3 机械臂接近路径与在线调整
执行从预操作姿态到粗接近、局部观察和对齐、工具进入和安全撤退。方法分为全局/目标间规划和局部精确对齐。异常按原因处理：目标丢失触发额外观察；定位差或净空堵塞触发撤退、重新定位或重规划；持续不可行则延迟或跳过。
5.3 柔顺执行、状态反馈与系统性能
5.3.1 末端执行器定位与果梗切割
最终接近段使用连续眼在手观测和低速运动，并约束相对位姿误差和工具安全包络。黄瓜末端执行器结合保持、果梗引导或对齐、切割和转移。机械设计可降低感知精度要求，但仍需状态反馈。动作应顺序推进，基于当前状态触发保持、引导、切割和转移，而非固定延时。
5.3.2 果实转移与收获状态验证
果梗切割不完成任务。系统需区分分离并保持、分离但丢失、未完全分离、已送达容器和不确定结果。状态验证可结合动作前后图像、真空压力或夹持器位移、驱动器电流、果实相对运动和容器侧检测。恢复应改变失败条件而非重复动作。反馈应持续到撤退和场景更新。
5.3.3 系统性能与任务链影响
完整系统性能由目标检测、冠层进入、局部对齐、果实保持、果梗分离、采后转移和异常恢复共同决定。代表性系统数据展示了不同阶段瓶颈，例如层级系统中串联检测、进入和切割率导致较低完整系统成功率；连续路径规划减少空行程但不衡量保持、分离或入箱成功。系统评估应报告条件阶段转换、失败位置、恢复成本和每个成功收集果实的有效时间。黄瓜案例不可直接外推至其他作物，任务链分析和评估逻辑可迁移，但目标表示、可收获性标准、接触限制和性能值必须针对每种作物、品种、整枝系统和温室重新验证。
6. 高价值温室作物智能机器人收获的结论与展望
6.1 系统层面发现
188项研究中，最清晰的系统级发现是完整系统可靠性取决于感知、决策、操作、反馈和恢复之间的连续性，而非任何单一模块的峰值结果。温室收获失败发生在缺失器官信息、短暂场景模型、接触不确定性或未验证转移向下游传播时。具身智能视角有助于定位证据：多数平台实现闭环自动化和部分具身交互，但交互经验用于在线学习、跨品种适应或迁移的证据较少。
6.2 主要瓶颈与基准测试优先事项
四个瓶颈交互出现：果梗、自由空间和附着结构的不完整可观测性；作物运动或果实移除后的场景有效时间短暂；保持和分离期间接触结果不确定；阶段失败时诊断和恢复薄弱。评估是第二个瓶颈：收获目标、完整成功、损伤、周期时间、重试成本、自主性和人工干预的定义不一致。经济可行性缺乏持续商业试验测量。表14给出了本综述提出的最低系统级报告集，作为基准测试建议，而非声称现有研究均报告这些变量。
6.3 按证据成熟度的研究优先事项
研究优先事项应遵循可靠性、适应性、泛化的阶段序列。近期应确立明确作物和栽培系统下的稳定感知、稳健操作、显式结果验证和恢复、可接受周期时间、低损伤和持续运行。中期应减少跨品种、季节和温室配置的适配工作量。跨作物或机器人本体的广泛迁移需在可靠性和适应性验证后进行。验证应涵盖多个品种和连续生产周期。数据集和基准应转向完整收获交互的时间记录。农艺与机器人协同设计是直接机会。实证确立的方向包括RGB/RGB-D感知、局部视觉伺服、任务专用末端执行器、基于阶段的反馈和有限状态机恢复；新兴方向包括主动感知、多模态接触解释、模仿/扩散策略和学习辅助适应。具身学习、基础模型、视觉-语言-动作控制和广泛跨机器人/跨作物迁移仍是前沿研究问题。
6.4 本综述的局限性
本综述存在若干局限：协议、成功定义、样本量和作物/设施条件异质，未应用荟萃分析或通用偏倚风险工具，六领域证据分数仍属描述性工程判断。筛选、全文资格评估和数据提取由单一评审者进行，未独立重复。正式预筛去重仅依赖精确DOI匹配，修订后按标题/作者/年份识别出一个残留重复，最终获得188项独特研究。补充路线限于200条种子记录，使用Google Scholar辅助验证而非独立可复现数据库查询。果园或田间研究仅作为可迁移机制级证据，可迁移判断依赖解释。出版和报告偏倚可能存在，未报告失败不应被解读为可靠性证据。未来综述应使用前瞻性方案、独立重复筛选和提取、独立证据评分验证以及标准化系统级报告。
