地空协同表型机器人田间导航法助力大田作物表型数据采集
田间表型机器人作为大田作物表型数据采集的关键平台，实现其在作物全生育期无人化采集，亟需适配大田复杂环境的高效导航方法。
该导航方法通过配备实时动态差分（RTK）模块的无人机构建高精度田块地图，运用SegFormor-B0语义分割模型精准检测作物行，提取关键坐标点以生成表型机器人的导航路径。同时，团队提出基于纯追踪算法的自适应控制器，能依据机器人当前位置与目标位置间的距离、角度偏差和横向偏差，动态调整转向角度。
在团队自主研发的表型机器人上，针对盆栽及田间种植作物开展实验。结果显示，该方法在提取盆栽植物区行中心线的平均绝对误差（MAE）为2.83厘米，农田区为4.51厘米。在盆栽植物区，99.1%的全局路径跟踪误差处于2厘米范围内，平均绝对误差达0.62厘米，最大误差为2.59厘米；农田区72.4%的误差在2厘米范围内，平均绝对误差为1.51厘米，最大误差为4.22厘米。相较于传统基于全球导航卫星系统（GNSS）的导航方法和单视觉方法，该方法在应对作物动态生长与复杂田间环境时优势显著。
图2 关键坐标点的工作流程图
图4 盆栽作物区和田间作物区两个场景跟踪误差直方图
此创新方法借助无人机与地面机器人协同，构建起“全局感知 - 局部执行”的闭环优化系统，成功突破传统导航技术依赖静态环境的局限，大幅提升表型机器人在农田环境中的导航精度与环境适应性。
华中农业大学作物表型团队聚焦作物表型组高通量获取、智能精准解析及作物育种应用等交叉研究领域。团队研究生张子康和李正达为论文共同第一作者，宋鹏副教授为通讯作者。本研究获得国家重点研发计划、国家自然科学基金、湖北省农业核心攻关项目的支持。
文章链接：https://doi.org/10.1016/j.aiia.2025.05.005
该导航方法通过配备实时动态差分（RTK）模块的无人机构建高精度田块地图，运用SegFormor-B0语义分割模型精准检测作物行，提取关键坐标点以生成表型机器人的导航路径。同时，团队提出基于纯追踪算法的自适应控制器，能依据机器人当前位置与目标位置间的距离、角度偏差和横向偏差，动态调整转向角度。
在团队自主研发的表型机器人上，针对盆栽及田间种植作物开展实验。结果显示，该方法在提取盆栽植物区行中心线的平均绝对误差（MAE）为2.83厘米，农田区为4.51厘米。在盆栽植物区，99.1%的全局路径跟踪误差处于2厘米范围内，平均绝对误差达0.62厘米，最大误差为2.59厘米；农田区72.4%的误差在2厘米范围内，平均绝对误差为1.51厘米，最大误差为4.22厘米。相较于传统基于全球导航卫星系统（GNSS）的导航方法和单视觉方法，该方法在应对作物动态生长与复杂田间环境时优势显著。
图1 技术路线
图2 关键坐标点的工作流程图
图3 盆栽作物区和田间作物区两个场景的路径提取率结果图
图4 盆栽作物区和田间作物区两个场景跟踪误差直方图
此创新方法借助无人机与地面机器人协同，构建起“全局感知 - 局部执行”的闭环优化系统，成功突破传统导航技术依赖静态环境的局限，大幅提升表型机器人在农田环境中的导航精度与环境适应性。
华中农业大学作物表型团队聚焦作物表型组高通量获取、智能精准解析及作物育种应用等交叉研究领域。团队研究生张子康和李正达为论文共同第一作者，宋鹏副教授为通讯作者。本研究获得国家重点研发计划、国家自然科学基金、湖北省农业核心攻关项目的支持。
文章链接：https://doi.org/10.1016/j.aiia.2025.05.005
标签：
植物表型
