農業機器人研究進展評述

李丹丹，史 云，李會賓，韓 偉，段玉林，吳文斌

（中國農業科學院農業資源與農業區劃研究所/農業農村部農業遙感重點實驗室，北京 100081）

0 引言

全球農業發展總體上經歷了4 個階段［1］：農業1.0——使用簡單工具的傳統農業［2］，農業2.0——生物化學農業［3］，農業3.0——以使用多種農機具為主的機械化農業［4］，農業4.0——以物聯網大數據為主的智慧農業發展［5］。隨著我國邁入農業4.0 發展階段，我國農業發展面臨著“誰來種地，如何種地”［6］的問題，勞動力日益減少、小面積地塊機械化程度較低，降低了我國農業的競爭力，迫切需要進一步轉變發展方式［7］，由“機器代替人力”、“電腦代替人腦”［8-10］。智能傳感器［11］和農業智能機器人［12］的發展為解決該問題提供了方向。

農業機器人技術是集農學、地理信息科學、生物力學、機械學、計算機視覺、圖像處理、生物傳感、智能控制等諸多學科于一體的新興研究領域［13］，已經成為國際機器人領域的一個研究熱點。目前，農業機器人在采摘［14］、植保［15］、巡查［16］、信息采集［17］、移栽嫁接［18］等方面都有應用，不僅促進了農業產業的發展，也促進了由機械化農業向智慧農業的轉變。

全球農業機器人發展迅速，未來有更廣闊發展前景和應用需求［19］。針對目前有關農業機器人研究現狀仍不清楚這一現狀，文章系統梳理和總結了近50 年來農業機器人的研究和應用狀況，凝練存在的關鍵技術問題，以期提出未來重點發展方向。

1 農業機器人的起源與現狀

1959 年，世界上第一臺機器人誕生于恩格爾伯格先生的Unimation 公司［20］；20 世紀70 年代初，斯坦福研究院首次采用人工智能學研發智能機器人Shakey［21］；70 年代后期，日本開始了世界上最早的農業機器人研究［22］；90 年代以來，各國開始研究發展精準農業［23］，取得了一系列成果，農業機器人廣泛使用促進了農田、果園等地塊的機械化與智慧化［24］。

1.1 植保機器人

植保機器人可分為施肥機器人和除草機器人［25-27］，施肥機器人能夠根據土壤營養元素含量以及作物種類不同，自動計算和配比營養液［28］，計算施肥量，達到精準施肥。由于機器人的作業面積小、作業靈活［29］，其應用前景主要在變量施肥方面。變量施肥需要分析地塊中各肥料含量，目前較常用的土壤肥力測量方法為定點測量［30］，但是受到測量點數量有限、取點難以代表全部地塊等問題的限制，定點測量無法滿足機器人變量作業的要求。由此，目前實際應用中土壤肥力是否能即時分析與處理，是植保機器人發展中亟待解決的問題。

除草機器人是集環境感知、路徑規劃、目標識別和動作控制于一體的智能機器人系統［31］。除草機器人的研究從20 世紀60 年代開始［32］，經過50 多年的研究，除草機器人的研究和應用快速發展（表1），目前其主要工作方式有3 種：（1）基于機器視覺，精確定位雜草目標的機械除草［33］；（2）基于目標定位的除草劑精確噴灑［34］；（3）基于目標定位的激光除草［35］。

續表

1.2 采摘機器人

果蔬采摘是生產鏈中最耗時耗力的一個環節，成本高、采摘期集中、重復性高［48］，因此果蔬采摘的自動化具有重要意義。采摘機器人最早由美國學者schertz 和Brown 于1968 年提出［49］，是初級的半機械半自動化方式，隨著計算機視覺、機器人技術、人工智能的發展，以美國、日本為代表的許多國家，包括荷蘭、以色列、英國、德國等國家在采摘機器人方面做了大量研究，取得了初步進展。采摘機器人的主要技術部分包括：果實的識別和果實位置的確定、采摘方式、機器人自動行走與導航［50］（圖1）。其中，果實的識別和果實位置的確定主要有灰度、閾值、顏色色度法和幾何形狀特征等方法［51］；采摘方式主要為機械手［52］，根據果實的生物特性，設計機械手的自由度、采摘方式與抓取成功率［53］；目前大部分機器人使用輪式行走［54］，還有根據不同地形與應用設計的履帶式采摘機器人［55］與腿式采摘機器人［56］，隨著結構與應用的探索，出現了結合輪式、履帶式與腿式的復合式機器人［57］。

1993 年，日本首先通過番茄果實和樹葉的顏色對比，利用視覺系統檢測出番茄在機械手坐標系的位置信息，尋找和定位成熟果實，研制了一臺具有7 自由度機械手的番茄采摘機器人［58］，采摘速度約為15 s/個，成功率約為70%，但是對于處于葉莖茂密處的成熟番茄，難以避開障礙物識別番茄，同時，該系統中視覺識別是基于2D 系統，若針對重疊的番茄或其他與葉片顏色相近的水果時，識別會非常困難。基于此，日本Ehime 大學研發了三維視覺系統［59］，包含一個CCD 彩色攝像機、一個距離傳感器和一臺計算機。在此基礎上，日本Shimane 大學進一步完善了視覺系統［60］，包含3 個圖像傳感器、一個三維視覺傳感器和一臺計算機組成，提高了檢測水平。1996 年，荷蘭農業環境工程研究所研制了一種黃瓜采摘機器人［61］，利用近紅外視覺系統辨別黃瓜果實，機器人為輪式行走車，采用7 自由度機械手，實驗工作速度為10 s/根。2018 年，日本學者提出了采用配備RGB-D 攝像頭來檢測番茄花梗，檢測切割位置，通過切割花梗實現番茄采摘［62］。目前大部分采摘機器人都在樣機或研究階段，尚未進入大規模商業應用。主要難點及問題在于：果實的識別率低，定位精度較低；作業效率約為3～15 s/個果實，尚不能滿足商業應用需要；果蔬通常比較嬌嫩，機械采摘的傷果率較高；目前果蔬的采摘機器人通用性與利用率差?；诖耍磥聿烧獧C器人的發展方向在于：采摘目標的位置精準感知、機械臂的位姿控制與多種采摘方式結合、多傳感器融合定位與導航控制技術、開放式結構機器人［63］。

圖1 采摘機器人主要技術方法Fig.1 Main technology method of harvesting robot

1.3 信息采集機器人

當前農業生產追求精準農業，實時監控各地塊農田生物、溫度、濕度及土壤信息等，目前農業信息的采集方式主要有以下幾種方法（圖2）：（1）傳統田間采樣［64］，需要人工采樣并帶回實驗室分析，工作量大且測量成本較高。（2）固定采集器［65］，集成GPS 和傳感器的定位信息采集，美國Field Worker 公司的基于掌上電腦的信息采集軟件Field Worker 能很好地滿足精細農業的需要。通過與GIS 的連接，能實時采集帶有空間位置屬性的田間作物生長狀態信息并能做相應的計算處理，為作物管理提供科學依據。此種方法教傳統田間采樣節省了人力，但是采集樣點數量受傳感器數量的限制，成本較高。（3）多平臺遙感獲?。?6］，遙感技術利用高分辨率傳感器對不同作物生長期實施全面監測，根據光譜信息，進行空間定性和定位分析，為定位處方農作提供大量的田間時空變化信息。遙感信息作為GIS 信息的重要數據源，也可以補充實地采集的土壤肥力、雜草、蟲害等數據。發揮遙感信息應用的巨大潛力，再加上高光譜遙感分辨率的提高，均為開展精細農業實施的尺度效應研究提供了理論可能，對于較大面積地塊具有友好性，但是對于我國丘陵地區等小面積分散地塊，遙感方法顯示出了其精細度不足、更新不及時的缺點。（4）農田信息采集機器人［67］，將采集農田信息所需的傳感器安裝在農業移動機器人上，自動采集農田信息。機器人體型較小且較靈活，適宜于農田信息的采集，目前國內外對其進行了一系列研究。

圖2 農田信息采集方式Fig.2 Farmland information collection method

日本京都大學研究的六足機器人［68］（圖3-a），能夠在田間行走并采集農業信息，如土壤的水量、肥量和農作物的生長狀況等。它采用CO2傳感器和風向儀進行導航，外形尺寸為270 mm×310 mm×170 mm，行走速度為1-2 m/min。

美國Grift 等人開發的watching-dog robot［69］，在機器人上裝有攝像頭和GPS 接收器，用于自動采集田間信息，它能在農田中行走并尋找和定位長勢不好的作物或者雜草。機器人采用四輪獨立驅動的方式在田間行走，為了適應地形的復雜性采用了柔性的聯動息架結構，采用電磁羅盤感知方向，激光測量系統導航，CAN 總線傳輸數據，行駛速度為0.14 m/s。

美國伊利諾伊大學開發的四足螞蟻機器人群［70］，用于田間巡視，通過無線藍牙技術傳遞信息。丹麥奧爾堡大學的API（Autonomous Plant-care Implementation）［71］自主農業機器人（圖3-b），是四輪驅動、四輪轉向的移動機器人，通過全球定位系統、視覺系統和雷達系統采集作物信息，用戶農田監測和自主作業。

美國迪爾公司發明的用于土壤測試的機器人車輛［72］，在機器人上的裝有一個或多個用于提取土樣的探針，土樣被采集回來后送到實驗室，對采集的土樣進行分析后得到數據，并把土壤數據存入數據庫。

Garcia 等利用無線傳感器網絡構建分布式農田視頻監控和數據采集系統［73］，通過Internet 實現遠程數據傳輸。Bak 和Jakobsen 提出了一種小型農田信息采集機器人［74］（圖3-c 和3-d），能夠在作物行間穿行，用攝像頭和GPS 接收器獲得田間雜草的位置信息。

圖3 信息采集機器人Fig.3 Farmland information collection robot

1.4 移栽嫁接機器人

隨著人們生活水平的提高，人們對果蔬的品質要求也日益增高，但農作物的連作障礙、病蟲害及植物對環境的適應性等因素嚴重制約了果蔬的產量和品質［75］，為解決以上難題嫁接技術應運而生。

室內工作的農業機器人，將在溫室大棚和生產車間里發揮作用。溫室栽培包括育苗、嫁接、采摘、包裝等多類作業［76］，其他還有摘葉、防蟲除草、搬運等工作需要反復進行，需要的勞動力多、勞動強度大，溫室內高溫、高濕、勞動環境較差，十分需要實現作業的自動化。

以嫁接問題為例。嫁接栽培是克服瓜菜連茬病害和低溫障礙的最有效的途徑，抗病、增產效果顯著，廣泛用于黃瓜、西瓜、甜瓜、茄子、番茄栽培，但人工嫁接速度慢、效率低、費工費時。嫁接機器人集機械、自動控制與設施園藝技術于一體［77］，可大幅度提高嫁接速度，明顯降低勞動強度，并可提高嫁接成活率。

1986 年日本在農業機器人研制的基礎上，率先研制果蔬苗木嫁接自動化機器人［78］，1987 年研制出半自動1 號試驗樣機G871，1994 年井關公司與日本生研機構協作推出了CR800T 茄科嫁接機（圖4-a）；三菱公司根據嫁接苗生產模式開發出MGM600 型自動嫁接機（圖4-b）；1993 年TGR 研究所開發出商品化茄科用嫁接機（圖4-c）；日本洋馬公司2003 年發布了一款造價低的半自動瓜科嫁接機（圖4-d）。

20 世紀90 年代初，韓國也開始了嫁接機的研制與開發［79］，其中裕豐公司研發的小型半自動式嫁接機（圖5-a）生產率約310 株/h，生產率較低但是運行穩定、成本低廉［80］；Idealsystem 公司研發出針式全自動嫁接機（圖5-b），主要針對茄科作物［81］。在歐洲，2010 年意大利Tea 公司研制出了半自動茄科嫁接機，荷蘭的ISO 公司研制出了多種嫁接機器，分選幼苗機器（圖5-c），全自動茄科嫁接機（圖5-d）等。

我國在嫁接機器人方面也有較好的發展。1998 年，中國農業大學首次開發出2JSZ-600 型自動嫁接機［82］。2006 年東北農業大學研制并開發出了2JC-350 型插接式半自動嫁接機。2009 年浙江理工大學和浙江大學聯合開展了基于插接法嫁接機的研究。2010 年華南農業大學與東北農業大學聯合推出了2JC-600 型半自動嫁接機和2JX-M 系列嫁接切削器［83-84］，并持續研究了全自動瓜類嫁接機。2011 年國家農業智能裝備工程技術裝備研究中心開發出了貼接法嫁接機器人。

圖4 日本的4 種移栽嫁接機器人Fig.4 Grafting robot of Japan

圖5 其他國家的4 種移栽嫁接機器人Fig.5 Grafting robot of other countries

2 農業機器人的關鍵技術

農業機器人技術與其功能應用密切相關，但是具有包括機器人本體、傳感器、通訊與數據分析等共性系統，其關鍵技術包括：自動行駛與路徑規劃、作物目標識別與分析、機械臂自主規劃與控制、多機協作和智能交互［85-87］。

圖6 農業機器人的關鍵技術Fig.6 Key technologies in agricultural robotics

2.1 自動導航與路徑規劃

目前實現機器人導航的主要方法有：全球導航衛星系統（GNSS）［88］、激光導航［89］、慣性導航［90］、電磁導航［91］、無線電導航［92］、視覺導航［93］、信標導航等［94］。

機器人導航的主要問題是利用機器人上的傳感器獲取定位和環境信息，使機器人按照預定的路線行走。導航需要的4 個基本模塊是：感知、定位、認知和運動控制［95］，關鍵問題包括：制圖、定位、路徑規劃等。

2.1.1 多傳感器融合

多傳感器融合基于多個傳感器的獨立觀測數據，通過多傳感器融合提高測量精度，增加系統感知維度和健壯性。多傳感器融合方法使得構建環境三維特征圖更加簡單，Auat 等［96］采用激光與攝像機相結合的方式，實現了三維地圖的快速構建，Lepej 和Rakun［97］使用兩個激光傳感器提取特征做機器人的位置預估，以適應復雜的野外環境。荷蘭學者利用3D 激光測距數據在車輛移動時提供車輛周圍體積的最新掃描，實現動態避障［98］；針對動態行人，日本學者提出了一種利用激光雷達對時間序列中的測量距離進行疊加，提高了行人識別精度［99］；2017 年印尼學者提出了一種利用SLAM 在模擬農業區域生成地圖的方法，通過微調SLAM-Gmapping 算法生成基于網格的立體圖，結合激光掃描器的樹位置檢測和利用視覺傳感器的水果檢測，使用Gazebo 模擬器，生成蘋果園的模擬地圖，使用模擬器能夠在復雜的田間地頭環境中準確有效地模擬機器人種群［100］。

2.1.2 同步定位和制圖

同步定位和制圖（Simultaneous Localization and Mapping，SLAM）——當自定位和環境均未知時，要求機器人在不斷運動的過程中通過傳感器感知遞增地建立環境的導航地圖，同時利用已建立的地圖同步刷新自身的定位［101］；當前機器人搭載的主要傳感器為視覺、激光、慣性測量單元、超聲波、里程計等傳感器［102］，其流程圖如圖7 所示。

圖7 視覺SLAM 流程Fig.7 Process of visual SLAM

SLAM 是目前機器人領域的研究熱點，Endo 等［103］將LSD-SLAM 應用于視障人群的導航系統中，利用可穿戴攝像頭估計視障人群的位置，幫助視障人群在行走中避開障礙物；Xiao 等［104］提出了一種改進的ORB-SLAM 系統，該系統與采用三角剖分算法的激光掃描方法相比，在12 m 范圍內誤差僅為35 cm；Santos 等［105］提出了一種基于二維擴展卡爾曼濾波器算法的EKF-SLAM 方法，提高了在陡坡和復雜的自然環境中建圖的精度。

但是當前的點云地圖對不同的物體并未區分，使得點云地圖信息量有限，機器人只能獲取哪里有物體，不能獲取該物體是什么類別，使得地圖的利用性十分有限。在語義SLAM 方面，有許多學者做了相應的研究工作，Haspelmath［106］和Haan［107］詳細描述了如何繪制經典語義地圖和一些技術問題，其基本思想是將傳感器獲取的信息分解成計算機能夠理解的字符，計算機再將這些字符組合起來，對數據庫中組合的結果進行查詢匹配，并利用所得到的結果描述地圖信息。Dabeer 等［108］學者將語義地標加入到三維地圖中導航，提高了20 cm 的精度；帝國理工學院Andrew Davison 課題組通過RGB-D 相機構建場景點云，把點云特征與預先準備好的物體數據庫中的物體進行比對，一旦發現匹配的物體就把預先存儲好的精細點云放入地圖，但是其做了地面水平的假設，使得放入地圖中的物體都保持在一個水平面上，目前的語義SLAM 大多在高度可控的場景下進行，并需要提前建立好物體類別庫，整個空間概念的語義圖構建仍然存在許多困難，需要進一步的探索和研究。

2.1.3 主動定位

農業機器人工作中首先需要獲取全局位置和當前位姿，才能進行下一步規劃，定位分為全局定位和相對定位。在機器人定位領域，絕對定位一般分為信標定位、全球定位系統、地圖匹配定位、概率定位等，相對定位包含航跡推算。當前，在農業領域，由于地面通常較粗糙且農作物生長密集、易受機械損傷，所以航跡推算和GPS 方法不符合精準農業標準。為解決這一問題，有研究人員將差分技術和GPS 技術相結合，提高了定位精度。PerezRuiz 等［109］研究了一種雜草控制刀的路徑控制系統，定位精度達到0.8 cm，差分GPS 能夠實現1cm 左右的定位精度，但是在非平原地區，由于其四面環山，這種環境會給基站的架設和信號傳輸帶來困難，所以目前難以大規模推廣。

聲源定位［110］是機器人定位的另一種方法，機器人通過傳感器或音頻陣列獲取環境的聲音信息，然后對信息進行融合處理，判斷聲源的位置，從而為估計自身定位提供條件。Rucci［111］等模擬貓頭鷹的捕獵行為，構建了一個兩側麥克風和一個攝像頭的機器人頭部測量系統，實現了聲源定位。為了提高聲源定位的定位精度，Gui 等［112］提出了一種基于十變量立體陣列的聲學定位算法，平均定位誤差小于1 cm。Su 等［113］提出了一種利用激光測距儀和麥克風陣列進行音頻跟蹤的方法，考慮了聲音的反射和障礙物的遮擋，成功的檢測到聲源，誤差在11.38 cm 內。

2.1.4 動態路徑規劃和避障

主動定位研究在導航地圖已知的情況下，機器人如何規劃和控制其運動路徑，向能夠獲得更多有利于自定位的傳感器感知的環境區域運動，從而盡快實現精確的定位；如何在導航地圖中尋找一條由當前位置到目標位置可行的或最優的運動路徑，并控制機器人沿該路徑到達目標位置，是路徑規劃的主要研究內容［114］。

路徑規劃分為全局路徑規劃和局部路徑規劃［115］。全局路徑規劃一般應用于機器人運行環境中已經對障礙信息完全掌握的情況下，常用的算法包括有遺傳算法、快速隨機搜索樹算法和蜂群算法以及相關算法的改進［116］。局部路徑規劃由傳感器實時采集環境信息，確定環境地圖信息，得到當前所在地圖的位置及其局部障礙物分布情況［117］，從而可以獲取當前結點到某一子目標節點的最優路徑。局部路徑規劃常用算法主要包括：人工勢場法、模糊算法、A*算法等，此外，還有人工免疫算法、D*算法、滾動窗口法、事例學習法等。

機器人避障控制是路徑規劃中需要解決的子問題，可視作為局部路徑規劃中的一個環節。為了保障農作物、行人、機器人自身的安全，機器人需要對周圍環境的感知及時做出快速的避障決策，由于障礙物和環境可能是不斷變化的，在解決避障問題時，首先檢測障礙物，再進行避障控制。結合機器人自身的運動速度和姿態估計避障的距離，確定避障的最小距離和最大避障角度。在避障控制方面，常用的研究算法有：BUG 方法［118］，可見性方法［119］，人工勢場法［120］，VFH 方法［121］，動態窗口法［122］。

XU 等［123］利用BUG 算法解決了位置靜態條件下導航中的避障問題。Souidi 等［124］對BUG 算法進行了改進，使傳感器數據得到最優利用，減少了到目標的路徑長度。Shi等［125］分析了人工勢場法的不足，提出了一種提高規劃路徑平穩性的方法。kumar 和kaleeswari［126］利用VHF 方法對輪式機器人進行避障控制，并在機器人距離障礙物超過20 cm 時完成避障路徑規劃。這幾種方法各有其獨特的優勢，也有其局限性。在農業環境中，農作物生長密集，農業機器人的工作空間不大，當需要避障時，需要盡可能和機器人保持較小距離，綜上所述，避障在一般環境下取得了較好的成果，但是在農業領域，仍需進行進一步的研究與應用。

2.2 作物目標識別與分析

2.2.1 CNN 目標檢測

農業機器人中作物目標識別有廣泛的應用，包括病蟲害識別、果實識別、目標跟蹤等［127］。其中卷積神經網絡（Convolutional Neural Networks，CNN）是目標識別的代表算法之一。CNN 由輸入和輸出層以及多個隱藏層組成，隱藏層可分為卷積層，池化層、激勵層和全連通層。典型的CNN 模型包括：LeNet，AlexNet，ZF Net，GoogleNet，VGGNet；典型的基于CNN 的目標檢測算法包括：R-CNN，Fast R-CNN，Faster R-CNN，R-FCN，FPN，Yolo，SSD，DSSD［128］。

2.2.2 作物表型分析

植物表型研究始于20 世紀末，其核心是獲取高質量、可重復的性狀數據，進而量化分析基因型和環境互作效應及其對產量、質量、抗逆等相關的主要性狀的影響［129］。相對于單一性狀，植物表型組能為植物研究提供全面的科學證據。2017 年，法國植物表型協會主席Francois Tardieu 和諾丁漢大學植物學家Malcolm Bennett 指出如何把室內、外表型研究中產生的巨量圖像和傳感器數據轉化為有意義的生物學知識是下一階段表型學研究的瓶頸問題［130］。

當前，各類表型數據采集裝置主要包括空天地3 種采集平臺，其中地上機器人包含的采集裝置包括：可見光成像、超頻譜、多頻譜、超聲波、激光雷達、熱成像等［131］，表型圖像數據的處理分為：前處理、分割、分類及目標區域檢測和提取。當前，機器學習算法和多源圖像數據融合技術開始越來越多的應用在田間作物表型研究領域［132］。

2.3 機械臂自主規劃與控制

機械臂路徑規劃指的是在機械臂所有關節運動范圍內，保證機械臂的所有連桿在運動過程中不與障礙物發生碰撞的前提下，規劃出一條從起點到終點的路徑［133］。機械臂的避障路徑規劃的方法，一直分類方式是分為全局路徑規劃和局部路徑規劃。

全局路徑規劃分為A*搜索算法、Dijkstra 算法、RRT 算法、蟻群算法等［134］；局部路徑規劃分為人工勢場法、遺傳算法、人工神經網絡算法等［135］。

圖8 路徑規劃Fig.8 Path planning of manipulator

A*搜索算法關注點到點的最短路徑，荷蘭學者設計了一款利用A*搜索算法的黃瓜采摘機械臂，首先獲取機器人工作環境的傳感器信息，再規劃無碰撞的機械臂動作，將末端執行器引導至黃瓜采摘和送回［136］，該算法易于實現且健壯性好，但是智能性較差且算法過于緩慢。Dijkstra 算法計算源點到其他所有點的最短路徑長度?？焖偬剿麟S機樹算法（RRT 算法）是基于隨機采樣的路徑規劃算法，華南農業大學采用RRT 算法設計了智能荔枝采摘機械手，通過建立機械手和障礙物的碰撞檢測模型，實現了避障路徑規劃，并提出了遺傳算法和平滑處理來進一步優化RRT 的算法生成的路徑［137］。蟻群算法是一種用來尋找最優路徑的概率型算法。人工勢場法是由Khatib 提出的一種虛擬力法［138］，結構簡單便于底層的實時控制，但是其在相近的障礙物群中不能識別路徑。遺傳算法是一種通過模擬自然進化過程搜索最優解的方法；人工神經網絡系統是20 世紀40 年代后出現的，由眾多的神經元可調的連接權值連接而成，具有大規模并行處理、分布式信息存儲、良好的自組織自學習能力等特點。

2.4 多機協作和智能交互

多機器人協作的研究方面包括：多機器人體系結構、多機器人之間的協作、通訊、感知與學習［139］。

為了適應需求和降低人工成本，多個機器人在同一區域內協同工作，形成一個多機器人系統，此時多機器人環境探索和建模以及機器人間的有效定位問題尤其重要，以保證在后續路徑規劃過程中不會與其他機器人發生碰撞。在這方面研究人員做了大量工作。Andrew 等在機器人系統中設計了兩種多機器人定位和建地圖策略［140］。Alan C.Schultz等在證據柵格的環境模型下針對探索、定位、導航和規劃4 個子功能的效用進行了評價，實現了機器人的有效集成［141］；Daniel Meier 等針對機器人之間通信帶寬的有限性約束，設計了多機器人搜索和建模策略［142］；Rub 等設計了基于專職化的機器人群體協作策略［143］；Agusti Solanas 等設計了未知環境中基于非監督聚類算法的多機器人協調探索［144］；Ettore 等設計了Brick&Mortar 的多機器人搜索策略［145］，通過增加搜索結束時間的限定和訪問節點次數，有效地克服了螞蟻搜索算法和多深度優先搜索算法的缺陷，實現了多機器人快速、高覆蓋率地在線搜索功能。此外，瑞士蘇黎世大學開展了生物機器人與群體智能研究［146］，瑞士聯邦工學院進行了多機器人任務分配和規劃問題研究［147］；比利時布魯塞爾大學開展了關于集群機器人的系統研究［148］。

3 未來展望

通過對現有農業機器人和其使用技術的分析綜述，不難看出農業機器人已經有許多成功的應用，也證明了農業機器人與機械化能給現代農業帶來巨大的經濟效益，有廣闊的市場前景，但當前機器人在大規模應用方面還存在成本過高、通用性不足的缺點［149］。此外，人腦中約有100 億～10 000 億個神經元，若機器人集成一個如此多神經元的電路，其芯片重量可達2 000 t，耗電約20 MW，當前機器人身體無法集成如此龐大的大腦，將大腦放在云端，讓100 萬個機器人共享這個龐大的“大腦”是一種可行的解決方案。針對這兩點，未來農業機器人發展需要重點考慮：（1）低成本高適應性的開放性機器人，農業機器人在軟件與硬件兩方面的設計均考慮開放性。硬件方面：機器人傳感器可根據實際情況增減，控制部分留置空余接口；軟件方面：支持二次開發及擴展，為人機協同和多機協作提供良好平臺；（2）構建“農業大腦”智能決策體系，實現云平臺—一體機—機器人的架構：云平臺提供云計算服務，使物聯網中數以兆計的機器人及其他終端實時動態管理，使得智能分析與處理成為可能，一體機為農業機器人田間地頭的作業提供支持。隨著人工智能、大數據、虛擬感知系統、多傳感器融合等新技術的發展和應用，農業機器人將承擔越來越多的農業作業任務，成為農業生產中的關鍵組成部分。