基于注释的检测框架：用于移动农业机器人对田间葡萄干枯枝的自主与稳健定位

农业田间的动态且异质性质为目标检测和定位带来了显著挑战，尤其是对于被动任务于探测以前未见的非结构化环境的自主移动机器人而言。与此同时，迫切需要一种不依赖大规模人工标注真实世界数据集的实时检测系统。本文引入了一个综合性的注释到检测框架，旨在使用有限且部分标注的训练数据训练一个稳健的多模态检测器。该方法融合了跨模态注释迁移和早期阶段的传感器融合管线，结合多阶段检测架构，有效提升了系统的多模态检测能力。该框架的有效性通过在新葡萄园环境中的干枈枝检测得以展示，这些环境包含多样化的光照条件和变化的作物密度，以验证性能。当集成一个定制化的多模态LiDAR和Odometry Mapping (LOAM)算法以及树木关联模块时，系统展现出高性能的干枈枝定位能力，成功地在单次遍历中识别了超过70%的树木，平均距离误差小于0.37m。结果表明，通过利用多模态、增量阶段的注释和训练，该框架能够在初始注释有限的情况下实现稳健的检测性能，展示了其在实际和近地农业应用中的潜力。