增强式视角规划用于机器人采收：通过模仿学习解决遮挡问题

在农业自动化领域，遮挡现象是机器人采收面临的主要挑战之一。我们提出了一种基于模仿学习的新型视角规划方法，通过主动调整摄像头视角以捕获目标作物的无遮挡图像。传统视角规划器及现有学习方法依赖人工设计的评估指标或奖励函数，往往难以在复杂且未曾遇到的情景中泛化。本方法采用Action Chunking with Transformer（ACT）算法，从专家演示中学习有效的摄像机运动策略，从而实现连续的六自由度（6-DoF）视角调整，使运动更加平滑、精确，并揭示被遮挡的目标。广泛的仿真与真实环境实验表明，所提方法在成功率与效率方面均优于现有技术，尤其在复杂遮挡条件下表现突出，且能跨作物泛化而无需重新编程。该研究为机器人采收提供了一种实用的“从演示中学习”（Learning from Demonstration, LfD）解决方案，有效解决遮挡难题，最终提升了自主采收的性能与生产力。