面向农业机器人的高精度控制与基于深度学习的玉米株数计数算法

本文提出了一种用于低成本、超紧凑型3D打印自主田间农业作业机器人的高精度控制与基于深度学习的玉米株数计数算法。目前，出苗率、生物量、长势和株数计数等植物性状均通过人工测量，劳动强度大且易出错。该机器人名为TerraSentia，旨在自动化测量植物性状以实现高效表型分析，作为人工测量的替代方案。本文中，我们构建了非线性移动视界估计器（NMHE），利用机载机器人传感器识别关键地形参数，以及基于学习的非线性模型预测控制（NMPC），在未知轮地交互下确保高精度路径跟踪。此外，我们开发了一种机器视觉算法，使超紧凑型地面机器人能够自主驶入田间统计玉米株数。该算法利用深度网络检测图像中的玉米植株，并利用视觉跟踪模型在不同时间步重新识别检测到的目标。我们在多个田块的53个玉米小区采集了出苗后约14天（V3-V4期）玉米植株的数据。机器人预测值与真实值吻合良好，满足$C_{robot}=1.02 \times C_{human}-0.86$，相关系数$R=0.96$。算法给出的平均相对误差为$-3.78\%$，标准差为$6.76\%$。这些结果表明，使用低成本超紧凑型地面机器人进行玉米及潜在其他作物的自主机器人实时表型分析迈出了重要且首要的一步。