LeCropFollow：非结构化农田中导航的潜空间规划

非结构化导航特征，如不规则种植或间断，仍然是冠层下农业机器人的主要失效模式。现有的几何方法在这些场景中常常失败，因为它们将高维视觉数据压缩为确定性空间参考，有效地丢弃了在模糊地形中导航所需的不确定性和语义上下文。为了解决这个问题，我们提出了 LeCropFollow，一个绕过显式几何建模而采用学习到的潜在表示的视觉导航框架。通过将自监督语义热图提取器与 TD-MPC2（一种基于模型的强化学习（Model-Based Reinforcement Learning, MBRL）规划器）相结合，我们的系统直接在潜在流形中优化轨迹。该框架在未压缩的热图信号上运行，保留了几何约简所丢弃的语义上下文。我们证明，这种表示上的转变使得从简化仿真到物理世界的零样本迁移成为可能，而无需微调。在后期玉米田中的大量田间实验表明，LeCropFollow 在非结构化行中与 SOTA 基线相当，但在种植间隙中显著优于它们，与基于关键点的方法相比，语义失败减少了 2.4 倍。这些结果表明，对于异构农业环境中的作业，潜空间规划为几何估计提供了一种稳健的替代方案。代码、模型和数据可用：https://felipe-tommaselli.github.io/lecropfollow 。