面向深入学习估计作物生物量的机器人多模态数据获取
机器人学
2025-06-30 v1
摘要
精准的异草管理对于减轻显著的作物减收至关重要， necessitating effective的异草抑制策略。将覆盖作物（CC）引入农业系统可提供多重好处，包括减缓土壤侵蚀、抑制杂草、降低氮素需求以及增强碳汇，所有这些都与覆盖作物生产的地上生物量（AGB）密切相关。然而，由于微地点变量的显著差异，生物量生产呈现出显著的变异，使得准确估计和制图成为识别杂草抑制不力区域并优化靶向管理策略的关键。为此，构建包含AGB分布的综合CC地图将 enable informed的决策制定有关杂草控制方法和最佳应用剂量。手动视觉检查在扩展的田块大小以及广泛的杂草种类和大小差异下是不可行且代价高昂的。在此背景下，光学影像和激光测距（LiDAR）数据是两种具有独特特征的来源，能够提高AGB估计的准确性。本研究引入了一个设计用于农业田块映射的地面机器人安装的多模态传感器系统。该系统集成了光学和LiDAR数据，利用机器学习方法进行数据融合以提高生物量预测准确度。实验结果显示，最佳基于机器学习的干AGB估计模型达到了0.88的决定系数，表明在多样化的田块条件下表现稳健。该方法为区域性管理提供了宝贵的见解，使能够实施精准的杂草抑制策略，促进可持续农业实践。
引用
@article{arxiv.2506.22364,
title = {Robotic Multimodal Data Acquisition for In-Field Deep Learning Estimation of Cover Crop Biomass},
author = {Joe Johnson and Phanender Chalasani and Arnav Shah and Ram L. Ray and Muthukumar Bagavathiannan},
journal= {arXiv preprint arXiv:2506.22364},
year = {2025}
}
备注
Accepted in the Extended Abstract, The 22nd International Conference on Ubiquitous Robots (UR 2025), Texas, USA