基于感知的农业机器人采收中的鲁棒性挑战
机器人学
2025-02-19 v1 系统与控制
系统与控制
摘要
本文阐述了农业机器人采收在面对各种环境干扰时检测与定位水果的挑战。在受控实验室环境中，分别采用了传统的 HSV（Hue Saturation Value）变换方法和 YOLOv8（You Only Look Once）深度学习模型。然而，在户外实验中仅使用了 YOLOv8 模型，因为 HSV 变换无法准确描绘水果的轮廓。实验包括十种不同的水果模式：六个苹果和六个橙子。采用用于仿射变换（透视变换）的网格结构，将检测到的中点坐标转换为三维世界坐标。实验在不同光照和背景干扰条件下进行，结果显示室内实验表现准确，但户外环境面临显著挑战。我们的结果表明，在阳光直射的户外条件下，YOLOv8 的平均准确率为 69.15%，而室内实验使用 YOLOv8 可达到 100% 检测准确率。这一研究表明，由于光照变化、背景干扰以及颜色和形状的多样性，实际应用中暴露出显著的局限性。这凸显了为了提升农业机器人采收系统鲁棒性，仍需进一步完善算法和传感器技术。
引用
@article{arxiv.2502.12403,
title = {Sensing-based Robustness Challenges in Agricultural Robotic Harvesting},
author = {C. Beldek and J. Cunningham and M. Aydin and E. Sariyildiz and S. L. Phung and G. Alici},
journal= {arXiv preprint arXiv:2502.12403},
year = {2025}
}
备注
6 pages