Autonomous Agricultural Tractor: Integrated Weed Detection and LiDAR Navigation for Precision Paddy Farming
本文介绍了 AgriNav，这是一种自主农业拖拉机系统，该系统集成了一个专门的稻米检测卷积神经网络（CNN）、一种非对称类别权重策略以及一个四机制 LiDAR-相机融合桥接，旨在实现即使在 GNSS 退化的情况下，也能在稻田中实现稳健的特定地点杂草管理和连续导航。
原始论文根据 CC0 1.0（http://creativecommons.org/publicdomain/zero/1.0/）发布到公有领域。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
在水稻生长的广阔淹没田野中，一场针对杂草的无声战斗一直在持续进行。几十年来，农民一直通过在整个田地喷洒除草剂来管理杂草，这种方法会将化学物质浪费在裸露的土壤上，并破坏环境。理想的解决方案是只针对特定的杂草进行喷洒，而不触及水稻，但用机器来实现这一点极其困难。随着水稻植株最终长得足够高，甚至遮蔽天空，从而切断了通常引导自动驾驶车辆的卫星信号。与此同时，杂草看起来与水稻非常相似，以至于计算机摄像头难以将它们区分开来。如果机器误将水稻当作杂草并进行了喷洒，作物就会瞬间被毁，这种错误是无法挽回的。
佛罗里达州海岸大学的研究人员开发了一个名为 AgriNav 的新系统来解决这些问题。他们制造了一辆能够在不依赖卫星信号的情况下在稻田中导航，并能以极度谨慎的方式辨别水稻与杂草的自动驾驶拖拉机。该系统使用激光扫描仪来绘制作物行图，并使用摄像头来识别植物。他们工作的最显著部分是一个安全机制，该机制将水稻植株视为需要保护的最重要目标。系统并不是试图寻找每一株杂草，而是首先寻找水稻。如果它看到一株看起来像水稻的植物，那么无论系统认为情况如何，都被禁止在该位置喷洒。这种方法优先考虑的是作物的安全性，而非杂草清除的完美性。
团队在模拟真实稻田的计算机模拟中测试了他们的系统。他们编写了程序，让拖拉机在作物行间行驶，期间卫星信号被关闭了二十秒——这段时间足以让大多数自动驾驶车辆产生混乱。在此期间，拖拉机完全依靠其激光扫描仪和内部运动传感器来保持航向。系统使车辆保持在正确的路径上，到二十秒间隔结束时，仅偏离预定位置约 2.46 米。这证明了即使在被茂密的稻秆冠层遮挡的情况下，拖拉机也能安全导航。
为了寻找杂草，研究人员使用了一个经过训练、能够高置信度识别水稻植株的摄像头系统。他们设计了软件，使其只有在确定某个植物“不是”水稻时才会进行喷洒。这种“反向逻辑”意味着机器在寻找杂草方面非常积极，但在喷洒方面却极其保守。如果摄像头看到一株植物，且该植物有哪怕一丁点可能是水稻，机器就不会喷洒。这种设计选择解决了其他系统中存在的一个关键缺陷：错误的代价。漏掉一株杂草只是小问题，因为稍后可以再喷；但喷洒一株水稻则是永久性的损失。通过将这条规则硬编码进系统，研究人员确保了机器绝不会伤害它旨在保护的作物。
该项目的一个核心创新在于拖拉机如何利用激光扫描仪来辅助摄像头。激光扫描仪本身就安装在拖拉机上用于辅助行驶，它同时还能绘制出水稻行之间的数字地图。随后，摄像头被告知只需观察这一特定地面条带。这减少了计算机大约百分之三十到五十的工作量，使其能够更快地处理图像。它还有助于摄像头忽略由泥土或水面反射引起的虚假警报，这些反射有时看起来像植物。激光扫描仪本质上充当了一个向导，告诉摄像头确切的观察位置以及应该忽略的位置，使整个系统更加高效和准确。
研究人员对他们工作的局限性保持了诚实。他们报告的所有结果都来自计算机模拟和静态图像测试，而非在真实的田间驾驶真实的拖拉机。他们指出，他们的系统尚未在潮湿、泥泞的环境中进行过物理硬件测试，在这些环境中，车轮可能会打滑或引擎可能会发生震动。他们还承认，他们的杂草检测计算机模型在精确定位每株杂草的具体位置方面尚不完美，尽管在识别大致区域方面表现良好。团队计划下一步在受控研究田中测试其实际机器人系统，并最终在农场进行测试，以观察其如何应对户外多变的现实情况。
这项工作的终极目标是创造一种能够帮助小规模农户减少高达百分之八十除草剂使用的机器。通过仅针对杂草喷洒并保护水稻，拖拉机可以节省成本并保护田间周围的水源免受化学径流的影响。研究人员认为，只要软件能在现实世界中被证明可靠，他们的系统就为精准农业提供了一条切实可行的路径。他们的工作表明，通过结合简单的传感器与智能的安全规则，即使在通常依赖的信号消失时，也能够构建出能够导航复杂环境并做出谨慎决策的机器。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。