基于LiDAR的果园障碍物识别与建图框架开发研究

作者与发表信息

本研究的通讯作者为南京农业大学工程学院的Jun Zhou（邮箱：zhoujun@njau.edu.cn），合作作者包括Luke Toroitich Rottok、Yundong Wang、Jiang Zizhen等。研究成果发表于Biosystems Engineering期刊2025年第257卷，论文标题为《Development of a LiDAR-based framework for obstacle identification and mapping in orchard environments》，DOI编号10.1016/j.biosystemseng.2025.104245。

学术背景

研究领域：本研究属于农业机器人导航与精准农业交叉领域，聚焦果园环境的三维感知技术。

研究动机：传统果园机器人导航面临两大挑战：
1. 果树冠层（canopy）点云数据量大（单帧达120万点），导致实时处理算力需求高；
2. 欧几里得聚类（Euclidean clustering）等方法在密集果园中误分类率超25%，且无法区分苹果树干与支撑杆（support poles）。

技术背景：
- 现有研究多关注冠层语义分割（如Peng et al., 2016）或树干检测（如Bargoti et al., 2015），但缺乏针对冠层特征移除（canopy feature removal）的优化方法；
- 体素化（voxelization）虽能降低计算量，但会损失树干几何细节（Guo et al., 2019）；
- 基于学习的语义映射（如Pan et al., 2024）需预训练模型，在新果园环境中处理时间增加3倍。

研究目标：
开发一种基于LiDAR的框架，实现：
1. 冠层特征的高效移除（处理速度提升>40%）
2. 树干与支撑杆的精确区分（准确率>90%）
3. 树干地图构建（定位误差<4cm）

研究方法与流程

1. 数据采集平台搭建

实验设备：
- LiDAR：Velodyne VLP16（16线激光雷达，精度±2cm，扫描频率10Hz）
- 定位系统：CHCNAV RTK GNSS（定位精度<1.5cm） + Xsens MTI-300 IMU（姿态角精度0.2°）
- 辅助传感器：Ezviz C3W网络摄像机（用于视觉验证）

果园环境：
江苏宿迁洋河镇苹果园（面积100m×20m），行距3m，株距1m，树干直径2-4cm，树高≤3m。

2. 点云处理流程

（1）冠层识别模块

核心参数：
- 点强度（point intensity）：冠层叶片反射强度≥50（公式：$i=\frac{r \cos(\theta)}{d^2}$）
- 点密度（point density）：冠层区域≥5 pt/m³（公式：$d=n/v$）
- 点高度（point height）：0.3m ≤ z ≤ 3m

创新方法：
通过敏感性分析（表1）优化阈值，相比启发式阈值减少12.3%的过分割错误。

（2）冠层体素化模块

算法实现：
- 使用八叉树体素（octree voxel）划分空间，叶尺寸（leaf size）迭代优化至80cm；
- 点云分配公式：$v_x=\lfloor x_i/l_x \rfloor$, $v_y=\lfloor y_i/l_y \rfloor$, $v_z=\lfloor z_i/l_z \rfloor$

（3）树干映射模块

树干-支撑杆区分算法：
基于几何本征特征（geometric eigen-features）：
- 苹果树干：圆柱形，满足$\lambda_1 \gg \lambda_2 \approx \lambda_3$（线性度>0.8，球形度>0.6）
- 支撑杆：立方体形，满足$\lambda_2 > \lambda_3$（平面度>0.7）

算法2通过协方差矩阵分解计算本征值，结合DBSCAN聚类实现分类。

3. 实验验证

评估指标：
- 精度（precision）、召回率（recall）、准确率（accuracy）
- 定位误差：通过MeshLab测量树干坐标与真实值差异

主要结果

1. 冠层移除效率：

   • 处理时间从486±22 ms/帧降至176±15 ms/帧（提速63.7%）
     
   • 点云数据量减少78.2%，优于欧几里得聚类方法42.3%
     

2. 树干检测性能：

   • 树干分类准确率92.3%（支撑杆81.5%）
     
   • 平均定位误差0.034m（最大误差0.1m）
     

3. 全果园建图：

   • 检测到1501棵苹果树，行距分布与实地测量一致（图17）
     
   • 树干坐标以CSV格式输出，可直接用于机器人路径规划
     

研究结论与价值

科学价值：
1. 提出基于强度-密度-高度的冠层分割标准，解决传统方法依赖预训练模型的问题；
2. 通过本征几何特征区分树干与支撑杆，将误分类率从25%降至7.7%。

应用价值：
1. 精准喷雾：树干坐标引导喷嘴定向，减少农药漂移；
2. 产量预测：通过树干密度与冠层体积的空间相关性建模；
3. 自主导航：轻量化树干地图（262,000点 vs 原120万点）适合实时处理。

研究亮点

1. 方法创新：首次将冠层移除与树干几何分析结合，实现无监督果园建图；
   
2. 技术指标：定位精度（3.4cm）超过同类研究（Pan et al., 2024的12cm）；
   
3. 开源工具：算法基于PCL（Point Cloud Library）实现，兼容ROS系统。
   

局限性与展望

1. 动态障碍物：当前仅处理静态物体，未来可融合RGB-D相机检测人员/车辆；
   
2. 地形适应：假设地面平坦，需扩展至坡地果园场景；
   
3. 计算优化：进一步压缩点云数据量以满足低算力农机需求。
   

（注：文中所有公式、算法及图表编号均与原文献一致）