基于UWB和视觉组合导航的设施植保机器人叶菜垄作跟踪控制研究学术报告

一、作者及发表信息
本研究由郑航（浙江省农业科学院农业装备研究所）、叶云翔、薛向磊、于健麟、冯昊栋（浙江理工大学机械工程学院）、俞国红（通信作者）等合作完成，发表于《农业工程学报》2025年第41卷第4期，DOI:10.11975/j.issn.1002-6819.202407137。

二、学术背景
科学领域：本研究属于农业机器人智能导航领域，聚焦设施温室环境下叶菜垄作植保机器人的自主导航技术。
研究动机：国内设施农业面积居世界首位，但温室环境封闭、垄作直线度差，传统GPS导航信号易受遮挡，而单一视觉导航受光照和作物生长期影响大，亟需高精度、鲁棒的组合导航方案。
研究目标：提出一种结合超宽带（Ultra Wide Band, UWB）定位与视觉导航的融合控制策略，提升植保机器人在垄间的跟踪精度与稳定性。

三、研究流程与方法
1. 系统硬件构建
- 移动平台：四轮独立驱动转向底盘（尺寸1650 mm×1600 mm×850 mm），搭载铅酸电池，续航4-6小时。
- 传感器配置：
- 视觉模块：Intel RealSense D435深度相机，倾斜45°安装于底盘前端，采集640×480像素垄面图像。
- UWB模块：采用Time Domain公司的Pulson440组件，包含1个标签（安装于机器人顶部）和4个基站（布置于温室四角），定位频率10 Hz。
- 辅助传感器：IMU（惯性测量单元）用于航向角测量。

1. 垄面分割与导航线提取

   • 数据采集：在浙江省海宁市杨渡基地采集600张叶菜垄图像，覆盖发芽期、幼苗期、成熟期及不同光照条件。
     
   • 算法流程：
     
     1. 分割模型：基于YOLOv8-seg实例分割网络，Backbone为C2F模块，Neck采用FPN+PAN结构，Head使用解耦检测头（Decoupled-head）。训练参数：批量大小32，初始学习率0.01，余弦退火策略优化。
        
     2. 边缘检测：对分割后的二值化图像采用Canny算子提取垄面边缘。
        
     3. 导航线拟合：间隔5像素采样边缘点，通过最小二乘法拟合中心线，残差平方和（式3）最小化确保精度。验证显示，导航线拟合平均精度达93%-96%。
        

2. 组合导航控制策略

   • 纯跟踪算法模型：以前视距离（(l_d=2 \, \text{m})）动态计算转向半径（式8）和前轮转角（式9），横向误差（式11）作为调控指标。
     
   • 多传感器融合：
     
     • 分界线设定：以UWB导航线为中心，±15 cm为控制分界线（图13）。
       
     • 切换逻辑：横向偏差＞15 cm时切换至UWB导航，否则采用视觉导航（图14）。
       

3. 田间试验设计

   • 场景：30 m×30 m温室，垄长20 m，垄宽1.45 m，沟宽0.3 m。
     
   • 对比试验：分4组测试组合导航（垄1-2）、纯视觉（垄3）、纯UWB（垄4），速度0.4-0.5 m/s。
     
   • 评估指标：横向偏差、航向偏差，通过胶带标记与量角器人工测量验证。
     

四、主要结果
1. 导航精度：
- 单一导航：视觉导航最大横向偏差6.3 cm（均值4.7 cm），UWB导航最大偏差5.8 cm（均值4.3 cm）。
- 组合导航：最大横向偏差15.5 cm（均值5.9-6.1 cm），航向偏差≤7.8°。
2. 动态调控效果：在垄1试验中，第5秒视觉导航出现大偏差时，系统切换至UWB导航，误差迅速收敛（图19）。
3. 鲁棒性验证：垄2试验中模拟相机遮挡，组合导航仍能维持稳定跟踪。

五、结论与价值
1. 科学价值：
- 提出YOLOv8-seg与最小二乘法结合的导航线提取方法，精度达96.36% mAP（图7）。
- 验证了UWB与视觉的互补性：UWB解决大偏差调控，视觉保障局部精度。
2. 应用价值：为设施农业机器人提供了高鲁棒性导航方案，可减少作物碾压损失，提升作业效率。

六、研究亮点
1. 创新算法：首次将YOLOv8-seg应用于叶菜垄分割，结合间隔采样最小二乘法提升实时性。
2. 工程实践：设计分界线动态切换策略，解决单一传感器局限性。
3. 数据支撑：公开不同生长期数据集（表1），为后续研究提供基准。

七、其他贡献
- 硬件系统集成：开发低成本UWB-视觉硬件平台，含STM32F103下位机与上位机决策模块（图2）。
- 开源意义：训练代码与参数（如动量因子0.937、权重衰减0.0005）可供社区复现。