文章目录
- 概述
- 2020
- Ground-Level Mapping and Navigating for Agriculture Based on IoT and Computer Vision
- Canopy Density Estimation in Perennial Horticulture Crops Using 3D Spinning Lidar SLAM
- 2021
- Mobile 3D scan LiDAR: a literature review
- SLAM in the Field: An Evaluation of Monocular Mapping and Localization on Challenging Dynamic Agricultural Environment
- 2022
- Recent developments and applications of simultaneous localization and mapping in agriculture
- Field Evaluation of Path-Planning Algorithms for Autonomous Mobile Robot in Smart Farms
- LIDAR-based autonomous navigation method for an agricultural mobile robot in strawberry greenhouse: AgriEco Robot
- 2023
- LiDAR-based object detection for agricultural robots
概述
在农业场景下，SLAM（Simultaneous Localization and Mapping）应用通常用于农业机器人、自主车辆或者无人机等设备的导航和场地监测。这些设备需要能够在未知的或者变化的农田环境中准确定位自身位置，并且构建地图以便执行任务，例如喷洒农药、种植作物或者检测土壤质量等。以下是在农业场景下SLAM应用的简单描述：
- 定位与导航： 农业机器人或者无人机需要准确的定位信息来执行任务，例如在指定的区域喷洒农药或者施肥。SLAM技术可以帮助这些设备在没有GPS信号或者在地形复杂的环境中实现精准的定位与导航。
- 场地监测与地图构建： 农田地形和植被在不同的季节和时段可能会发生变化，因此需要实时更新的地图来指导农业作业。SLAM技术可以帮助农业设备构建准确的地图，并在需要时进行更新。这些地图可以包括土壤质量、作物分布、障碍物位置等信息。
- 智能作业规划： 基于实时构建的地图，农业机器人或者无人机可以执行智能的作业规划。例如，根据土壤质量地图调整施肥量，或者避开障碍物执行植保作业。
- 环境监测与分析： SLAM技术不仅可以用于定位和导航，还可以结合传感器数据对农田环境进行监测和分析。例如，结合RGB摄像头和多光谱传感器，可以实现对作物生长状态和病虫害情况的实时监测。
- 人工智能与决策支持： 基于SLAM技术构建的地图和传感器数据，可以应用机器学习和人工智能技术，为农场主提供决策支持。例如，根据作物生长状态和土壤质量预测未来的收成量，或者制定更有效的灌溉计划。
总的来说，在农业场景下，SLAM技术不仅可以提高农业生产效率和精度，还可以降低作业成本，并且为农业可持续发展提供技术支持。
2020
Ground-Level Mapping and Navigating for Agriculture Based on IoT and Computer Vision
摘要： 自主农业系统是一种很有前途的解决方案，可以弥补农业任务的劳动力短缺和提高农业生产力的持续需求之间的差距。自动绘图和导航系统将成为大多数自主农业系统的基石。在此基础上，我们提出了一种基于计算机视觉技术（网格同时定位和映射算法，Mesh-SLAM）和物联网（IoT）的底层映射和导航系统，在边缘和云上生成三维场地图。该系统的创新包括三层作为子系统，1)仅使用单眼摄像机进行帧采集的地面机器人车辆层，2)边缘节点层用于图像特征数据的边缘计算和通信，3)云层用于一般管理和深度计算。通过使机器人车辆直接将连续帧流到相应的边缘节点，实现了映射阶段的效率和速度。然后，每个协调一定范围机器人的边缘节点，逐帧应用新的网格-slam，其核心是通过具有可伸缩单元的网格算法重构特征映射，并通过滤波算法减小特征数据的大小。此外，云计算允许全面的安排和大量的深度计算。该系统利用计算能力动态分布到边缘，可扩展到更大规模的场和更复杂的环境。我们的评估表明： 1)该Mesh-SLAM算法在映射和定位精度、精度和预测误差（厘米分辨率）等方面都优于它；2)物联网架构的可伸缩性和灵活性使系统模块化，易于添加/删除新的功能模块或物联网传感器。我们认为，成本和性能之间的权衡广泛地增强了该系统在实际农场中的可行性和实际实施。
Canopy Density Estimation in Perennial Horticulture Crops Using 3D Spinning Lidar SLAM
摘要： 我们提出了一种新的，冠层密度估计的解决方案，使用三维射线云表示多年生园艺作物在田间尺度。为了在野外条件下获得较高的空间和时间保真度，我们提出将连续时间3DSLAM（同步定位和映射）应用于安装在移动农场车辆上的旋转激光雷达有效载荷（AgScan3D）。AgScan3D数据通过连续时间SLAM算法处理到一个全局注册的3D射线云。全球射线云是一种典型的数据格式（一个数字双胞胎），从中我们可以在一个季节内和跨季节内多次比较葡萄园的快照。然后，我们从射线云中自动提取葡萄园的行，并进行了一种新的密度计算来估计葡萄园的最大似然冠层密度。这种数字孪生的结合，加上冠层结构信息的准确提取，允许整个葡萄园在整个生长季节和每年进行分析和比较。在仿真实验和现场实验中都对该方法进行了评价。研究人员在四个葡萄园结构和葡萄管理不同的地点进行了田间试验，在两个生长季节和64个数据收集活动，结果总共穿越160公里，42.4公顷的葡萄藤，总共大约93000棵葡萄藤。我们的实验表明，每个葡萄园面板的冠层密度重复性为3.8%（相对RMSE），采集速度为5-6 km/h，与基于行业标准间隙分数的解决方案相比，估计密度低于标准差的一半。
2021
Mobile 3D scan LiDAR: a literature review
摘要： 本文通过回顾移动激光扫描系统的不同年份（2010年至2020年）的研究活动，旨在回顾现有系统以及它们在多方面领域的利用。在这种程度上，该工作定义了使用移动激光扫描的五个领域领域：建筑和城市环境、文化遗产和考古学、地下环境、环境监测、林业和农业。此外，本文还揭示了各个领域的优缺点，为那些利用创新系统参与三维数据收集的研究人员提供了有用的指导。为了达到这些目的，研究论文，主要考虑地球科学相关的期刊。他们之间的比较表明，尽管移动映射系统具有令人难以置信的潜力，但人工干预仍然是强制性的，需要后处理的行动来达到预期的结果。此外，我们的研究提供了对技术和方法上的局限性的见解，这引起了对三维测量的移动测绘系统的普遍怀疑，强调在大多数情况下需要补充数据才能使最终结果可信。这些障碍阻碍了移动激光扫描的扩散，指向了进一步研究的未探索领域，为未来的研究方向提供了有用的指导。
SLAM in the Field: An Evaluation of Monocular Mapping and Localization on Challenging Dynamic Agricultural Environment
摘要： 本文演示了一种能够结合稀疏、间接、单目视觉SLAM的系统，以及直线和实时多视图立体声（MVS）重建算法。这种组合克服了在农业环境中使用的自动驾驶汽车或机器人所遇到的许多障碍，如过度重复的模式，需要非常详细的重建，以及由不平坦的道路造成的突然移动。此外，单眼SLAM的使用使我们的系统更容易与现有设备集成，因为我们不依赖激光雷达（昂贵且耗电）或立体相机（其校准对外部扰动敏感，例如相机被替换）。据我们所知，本文提出了第一个评估为单眼SLAM的结果，和我们的工作进一步探索无监督深度估计在这个特定的应用程序场景通过模拟RGB-D SLAM解决规模模糊，并展示了我们的方法产生重建有助于各种农业任务。此外，我们强调，我们的实验为改善农业环境下的单眼SLAM系统提供了有意义的见解。
2022
Recent developments and applications of simultaneous localization and mapping in agriculture
摘要：同步定位映射（SLAM）是在不了解环境的情况下，使用多个传感器对无人移动车辆进行定位，同时构建该环境地图供进一步应用的过程。在过去的三十年里，SLAM在移动机器人控制和无人驾驶车辆导航中得到了广泛的研究和应用。SLAM技术在自动对移动机器人进行导航和同时重建周围环境的三维（三维）信息方面具有巨大的潜力。随着传感器技术和三维重建算法的大力推动，人们已经多次尝试提出新的结合不同传感器的系统和算法来解决SLAM问题。值得注意的是，SLAM已经扩展到农业的各个方面，包括自主导航、3D测绘、现场监测和智能喷洒。本文主要介绍了SLAM的发展和应用，特别是在复杂和非结构的农业环境中。从SLAM、视觉和SLAM、传感器融合SLAM中详细总结了SLAM的发展情况，并讨论了SLAM技术在农业测绘、农业导航和精确自动农业中的应用和前景。特别关注在农业任务中应用的SLAM传感器、系统和算法。此外，还报道了SLAM面临的挑战和未来趋势。
Field Evaluation of Path-Planning Algorithms for Autonomous Mobile Robot in Smart Farms
摘要： 路径规划对于一些应用至关重要，包括工业设施、网络流量、电脑游戏和农业应用。在智能农场中实现自动路径规划方法对农业技术的未来发展至关重要。路径规划分为全球规划和地方规划规划。全球规划者被分为不同的类型，并使用著名的基于网格和基于采样的算法。在本文中，我们提出了一种结合同步定位和映射（SLAM）技术的适合智能农场的算法。讨论了基于网格的Dijkstra算法、基于网格的A算法、基于采样的快速探索随机树（RRT）算法和基于采样的RRT算法的特点，并通过现场测试研究了一种适用于智能农场的算法。我们假设了农业收获机器人、喷洒机器人和农业运输机器人的路径规划，并在有静态和动态障碍的环境下进行了实验。此外，还对所设置的参数进行了实验验证。采用夏皮罗-威尔克检验来确定正态分布的形状，并采用方差分析（方差分析）和Kruskal-Wallis检验来确定实验结果的显著性。智能农场的目标是尽量减少对作物的损害；因此，准确而不是快速达到目标点是至关重要的。根据研究结果，我们确定了A*算法适用于智能农场。这一结果也为在智能农场工作时，在最短的时间内到达正确的目的地提供了可能性。
LIDAR-based autonomous navigation method for an agricultural mobile robot in strawberry greenhouse: AgriEco Robot
摘要：本文提出了一种基于四轮驱动和嵌入式感知传感器的农业移动机器人“AgriEco机器人”的自主导航方法。该方法可以在自动喷洒农药的同时准确引导草莓作物的行，并检测末端并切换到下一行。主控制系统采用基于二维激光雷达传感器的机器人操作系统（ROS）进行开发。对采集到的二维点云数据进行处理，以估计机器人相对于作物行的航向和横向偏移量。采用了一种运动控制器，保证了所开发的自主导航方法。在草莓温室的真实条件下，已经对自主导航的准确性进行了评估，证明了其在农药自动喷洒方面的有效性。
2023
LiDAR-based object detection for agricultural robots
摘要： 光探测和测距（激光雷达）传感器已被证明是收集环境空间信息的一个有价值的工具，也是自主系统感知的一个重要组成部分。在农业领域，最先进的检测、分类和跟踪算法经常利用激光雷达和照相机的结合，通过融合语义和空间信息。这在一定程度上是由于有了专门优化的快速算法，以利用方便的RGB图像的2D数据结构。尽管如此，在农业中依赖照相机仍有局限性，因为它们高度依赖良好的照明条件，通常缺乏明确的几何信息，而激光雷达在这方面和范围方面尤其有利。这使得激光雷达对于自定位、映射或目标检测等感知应用特别有价值。然而，三维激光雷达点云的非结构化性质，加上它们可能的大尺寸和密度，在这类任务的实时能力方面提出了一个重大障碍。因此，在三维激光雷达传感器数据上的目标检测具有挑战性，在农业上的解决方案通常涉及非常狭窄的用例或严格的向下采样，以确保实时适用性。在这里，我们提出了一种具有2.5D映射表示的算法，以避免计算缺陷，并确保实时能力。我们利用已建立的算法将三维激光雷达数据投影到两个不同的地图中，然后在每个地图上分别应用目标检测算法，然后将信息合并为一个联合估计。从在2.5D地图中存储的信息中，计算出每个对象的轴对齐边界框，其中包含有关位置和尺寸的信息。我们提出了一个概念证明，并评估了一个特定领域的用例的实时能力。
