基于视觉与激光雷达融合的棚内农业机器人定位和检测研究分析

付全有 ，吕 青

（湖南农业大学，湖南 长沙 410000）

1 研究目的及意义

随着农业现代化的推进，基于先进技术的农业机器人在提高生产效率、降低劳动强度方面具有巨大的潜力。本研究旨在通过基于视觉与激光雷达融合的技术手段，深入研究棚内农业机器人的定位和障碍物检测，以实现机器人在农业生产中的智能化、自主化作业[1-3]。具体而言，研究目的包括：探究视觉与激光雷达融合在棚内农业机器人中的应用，提高机器人的感知能力和环境适应性；建立高精度的定位系统，以确保机器人在不同棚内环境中实现准确、稳定的位置定位[4]；设计先进的障碍物检测算法，使机器人能够迅速、准确地识别并规避棚内农业作业中的各类障碍物；实现农业机器人在复杂环境中的自主导航，提高农业生产的自动化水平。

本研究具有重要的理论和实际意义，通过视觉与激光雷达融合的定位技术，机器人能够更精准地感知自身位置，从而实现农业作业的高效、精准执行，提高生产效率[5]。通过深入研究基于视觉与激光雷达融合的棚内农业机器人定位和障碍物检测技术，本研究旨在为农业现代化提供先进的技术解决方案，为实现智能、高效、可持续的农业生产方式奠定基础[6]。

2 研究方法

2.1 软件平台选择

在基于视觉与激光雷达融合的棚内农业机器人定位与障碍物检测研究中，软件平台的选择对于整个系统的性能和效率具有决定性影响。研究团队选择机器人操作系统（ROS）作为本研究的软件平台。ROS 的开放性、灵活性和强大的社区支持使其成为实现复杂机器人系统的理想选择[7]。在使用ROS 的过程中，可以利用其提供的RViz 工具进行实时数据可视化，同时，通过ROS 的消息传递机制，能够高效地处理来自视觉传感器和激光雷达的数据流。其运行机制如图1所示[8]。

图1 ROS 运行机制

2.2 传感器融合

传感器融合是实现棚内农业机器人定位和障碍物检测的核心技术。在本研究中采用了视觉传感器（如摄像头）和激光雷达（LiDAR）的组合，以实现更准确和可靠的感知能力。传感器融合是指利用多种传感器的数据，通过某种算法处理，以提高系统对环境的感知能力[9]。在农业机器人的应用中，这意味着更准确的定位、更有效的障碍物检测以及更高的作业效率。例如，激光雷达可以提供精确的距离测量，但在复杂的环境中可能受到限制；而摄像头可以提供丰富的颜色和纹理信息，但可能受光线条件影响。通过融合这两种传感器的数据，可以克服各自的限制，实现更全面的环境感知。

2.2.1传感器选择和集成

摄像头：摄像头作为视觉传感器，能够捕捉环境中的图像，为机器人提供颜色和纹理信息。研究团队选用奥比中光的高清双目摄像头以捕获更详细的图像数据，如图2所示。

图2 双目摄像头

激光雷达（LiDAR）：激光雷达用于测量机器人周围对象的距离。研究团队选择雷神A1 单线激光雷达，以确保距离数据的准确性和可靠性，如图3所示。

图3 激光雷达

2.2.2传感器数据融合方法

研究团队采用基于卡尔曼滤波的融合算法。卡尔曼滤波算法可以有效整合来自摄像头和激光雷达的数据，提高定位和障碍物检测的准确性。在实际应用中，首先利用激光雷达进行初步的障碍物检测和距离测量。然后，通过摄像头捕获的图像数据对这些障碍物进行进一步的分析，如识别其形状、大小和可能的类型（如植物、固定物体等）。通过融合这两种传感器的数据，机器人能够在复杂的农业环境中实现更准确和详细的障碍物检测，从而优化其导航路径。传感器融合技术在提高棚内农业机器人的定位和障碍物检测能力方面发挥了关键作用。通过结合摄像头和激光雷达的优势，能够实现更高效和准确的环境感知。虽然传感器融合技术带来了更高的数据处理要求，但其带来的性能提升使得投入的额外资源和努力也能获得相应结果。未来，随着传感器技术和数据处理算法的进一步发展，传感器融合将在农业机器人领域发挥更加重要的作用。

2.3 定位及障碍物检测

在棚内农业机器人的应用中，精确的定位和有效的障碍物检测是实现自动化和智能化管理的关键。本研究采用了视觉与激光雷达融合的方法，以提升定位的准确性和障碍物检测的效率。该方法结合了视觉传感器的丰富细节和激光雷达的高精度测距能力，实现了更为全面和可靠的环境感知。

2.3.1定位技术的实现

定位技术是机器人导航系统的核心。在本研究中，通过以下步骤实现精确定位。

数据融合策略：利用卡尔曼滤波算法融合来自视觉传感器和激光雷达的数据。这种方法能够有效平衡两种传感器在不同环境条件下的性能差异，实现更准确的定位。

视觉定位：采用基于特征的方法从摄像头捕获的图像中提取关键点，如角点和边缘，用于识别环境中的显著特征。结合机器学习算法，如支持向量机（SVM），进行特征匹配和环境地图的构建。

激光雷达定位：激光雷达提供高精度的距离测量，用于检测周围物体的位置和大小。结合SLAM技术，创建环境的3D 地图，与视觉数据进行对比和校正，提高定位精度[10]。

2.3.2障碍物检测的实现

障碍物检测对于确保机器人的安全运行至关重要，采取以下措施实现高效的障碍物检测。

视觉检测：利用深度学习技术，如卷积神经网络（CNN），对摄像头捕获的图像进行分析，识别不同类型的障碍物。通过图像分割技术区分障碍物和背景，提高识别的准确性。

激光雷达检测：激光雷达数据用于测量障碍物的精确位置和形状，尤其是在光线不足或复杂背景下的性能优于视觉传感器。通过点云数据处理，如聚类分析，区分不同障碍物和路径规划中的关键点。

数据融合和处理：将视觉和激光雷达数据融合，利用算法综合两种数据的优势，提高障碍物检测的准确性和可靠性。在复杂环境中，如面对多种光照条件和不同类型的障碍物时，这种融合方法表现出更高的适应性和效率。

3 试验验证

为验证本文所提的基于视觉与激光雷达融合的定位和障碍物检测性能，利用搭建的轮式机器人在草莓大棚内选取2.5 m*3 m 的试验场地，试验时间为上午11：00，试验环境所用到的栅格地图是利用Gmapping 算法构建的。

3.1 定位验证

轮式移动机器人沿着设计的闭合路线行走，绕行方形路线一圈后回到起始位置，一共经历三次拐弯，拐弯以后的路线也均为直线行走，在此运动过程中，摄像头拍摄的照片保存在系统中。整个过程分别采用单一相机定位运动，记录其轨迹线；单一激光雷达定位运动，记录其轨迹线；激光雷达和相机融合定位运动，记录其轨迹线。对比三个运动轨迹线发现，采用单一激光雷达定位时，漂移会比较严重。这是因为激光雷达的点云匹配过程一般都是一个较小角度的初始值，所以在直线行走时基本不会出现漂移，但是随着拐弯次数的增多，漂移误差也会增大。采用单一相机进行定位时，无论是直线还是拐弯，定位效果都很好，但是随着试验时间的推进，强阳光射进棚内，相机拍摄的照片无法分清草莓土块和道路，轮式机器人出现定位丢失问题，轨迹终止。采用相机与激光雷达融合的方案进行运动时，运动轨迹定位误差控制最好，定位轨迹与实际路线出入最小，且不会随着强光条件干涉导致定位丢失，因为一旦相机定位丢失，激光雷达点云图像还能作为定位依据继续行进。

3.2 障碍物检测验证

草莓采摘工人是棚内机器人移动过程中最常见的障碍物之一，因此必须对人进行检测。在试验场地检测时，分别在机器人正前方2 m、2.5 m 以及3 m 的地方布置假人模型进行检测，该假人模型与普通成年男子体型相近。最后试验结果表明，基于视觉与激光雷达的障碍物检测算法可以有效地去除环境背景，保留提取目标障碍物区域。通过Canny算法获取的边缘信息，激光雷达特征信息提取正确。检测过程中，在三个不同距离下测出的障碍物身高（假人身高180 cm）误差都在5 cm 内，最小测量误差为0.56 cm。虽然在不同的测量距离下，所得到的假人身高测量值出现一定波动，但波动值都在可接受范围内。因此，基于视觉与激光雷达融合的障碍物检测算法是可靠的。

4 结论

本研究成功地探索了基于视觉与激光雷达融合的棚内农业机器人定位与障碍物检测技术。通过综合利用视觉传感器和激光雷达的独特优势，不仅提升了定位的准确性，还大幅度提高了障碍物检测的效率和可靠性。采用SLAM 技术结合视觉与激光雷达数据，可以有效突破单一传感器在复杂农业环境中的局限性。通过这种方法，机器人能够在缺乏明显地标的棚内环境中实现精确定位。在障碍物检测方面则是结合深度学习和点云数据处理技术，能够显著提高障碍物检测的准确性和鲁棒性。

本研究在棚内农业机器人领域展现出巨大的应用潜力。这种技术不仅可以应用于作物的自动化管理，如喷洒、修剪和收获，还可以扩展到其他领域，如智能物流、室内导航和灾害救援等。此外，随着技术的不断进步，该系统有望进一步优化，以适应更多样化的环境和更复杂的任务

综上所述，本研究通过高效融合视觉与激光雷达技术，能够显著提升棚内农业机器人的定位和障碍物检测能力。这一成果不仅可以为农业机器人技术的发展开辟新的道路，也为相关领域的研究提供了有价值的参考和启示。随着技术的不断进步和优化，期待未来能在智能农业和其他领域看到更多此类技术的应用和发展。