标题：
Advances in ground robotic technologies for site-specific weed management in precision agriculture: A review
第一作者 ：Arjun Upadhyay
美国北达科他州立大学
第二作者 ：Yu Zhang
美国北达科他州立大学
通讯作者：Xin Sun
美国北达科他州立大学
研究背景：精准农业中的杂草管理是一个全球性挑战，传统的人工和化学方法存在劳动密集、环境污染和效率低下等问题。近年来，机器人技术和变量施药技术（VRT）在精准农业中表现出巨大潜力，但实际应用面临准确识别杂草、实时决策和系统集成等技术瓶颈。本论文系统回顾了杂草管理中地面机器人技术的进展，重点研究各组件（如导航、传感器和除草执行装置）的现状、挑战及未来改进方向。
研究目标：
回顾用于精准杂草管理的机器人组件。
分析各技术组件的优缺点并提出改进方向。
探讨智能杂草管理机器人设计的最新研究趋势与现有商用技术。
提出未来研发建议，以开发更加高效的精准杂草管理技术。
研究方法：
文献分析：依据PRISMA指南筛选出91篇相关文献，覆盖导航、成像、杂草控制技术等主题。
组件整合分析：综合讨论自动导航、成像传感器和杂草管理执行装置的性能与技术挑战。
主要总结：
自动导航： RTK-GPS技术：低成本高精度，但受卫星信号影响；传感器融合（如IMU和LiDAR）可改善性能。 视觉导航：机器视觉在照明变化下表现有限，但结合图像处理算法（如Hough变换和Kalman滤波）提高了适应性。 成像与识别： RGB传感器广泛应用于实时图像采集，配合深度学习实现高效的杂草识别，但易受环境光干扰。 高光谱成像展现出卓越的光谱细节分析能力，但存在数据处理复杂性和设备成本问题。 多光谱传感器扩展了波段范围，适用于监测植物生长状况和特定杂草特征。 杂草管理方法： 机械除草：利用传感器与智能导航技术实现精准耕作，显著减少农药依赖。 化学除草：通过变量喷洒技术降低农药用量；实时传感器结合机器学习算法提高了目标喷洒的精确性。 综合趋势： 综合机械与激光等多种除草方法将成为未来方向。 商业机器人平台逐渐向模块化、可扩展性和多功能性方向发展。
用于杂草检测的流行图像采集传感器：(a) ICI 9640p 热像仪，(b) Velodyne LiDAR，(c) Survey3 相机 (MAPIR)，(d) Teledyne FLIR 相机，(e) MicaSense RedEdge-MX 多光谱相机，(f) RGB Canon EOS 6D Mark II，(g) 深度相机 D415（英特尔 RealSense），(h) FX-10e VNIR 高光谱相机。
智能机械除草机：(a) 正在运行的Robovator，(b) 自主除草机示例，(c) 智能行内机械除草单元Farm-NG，(d) 智能除草机示例，(e) Phoenix，(f) Dino。
用于杂草管理的定向喷洒机器人示例：(a) 安装在 ATV 上的智能喷雾器系统以及喷雾器系统组件，(b) BoniRob 以及杂草控制单元的 CAD 视图，(c) ActivMedia Pioneer3 AT，(d) 智能喷洒系统。控制单元的 CAD 视图，(c) ActivMedia Pioneer3 AT，(d) 智能喷洒系统。
传感器融合技术的深入分析：
提出将RTK-GPS与LiDAR、IMU结合以提高导航精度的具体实现方法。
机器学习模型的实际应用：
深度学习算法（如CNN和YOLO）在杂草实时检测中的应用，显著提升了分类准确率和处理效率。
高光谱成像在复杂环境下的潜力挖掘：
重点讨论了高光谱数据在作物-杂草识别中的应用挑战与优化方向。
多功能除草执行器的设计方案：
融合机械和激光技术的机器人除草装置展示了更高的效率和环保性。
商用与研究技术的对比：
提供了现有商业化设备（如Robovator、BoniRob）的性能分析及其与实验室技术的差距。
推荐指数：⭐⭐⭐⭐⭐
链接
—
https://doi.org/10.1016/j.compag.2024.109363【权责声明】
