综述:农业环境中LiDAR位置识别的先进技术与应用:综合综述

《Neurocomputing》:Advanced techniques and applications of LiDAR place recognition in agricultural environments: A comprehensive survey

【字体: 大 中 小 】 时间:2026年07月14日 来源:Neurocomputing 6.7

编辑推荐:

  定位问题的最优解对于开发自主机器人系统至关重要。除自主车辆外,精准农业是最能受益于这些系统的领域之一。尽管LiDAR位置识别(LPR)是近年来广泛用于实现精确定位的技术,但它主要应用于城市环境。然而,农业环境缺乏显著特征且具有非结构化特性,使得位置识别具有挑战

  
定位问题的最优解对于开发自主机器人系统至关重要。除自主车辆外,精准农业是最能受益于这些系统的领域之一。尽管LiDAR位置识别(LPR)是近年来广泛用于实现精确定位的技术,但它主要应用于城市环境。然而,农业环境缺乏显著特征且具有非结构化特性,使得位置识别具有挑战性。本研究对农业环境和LPR技术的最先进(state-of-the-art)深度学习应用进行了全面综述。研究人员重点关注这些环境中出现的挑战。研究人员分析了用于评估LPR系统性能的现有方法、数据集和指标,并讨论了该领域的研究局限性和未来方向。这是首篇聚焦于农业环境中基于LiDAR定位的综述,旨在提供深入理解并促进该专业领域的进一步研究。
**1. 引言(Introduction)**

为保证农业机器人有效运行,其必须具备在环境中精确定位的能力。位置识别方法通过识别先前访问过的地点来确定机器人在地图中的位置。LiDAR传感器因其提供精确三维环境信息的能力而被用于位置识别,且相较于视觉方案,LiDAR对光照和天气条件变化具有更强的鲁棒性。LiDAR位置识别(LPR)的性能高度依赖于环境特征,现有方法多基于城市数据集训练深度学习(DL)模型,但这些模型在农业环境中通用性不佳,因为农业环境通常缺乏显著特征且具有非结构化特性。本综述聚焦LPR在农业环境中的新兴领域,全面回顾了最先进(SOTA)技术,并着重分析了农业环境中的挑战。贡献包括:全面综述农业环境中LPR的SOTA;分析现有方法、数据集和评估指标;批判性比较城市特定LPR基准与农业需求,强调时间变异性和环境动态性导致的性能差距。

**1.1. 综述范围(Scope of the survey)**

本综述聚焦于农业环境中使用LiDAR进行位置识别。现有综述多关注城市环境,缺乏针对农业环境挑战的综合性回顾。研究旨在弥合这一知识缺口,提供SOTA的全面分析,特别关注LPR问题,重点考察2020年以来的方法,并纳入早期相关工作以提供背景。与其他综述不同,本研究专门解决农业环境下的LPR问题,因其具有显著影响农业自主机器人系统发展的潜力。

**1.2. 综述组织(Organization of the survey)**

综述结构如下:第2节探讨DL在农业中的主要应用;第3节审视农业环境中定位问题的现有DL解决方案,包括基于视觉和基于LiDAR的方法;第4节讨论LPR问题的初始方法(面向城市),区分基于学习和基于几何的方法,并讨论点云预处理和跨模态方案,比较不同方法,详细阐述农业环境中的具体挑战;第5节回顾农业数据集,考察其在检测、分割及定位方面的传统和近期应用;第6节讨论评估LPR算法性能的指标;第7节总结研究发现并展望未来研究方向。

**2. 农业深度学习应用(Agricultural deep learning applications)**

DL在农业环境中的应用近年来迅速扩展,在语义分割、目标检测、作物分类和果实计数等核心感知任务中表现出色。然而,部署定位DL模型在非结构化的农业环境中仍具挑战性,需具备跨不同作物阶段和环境条件的泛化能力。本部分按具体效用分类回顾了DL的主要应用。

**2.1. 应用领域(Fields of application)**

农业机器人整合旨在提升效率、降低劳动成本和提高作物产量。精准农业通过技术优化作物生产、减少浪费,可靠的定位是精准农业的关键。无人机(UAV)在监测作物健康、识别胁迫区域和优化灌溉方面具有高实用性。自主农业车辆(如拖拉机和收割机)可执行种植、施肥、修剪和收割等任务,LPR有助于识别先前访问地点并高效导航。可靠的路径规划解决方案至关重要,如DeepWay利用DL预测葡萄园的航点。作物监测涉及持续观察植物生长、健康和生产力,DL技术提升了评估的准确性和效率。表型分析通过测量和分析植物可观察性状为植物育种提供信息,多时相LiDAR数据配准用于跟踪植物生长。修剪和喷洒等常规农业操作引入环境变异性,修剪改变植被几何结构,喷洒干扰光学和LiDAR感知,而DL方法有助于解决这些挑战。

**3. 农业环境中的定位(Localization in agricultural settings)**

历史上,AI研究多聚焦于作物监测、分割和分类,而空间定位和位置识别问题相对探索不足。本部分回顾了农业环境中针对定位问题(位置识别和SLAM)的现有DL解决方案,分为基于视觉和基于LiDAR的方法,并评述了融合语义信息的方法。

**3.1. 基于视觉的方法(Vision-based methods)**

Tanco等开发了自监督卷积神经网络(CNN)方法提取农业地形鲁棒特征,采用改进MobileNet进行语义分类,提升了视觉SLAM在葡萄园中的关键点检测性能。Agri-SLAM是专为农业环境设计的立体视觉SLAM系统,引入局部点和线特征恢复技术并结合惯性测量。Shu等首次评估单目视觉SLAM在动态农业环境中的性能,而MOLO-SLAM结合ORB-SLAM2与Mask-RCNN实例分割算法,通过掩码动态对象提升定位精度。Xu等提出基于点线特征的鲁棒视觉惯性SLAM算法。

**3.2. 基于LiDAR的方法(LiDAR-based methods)**

ORCHNet提出用于果园LPR的特征聚合方法,在同季场景中Recall@1%超过90%,但Recall@1值约为50%。TriLoc-NetVLAD通过手绘空间上下文描述符(点云密度、高度和强度)结合通道选择策略,在葡萄园中跨季Recall@1达55%。PointNetPGAP-SLC引入分段级一致性(SLC)模型,实现75%的Recall@1。Ou等通过空间二进制模式(SBP)和熵注意力重加权实现手绘描述符。MinkUNeXt-VINE简化架构,利用低分辨率输入和马特罗什卡表示学习(MRL)损失,使用低成本的Livox传感器实现近70%的Recall@1。在SLAM方面,VineSLAM采用点特征提取和半平面分割结合粒子滤波器;Fei和Vougioukas依赖“行模板”和蒙特卡洛方法进行定位;SG-ISBP整合惯性测量单元(IMU)数据形成改进的空间二进制模式(ISBP)回环检测;P-AgSLAM结合特征提取与扩展卡尔曼滤波器(EKF),适用于玉米田。

**3.3. 语义信息(Semantic information)**

关键点语义集成(KSI)方法将语义标签融入LPR的关键点选择过程,提升对环境变化的鲁棒性。Papadimitriou等利用Mask-RCNN进行葡萄藤语义分割,并将树干作为定位参考,结合图SLAM提升精度。另有方法将语义信息融入粒子滤波器似然估计,增强在非结构化和动态农业环境中的鲁棒性。

**4. LiDAR位置识别问题(The LiDAR place recognition problem)**

LPR是自主机器人长期定位和建图的关键组成部分,旨在判断3D LiDAR扫描是否对应先前访问地点。LiDAR提供高几何精度且不受光照影响,但点云的非结构化和动态季节性变化使得提取鲁棒表示具有挑战性。典型的LPR流程包括点云预处理、特征提取、全局描述符聚合和数据库匹配。

**4.1. LiDAR深度学习方法(LiDAR deep learning methods)**

PointNetVLAD通过PointNet进行特征提取并采用NetVLAD聚合层,是DL方法的基础。LPD-Net引入图聚合方法以更好捕捉局部特征空间分布。OverlapNet采用孪生架构直接预测点云对的重叠率。MinkLoc3D利用稀疏3D卷积提升效率。MinkLoc3Dv2引入排序损失函数,MinkUNeXt则结合UNet结构和排序损失,在城市复杂环境中Recall@1超过90%。此外,融入强度信息(Spherical Projection+Intensity,SI)的MinkLoc3D-SI和MinkUNeXt-SI提升了约5%的召回率。Cgis-Net融合颜色、几何特征和语义标签。SegMap利用语义分割学习嵌入描述符,Coral通过鸟瞰图(BEV)融合视觉信息,Locus聚合高层语义与低层几何特征。InCloud引入增量学习方法适应新环境。

**4.2. LiDAR手绘方法(LiDAR handcrafted methods)**

手绘方法依赖几何基元和显式规则。签名方法(如Scan Context)通过极坐标网格投影点云编码高度信息;Intensity Scan Context融入反射强度;Scan Context++引入横向和旋转不变性。在农业数据集TEMPO-VINE中,Scan Context在跨季场景中召回率从90%降至40%。直方图方法(如FPFH)计算局部几何特征的直方图;ESF关注全局形状基元;Omni Point通过多方向局部几何特征直方图生成全局描述符。

**4.3. 点云预处理(Point cloud preprocessing)**

预处理技术显著影响LPR性能,包括滤波、下采样和归一化。去除地面点和半径外点有助于聚焦垂直结构。体素网格滤波适合稀疏卷积方法。归一化提升对尺度和旋转变化的鲁棒性。利用LiDAR的强度值预处理是提升性能的关键,如SI变体所证明的。

**4.4. 跨模态方法(Cross-modal approaches)**

跨模态方法融合多传感器数据以提高LPR鲁棒性,包括早期、中期和晚期融合策略。视觉-激光雷达融合:MinkLoc++静态融合;AdaFusion引入自适应权重;BdFusion采用双向注意力机制。MambaPlace结合文本和点云信息进行粗到细的定位。LRFusionPR融合雷达和LiDAR数据,采用交叉注意力机制和极坐标统一BEV表示。

**4.5. 农业环境中的特定挑战(Specific challenges in agricultural environments)**

农业环境对LPR提出独特挑战。缺乏明显特征:作物相似导致识别混淆。重复模式:如成行作物或树木导致假阳性。季节性变化:夏季茂盛植被与冬季裸露葡萄藤外观差异显著。不规则地形:起伏地面、湿滑表面影响里程计。地理参考困难:GPS信号受遮挡和多路径效应不可靠。

**4.6. 城市与农业环境的LPR比较(Urban vs. agricultural environments for LPR)**

评估LPR时,城市环境常用距离阈值25米,而农业环境常用10米或基于行距的动态阈值。城市方法利用建筑物和道路等显著特征,农业方法需提取更细微特征(如植物形状、土壤纹理)。性能差距显著:城市方法Recall@1超过90%,而农业方法最好成绩约75%。农业LPR研究始于2024年,尚处于早期阶段。

**5. 数据集(Datasets)**

多数LPR数据集收集于城市环境。过渡性数据集如KITTI和Oxford Robotcar包含部分植被区域,但长期信息有限。ORFD和Wild-Places包含野外环境但非纯农业。Rellis-3D提供乡村数据但缺乏长期性。农业环境数据集多数聚焦视觉信息,近年才有LiDAR数据。GREENBOT、MAgro、HORTO-3DLM、BLT、ROSARIO、ARD-VO和TEMPO-VINE等数据集包含LiDAR数据,覆盖多种作物类型。与城市数据集(如Ford Campus、NCLT)相比,农业数据集在序列数量和多样性上仍有限。大多数农业数据集为面向检测和分割的视觉数据集,而面向定位的数据集较少,需进一步收集和整理包含地面LiDAR和准确真值的数据。

**6. 评估指标(Evaluation metrics)**

**6.1. SLAM定位**:主要使用相对位姿误差(RPE)和绝对位姿误差(APE),常用均方根误差(RMSE)和平均绝对误差(MAE)。平移方面使用平均平移误差(MTE)和L2范数,旋转方面使用角度误差(AE)。

**6.2. 定位**:常用精确率、召回率和F1分数。精确率-召回率曲线下面积(AUC-PR)总结阈值折衷。同时采用F1分数和F2分数,以及最大F1分数(Max F1-Score)作为阈值无关的评估指标。

**6.3. 聚类**:使用轮廓系数(silhouette score)和戴维斯-布尔丁指数(Davies-Bouldin index),以及调整兰德指数(Adjusted Rand Index,ARI)以剔除随机重叠影响。

**6.4. 计算延迟**:通常以毫秒(ms)为单位报告单次查询推理时间或批量处理时间,对于实时应用至关重要。

**6.5. 内存使用**:评估平均和峰值内存消耗,对于资源受限的农业机器人非常重要。低维全局描述符可在保持精度同时降低内存占用。

**7. 结论(Conclusions)**

实现鲁棒的LPR是自主移动机器人成功运行的关键里程碑。农业环境呈现非结构化地形和严重季节性变化,使标准城市解决方案失效。可靠定位是精准农业的关键,能优化粮食生产并缓解劳动力短缺。本综述全面回顾了农业定位SOTA,分析了现有农业LPR结果。跨季节验证仍是重大挑战,召回率常低于50%,冬夏季节间Recall@1差异超过20%。当前存在视觉数据集丰富而定位数据集稀缺的差距。本综述旨在阐明现状,指导未来研究弥合理论算法与实际农业自主性之间的差距。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号