跳到主要内容
返回时间线
arXiv来源发表:

果园机器人不再依赖行距先验:FlowRow在900个仿真回合中成功率87%,最强生成式基线为44%

核心概要

在未知行距、无先验地图的果园与葡萄园里,移动机器人要跨行到达目标,此前只能靠已知田块几何预设转弯动作,无法任意换行。FlowRow把这类导航当作长程目标导航,用深度图像和以机器人为参照的目标条件化一个流匹配局部规划器,直接生成样条路径。在Isaac Sim构建的RowNavBench上,FlowRow总体成功率为87%,同一批示范重训的最强生成式行为克隆基线为44%。

Source-provided article image: FlowRow: Learning Navigation Behaviors in Agricultural Environments with Long-Horizon Goal-Conditioned Flow Matching Policies
arXiv

深度剖析

机器人现在可以在不知道行距和行数的情况下,从当前所在行跨到最多三行之外的目标位置,途中自行完成行内行驶、地头转弯和跳行。 此前的感知式农业导航主要解决行内跟随,换行则依赖按已知田块几何设定的规则动作,只能转入相邻行,不支持跳行或跨到非相邻行。 在RowNavBench的900个仿真回合上,FlowRow总体成功率为87%,明显高于NavDP与SanD-Planner;同一批农业示范重训的最强生成式行为克隆基线为44%。

规划器每一步只输出一段短程路径,却由远在规划视界之外的目标牵引,因此不会朝目标直线穿过作物。 短程路径预测与远距离目标之间存在视界差,目标常常落在深度图像可观测范围之外。 训练时以一定概率把目标放在示范路径之外更远处,使模型学会先继续行内行驶、再在地头转弯;在RowNavBench最长的150个Traverse回合上,固定视界监督的成功率接近零,双视界监督则大幅提高长程成功率。

目标以距离和方位编码,路径以带位置与朝向的样条控制位姿表示,二者共同支撑接近180度的地头转向。 仅用位置控制点或直角坐标目标时,大角度转向在角度表示上不连续,且远距离目标难以表示。 方位用正弦余弦对表示以避开角度跳变,距离被归一化并截断;同一双视界监督下,直角坐标目标与样条动作的成功率为0.84,双视界监督也降低了结果对动作表示选择的敏感度。

启示与展望

评估覆盖Isaac Sim中由AgriGen生成的葡萄园、柠檬园和苹果园共900个回合,以及苹果园与梨园中行距不同的两处真实零样本部署;机器人使用深度相机与RTK-GNSS提供的位姿,目标以机体坐标系给出。

真实部署中,跨五行的超分布穿越在行入口附近的细标志杆未被深度传感器可靠感知,需要短暂人工干预;遮挡相机视野的障碍物被列为超分布测试条件。仿真到真实的泛化被列为后续工作。