農業機器人長距離行駛容易偏移 韓國AI果園定位系統將誤差控制在3公分級
撰文＝編輯部
無人機、感測器與地面機器人逐漸走進果園，協助農民進行巡檢、噴藥與作物生長監測。不過，果園密集的樹冠與規律排列的樹列，卻可能成為自動化設備的「定位迷宮」。當枝葉削弱全球導航衛星系統（Global Navigation Satellite System，GNSS）訊號，地面機器人雖可利用光達與慣性測量單元推估移動軌跡，卻缺少穩定的全域座標參考，誤差可能隨行駛距離增加而持續累積，進而降低果園地圖的準確性。
為解決機器人越走越偏的問題，韓國全南大學研究團隊先讓無人機從空中拍攝整座果園，建立具有地理座標的空拍地圖。地面機器人行駛時，則利用光達（Light Detection and Ranging，LiDAR）發射雷射，掃描周圍的樹幹、樹冠與地面，建立3D環境資料；慣性測量單元（Inertial Measurement Unit，IMU）則記錄機器人的轉彎、傾斜及移動方向。AI會比對空中與地面看到的樹列和空地，判斷機器人目前位於果園哪個位置，並在行駛軌跡出現偏移時重新校正。研究團隊在總長約1,275公尺的果園行駛測試中，將絕對姿態誤差的均方根誤差控制在2.8～3.3公分。
研究將無人機空拍地圖與地面機器人的LiDAR資料整合，可望提升果園機器人的定位與建模精度，未來可應用於巡檢、精準噴藥、割草、運輸及採收。（圖片來源：《Artificial Intelligence in Agriculture》）
空拍看得廣、光達看得細 果園定位卻各有盲點
果園地形建模常利用無人機拍攝空中影像。經過定位、影像拼接與正射校正後，空拍地圖可具備地理座標參考，快速呈現果園範圍、樹列配置與植生分布，適合作為大尺度空間管理工具。然而，當樹冠枝葉密集時，從空中拍攝的影像往往難以掌握樹冠下方的枝幹、地面及細部結構。
當地面機器人搭載光達後，則可透過雷射掃描建立高精細度3D點雲，記錄單株果樹高度、樹冠形狀及行列配置。但光達慣性里程計（LiDAR-Inertial Odometry，LIO）主要依靠連續量測推估移動位置，若缺乏穩定的外部座標參考，長距離行駛後仍可能出現誤差累積。
直接將兩種資料疊合也沒有想像中容易。無人機取得的是俯視影像，地面光達則從側面與下方掃描果樹，加上冬季落葉、夏季枝葉茂盛、葉片變色及果園內重複出現的樹列圖案，都可能使傳統影像匹配錯誤，降低整體地圖的一致性。
串起天空與地面 持續修正機器人行進軌跡
為解決季節變換與重複圖案辨識問題，研究團隊先讓無人機依照規畫路線飛行，拍攝蘋果園高解析度影像，再將照片拼接成具備地理座標的正射鑲嵌影像地圖（orthomosaic），地面解析度約為每像素2公分。
同一座果園內，地面機器人則搭載光達與慣性測量單元，在果樹行列間移動並蒐集3D點雲。研究人員將點雲轉換成2D鳥瞰圖，並保留樹冠最大高度、表面反射強度與局部點雲密度等資訊，讓原本複雜的3D結構能夠與空拍影像進行比對。
AI會比較無人機從空中拍到的果園影像，以及地面機器人用光達掃描到的果樹輪廓，找出兩邊都有的樹列、樹冠與空地。即使不同季節的葉片顏色與茂密程度改變，系統仍可根據較穩定的果樹排列與外形，判斷地面機器人位於果園中的哪個位置。全南大學教授李庚煥表示，空拍地圖可作為位置參考，協助修正地面機器人長距離行駛後累積的偏差。
換句話說，地面光達負責描繪果園的細部骨架，空拍地圖則提供全域座標參考。當機器人移動軌跡開始偏移時，系統可利用空拍影像重新校正位置，降低誤差沿著數百公尺長的果樹行列持續累積。
跨季節與長距離測試維持公分級精度 還能估算單株樹高
為避免模型只認得單一季節的果園外觀，研究團隊蒐集2024年1月至2025年3月間的9組空拍正射影像，涵蓋冬季休眠、春季萌芽、夏季茂葉及秋季葉色變化。研究在同一座蘋果園選取3個代表性區域進行驗證，各區果樹的樹齡、整枝方式、樹冠密度與高度有所不同。
研究共建立3,480張光達鳥瞰圖，並分別搭配不同季節的空拍影像，形成13,920組資料。這種訓練方式讓AI必須辨識較穩定的樹列與樹冠結構，而不是只依賴葉片顏色或季節性紋理。
測試結果顯示，AI匹配模型的平均端點誤差為3.42px，約相當於7公分，94.5％的測試樣本誤差低於5px。研究人員再將AI提供的定位條件與光達、慣性測量單元及迴圈閉合資訊共同最佳化後，在總行駛距離約1,275公尺的測試中，絕對姿態誤差的均方根誤差為2.8～3.3公分。
平均端點誤差反映空拍影像與光達鳥瞰圖的匹配精度；絕對姿態誤差則用於評估整體定位與軌跡重建結果，兩者屬於不同階段的指標。
即使使用夏季枝葉茂密、秋季變色、冬季落葉及春季萌芽等不同時期的空拍地圖，整體定位誤差仍維持在相近範圍。相較之下，移除空拍影像提供的全域定位條件後，傳統LiDAR與IMU系統在狹長且重複的果樹行列中，會出現明顯的長距離漂移。
完成定位後，這套系統還能將資料整合成由地理資訊系統（Geographic Information System，GIS）驅動的多層次果園模型，包含地形、地表、樹冠高度、單株果樹位置、RGB影像、常態化差異植生指數（Normalized Difference Vegetation Index，NDVI）及3D點雲等圖層。
在16棵蘋果樹的高度估算測試中，模型預測值與實際測量值的決定係數（R²）為0.95，平均絕對百分比誤差為3.28％。
這代表同一套地圖除了協助機器人定位，也能整合果樹高度、樹冠結構及植生指數等資訊，作為後續追蹤單株果樹生長與健康狀況的資料基礎。不過，本次研究僅實際量化驗證樹高估算，其他果樹健康指標仍待後續測試。
從精準導航走向數位果園 商業應用仍待更多驗證
李庚煥表示，透過整合地面機器人的觀測資訊與空拍地圖，這套系統未來可支援作物巡檢、精準噴藥、割草、運輸及採收等作業。這些項目是研究團隊提出的未來應用方向，本次研究實際驗證的範圍主要是跨視角定位、果園3D建模及樹高估算，尚未讓機器人實際執行噴藥、割草、運輸或採收。
研究團隊也在Jetson AGX Orin嵌入式平台上測試系統運行，初步確認其具備搭載於果園機器人、執行即時定位的運算可行性。
不過，從試驗果園走向商業應用，仍需更多場域驗證。目前系統僅在同一座蘋果園的3個區域測試，對其他果樹、栽培型態及更大規模商業果園的適用性仍待確認，樹高估算樣本也只有16棵。
研究團隊指出，濃霧、豪雨、大範圍樹冠結構改變，以及機器人失去初始位置等極端情況，都可能影響系統定位，未來將進一步研究如何在位置資訊中斷後重新定位。
研究團隊認為，未來果園地圖有機會從一次建立的靜態圖資，發展為隨季節、果樹生長與農業作業持續更新的數位模型。當無人機與地面機器人的資料能在同一座標系統中整合，將有助提升自動巡檢、精準噴藥與採收設備在實際果園運作的穩定性。
研究目前僅在同一座蘋果園的3個代表性區域進行驗證，其他果樹、栽培型態及大規模商業果園的適用性仍待測試。（圖片來源：Chonnam National University）
審稿編輯：林玉婷
參考資料
▶Food Manufacturing,Researchers Develop New AI System for Highly Accurate Mapping and Modeling of Orchards
▶EurekAlert!, Chonnam National University researchers develop new AI system for highly accurate mapping and modeling of orchards
▶Artificial Intelligence in Agriculture：Transformer-based cross-view LiDAR–orthomosaic fusion for geo-localization and digital modeling in apple orchards