摘要：传统水稻种植中存在人工抛秧效率低下、精准度不足及复杂农田环境适应性差等痛点，设计出“数字水稻栽培者”的智能农田作业机器人，构建一个集精准作业、自主导航、远程监控于一体的智能化农业解决方案。硬件上，系统采用麦克纳姆全向轮与自适应悬挂减震底盘，以应对泥泞、积水等复杂地形；搭载激光雷达、双目视觉相机、毫米波雷达及热成像相机等多模态传感器，结合IMU（惯性测量单元），实现高鲁棒性的环境感知。软件上，基于改进A\*算法与强化学习模型进行动态路径规划，并集成YOLOv5 与Mask R-CNN 深度学习模型用于实时农田环境与作物识别。通过LoRa 与4G/5G 混合通信网络，系统数据可实时上传至云端物联网平台，实现低延迟（<2 秒）的远程监控、任务调度与数据可视化。实验结果表明，该机器人在复杂农田环境下的导航精度达±5cm，避障成功率达98%；抛秧精度控制在±1cm 以内，种子抛撒均匀度超95%。

关键词：智能农业；精准抛种；在线清选；多模态感知；农业机器人

我国是世界第一大水稻生产国，年播种面积约3000 万公顷。然而，传统水稻种植仍高度依赖人工育秧移栽，存在成本高、周期长、劳动力短缺等瓶颈。近年来，水稻直播技术因其省工、节本、增效等优势受到广泛关注。但直播作业对种子质量与播种精度要求极高——若种子中含有大量秕谷、碎屑或粉尘，极易造成排种器堵塞，导致漏播、重播，严重影响出苗率与产量[1]。

当前市场上的抛种机多为半自动化设备，需预先进行种子清选，且缺乏对作业过程的实时监控与调整能力。同时，其导航系统多依赖GPS，定位精度仅达米级，在复杂农田（如丘陵、水田）中易受信号遮挡影响，难以实现精准路径跟踪[2]。此外，现有设备普遍未集成远程管理功能，无法满足现代农业“无人化农场”的发展趋势。

在此背景下，融合机械创新与智能控制的新型农业机器人成为破解上述难题的关键路径。通过将在线清选、高精度执行、环境感知与云端管理深度融合，有望构建一套真正“端到端”的智能播种解决方案。

国外如John Deere、CNH Industrial 等企业已推出具备自动导航与变量播种功能的高端农机，但其价格昂贵，且未针对中国小地块、高湿度水田场景优化。国内学者李道亮在精量播种、视觉识别等方面具有一定研究，但在在线防堵机制与多模态融合导航方面仍存在技术挑战[3]。

本研究立足于国产化、低成本、高适应性的设计理念，重点突破“播种-清选一体化”与“复杂环境自主作业”两大核心技术，填补了现有研究的不足。

1.技术方案设计

1.1 功能描述

通过创新精准抛秧与种子抛撒技术，结合双自由度云台与种子喷射机构，利用射速调节实现种子均匀分布，确保播种作业的高效与精准。采用激光雷达与视觉传感器构建农田三维地图，并基于改进 A*算法和强化学习模型动态规划路径，实现自主导航与避障，避开复杂环境中的障碍物。同时，集成深度学习算法 YOLOv5、Mask R-CNN实时识别农田环境、作物分布及障碍物，进一步提升智能化水平。通过物联网平台，支持手机和电脑远程操作，实现机器人状态监控、任务调度和数据可视化，数据传输延迟低于 2 秒，为农户提供实时决策支持。硬件设计方面，自适应悬挂减震底盘与全向轮的结合，确保设备在泥泞、积水及高低不平地形中的稳定性和通过性，全面满足现代农业生产的智能化需求（图1 所示）。

图1 机器人3D 建模图

1.2 接口设计

系统具备高度的通用性与可扩展性，硬件接口采用标准化设计，支持快速更换和扩展模块，如不同类型的传感器、执行机构，满足多样化应用场景需求。软件接口基于 ROS 的Robot Operating System，支持第三方算法集成与功能扩展，确保系统的灵活性和适应性。代码采用C++14 和Python 编写，遵循Google 代码风格指南，确保代码的可读性和一致性。同时，通过 CUDA 加速点云处理，Python 构建机器学习训练框架，进一步提升计算效率。代码结构模块化设计，便于维护和扩展，为系统的长期发展和功能升级提供了坚实基础。

1.3 硬件设计合理性与安全性

设备在选材与组配方面，采用碳纤维与铝合金组合结构（图2 所示），巧妙兼顾轻量化与高强度，关键连接处通过 CNC 精密加工，确保整体结构的稳定性和耐用性。布线与防护设计上，内部布线采用屏蔽电缆，有效减少电磁干扰，保障信号传输的稳定性；外部接口则采用防水、防尘设计，使其能够轻松适应高湿、泥泞等恶劣环境。在安全设计方面，配备紧急停止按钮与远程控制功能，为操作人员提供双重安全保障；同时，设备具备低电量自动返回充电功能，可有效避免因电量不足导致任务中断，确保作业的连续性和高效性。

图2 碳纤维进行CNC 加工

2.技术方案实施

2.1 传感器系统实现

2.1.1 激光雷达

激光雷达通过发射激光束并接收反射光，测量与周围物体的距离，生成高精度的三维点云数据。数据经滤波、特征提取等预处理，剔除噪声和无效信息，利用SLAM 算法实时构建农田地图并定位机器人，为导航和避障提供关键环境信息。在机器人环境感知方案的迭代中，激光雷达选型需紧密围绕场景需求与技术可行性展开。Livox MID-360 凭借其“非重复扫描”技术，在同等成本下实现了独特的点云密度增长特性，10 分钟扫描即可覆盖 90%以上的场景细节，较同类产品效率提升约40%。同时，其紧凑设计（直径Φ99mm，重量 280g）与宽电压输入（9-36V）特性，显著简化了机器人的电源与结构设计。通过联合仿真（Gazebo+ROS）与实景测试（含强光、雨雾干扰场景），MID-360 在 8m 范围内达到±2cm 的测距精度，并成功支撑了多传感器融合 SLAM 的实时性要求（图3 所示）。

图 3 MID-360 激光雷达

2.1.2 视觉相机

相机的选型一直都是难题，经过多次测试和考量，MV-CS060-10UC-PRO 相机因其具有卓越的性能和广泛的适用性且对于前期的研发具有较高性价比而作为首选。该相机适用于机器人视觉动态定位与避障和工业检测等场景，尤其在高精度、高速度的视觉处理需求中表现突出。该相机在分辨率、帧率、镜头质量及工业适配性上优势显著高效、高精度视觉处理的工业场景的理想选择（图4 所示）。

图4 视觉相机

2.1.3 毫米波雷达

毫米波雷达利用毫米波频段电磁波探测目标，全天候工作，不受雨雾影响。发射毫米波信号，模拟的田间环境中测试毫米波雷达的性能，包括探测距离、精度、抗干扰能力等；验证系统在不同工况下的稳定性和可靠性，根据测试结果对系统进行优化和调整。接收反射波，分析频率和幅度变化，提取距离、速度和角度信息，监测动物活动和障碍物，提供稳定环境感知。

2.1.4 热成像相机

热成像相机被动接收物体红外辐射，转化为电信号形成热图像，突出显示温度差异（图5 所示）。经图像增强和滤波处理，用于夜间或复杂天气监测人员和动物，与可见光图像融合，提升识别准确性和可靠性。在夜间进行弹射抛秧作业时，热成像相机能够清晰地捕捉到作业人员和抛秧设备的热信号，从而方便监控人员了解作业人员的位置和设备的运行状态，保障夜间作业的安全与顺利进行。在复杂的田间环境中，热成像相机还能与毫米波雷达结合使用，能够更准确地检测障碍物。

图5 热成像原理2.1.5 IMU

IMU 集成陀螺仪和加速度计，实时测量角速度和加速度，经传感器融合算法处理，补偿误差，提供精确姿态和运动信息。弹射抛秧设备在田间行驶和作业时，IMU 可实时监测其姿态变化，包括俯仰角、翻滚角和偏航角等，能确保设备保持水平作业，避免因倾斜或姿态异常导致抛秧不均匀，保证抛秧质量。同时，能感知设备的加速度和角速度变化，帮助设备精确按照预设轨迹行驶，使秧苗按规划好的行距和列距投放，提高抛秧的规范性与自动化程度。另外，IMU 能实时感知抛秧设备因地形变化产生的姿态与运动变化。结合这些信息，设备可自动调整自身高度或弹射角度，以适应不同地形，确保在各种地形条件下都能实现理想的抛秧效果（图6 所示）。

图6 MPU-6050 六轴运动传感器模块的引脚定义与连接方式2.2 电控系统实现

电控系统以STM32H7 微控制器为核心，集成电源管理模块，采用动态电压调节算法优化功耗，实现72 小时续航。控制执行机构，发送 PWM 信号控制全向轮电机转向和速度，独立控制种子喷射机构摩擦轮转速，调节种子抛撒射速。多传感器数据采集与处理，统一处理传感器数据，提取特征，为上层决策提供环境信息。

2.3 计算平台实现

计算平台基于Jetson Orin NX，具备强大并行计算能力和低功耗，适合嵌入式AI 应用。深度学习模型部署，优化YOLOv5 和Mask R-CNN 模型，利用CUDA 加速GPU 推理，实时处理视觉数据。传感器数据融合，时间同步和坐标变换多源数据，生成完整环境描述。行为决策与控制，根据环境信息规划行动方案，动态调整策略，确保任务高效执行。

2.4 通信模块实现

通信模块融合LoRa 和4G/5G 技术，即融合远近通讯结合，自组网通信系统多跳中继扩大覆盖范围，信号遮挡时自动切换至4G/5G，确保数据传输稳定。通信协议与数据封装遵 TCP/IP 协议栈，自定义应用层协议封装传感器数据和控制指令，保障高效传输。远程监控与管理搭建物联网平台，机器人数据实时上传，用户通过 Web或移动端远程监控和管理，接收预警并下达指令（图7 所示）。

Mask RCNN

图 7 优化 YOLOv5 和 Mask R-CNN 模型

2.5 执行机构实现

2.5.1 全向轮系统

轮缘小滚轮实现多方向移动，四轮独立驱动，灵活应对复杂农田环境。控制算法基于运动学模型，将速度和方向指令转换为电机 PWM 信号，实现精确运动控制。负载适应与打滑检测，实时监测电机电流和轮速，调整扭矩分配，检测打滑自动调整速度或切换路径规划（图8 所示）。

图8 全向轮3D 建模图

2.5.2 自适应悬挂减震底盘

自适应悬挂减震底盘采用三级缓冲结构与AI 动态阻尼调节技术，识别复杂地形，调整减震参数，确保稳定运行。结构设计与材料选择上，铝合金和碳纤维组合实现轻量化与高强度，形状记忆合金与自修复涂层抵御极端温度和腐蚀。减震效果优化使云台振动幅度控制在极小的偏差内，降低组件数量与故障率，支持快速模块更换（图9 所示）。

图9 自适应悬挂减震底盘3D 建模图

2.5.3 种子喷射机构

种子喷射机构采用双摩擦轮设计，调节转速控制种子抛撒射速，范围 16- ⋅17m/s ，确保均匀分布。控制算法基于运动学模型和射弹道理论，将射速和方向指令转换为电机 PWM 信号，实现精确控制。精准度优化通过实验标定和参数调整，结合视觉反馈校正误差，提升精准度（图10 所示）。

图10 摩擦轮3D 建模图

3.测试报告

3.1 测试环境与工具

测试在具有代表性的农田环境中进行，涵盖泥泞、积水、高低不平的地形，以及晴天、雨天、雾天等多种光照和天气条件，以全面评估设备在复杂农田环境中的性能表现。测试工具包括高精度 GPS 测量仪、激光测距仪、数据采集终端、视频监控设备和压力测试设备等，确保测试数据的准确性和可靠性，为设备的性能优化提供有力支持。

3.2 测试内容与结果

3.2.1 自主导航与避障

在模拟农田环境中设置多个障碍物（如树根、石块、水坑等），记录机器人在不同环境下的导航精度和避障能力。结果表明，机器人在复杂农田环境中的导航精度达到±5cm，避障成功率达到 98%。在动态路径规划中，机器人能够有效避开障碍物和危险区域，确保顺利通行。

3.2.2 精准抛秧与抛洒

在不同地形条件下（如平整水田、泥泞地带、斜坡等），测量抛秧深度和间距的误差，以及种子抛撒的均匀度。结果表明，抛秧深度和间距误差均控制在±1cm，种子抛撒均匀度达 95%以上。通过调节摩擦轮转速，种子抛撒射速稳定在 16-17m/s ，确保种子均匀分布。

3.2.3 视觉识别

在不同光照和天气条件下（如晴天、雨天、雾天等），测试机器人对农田环境、作物分布和障碍物的识别准确率。结果表明，在晴天条件下，视觉识别准确率达97%；在雨天和雾天条件下，通过热成像相机和毫米波雷达的辅助，识别准确率仍保持在90%以上。

3.2.4 远程监控与管理

通过物联网平台远程监控机器人状态，测试数据传输延迟和稳定性，以及远程操作的响应时间。结果表明，数据传输延迟小于 2 秒，远程操作响应时间小于 5 秒。用户可通过手机或电脑实时查看机器人状态，并远程调整作业计划。

3.2.5 环境适应性

在泥泞、积水、高低不平的地形中测试机器人的通过性和稳定性，记录在不同地形下的运行表现。结果表明，机器人在泥泞和积水环境中表现稳定，未出现打滑或下陷现象。自适应悬挂减震底盘有效减少了颠簸对机器人稳定性的影响，确保在复杂地形中的正常运行。

3.3 性能指标符合度分析

在性能指标符合度分析中，设备在各项关键指标上均表现出色，实际测试结果与设计要求高度一致。导航精度达到设计指标±5cm，确保了设备在复杂农田环境中的精准定位；抛秧精度控制在±1cm，抛撒均匀度超过95%，为高效、均匀地播种作业提供了保障。数据传输延迟严格控制在小于 2 秒，满足实时监控与管理的需求。环境适应性测试表明，设备能够稳定运行于泥泞、积水及高低不平的地形，展现出强大的实地作业能力。视觉识别准确率在晴天条件下达到 97%，尽管在恶劣天气条件下略低于 95%的设计指标，但仍保持在可接受范围内，确保了设备在多变环境下的可靠性和实用性。总体而言，设备在复杂农田环境中的综合性能表现优异，充分满足现代农业生产的智能化需求（图11 所示）。

图11 线上监控与人工协作平台

4.结论

抛秧农田机器人在各项性能指标上均达到了设计方案的要求。在复杂农田环境中的导航精度、抛秧精度、抛撒均匀度和环境适应性等方面表现优异。未来，该技术可以拓展到其他农业领域，如作物收割、病虫害监测与防治等，进一步推动农业生产的全面智能化。

参考文献：

[1] 胡雅杰，张海鹏，郭保卫，等.中国水稻机械化精简化栽培技术发展历程与展望[J].农业工程学报， 2025，41（16）： 13-24.

[2] 张漫 ， 季 宇 寒， 李 世 超， 等 .农 业 机 械 导 航 技 术 研究 进 展 [J]. 农 业 机械 学 报 ，2020，51（4）：1-18DOI：10.6041/j.issn.1000-1298.2020.04.001.

[3] 李 道 亮 . 我 国 农 业 机 器 人 技 术 与 发 展 趋 势 [J]. 人 民 论 坛 ，2024（24）：70-74.DOI：10.3969/j.issn.1004-3381.2024.24.015.

课题来源：2025 年大学生创新创业训练计划项目，项目编号：S202513984006。