1、课程导入：田间自主移动机器人的定义、发展背景、应用价值、课程目标与学习路径
田间自主移动机器人（Field Autonomous Mobile Robot, FAMR）是指能够在农田、果园、温室等非结构化农业环境中，依靠感知系统、决策算法与执行机构，自主完成路径规划、避障导航、作业执行（如除草、施肥、采摘、巡检）等任务的智能装备。它区别于工业AGV（自动导引车）的核心在于：地面不平、光照剧变、作物遮挡、土壤附着、卫星信号漂移等极端条件，使得“环境感知—定位建图—路径规划—运动控制—作业执行”的闭环链路面临远超室内场景的工程挑战。本课程将从底层硬件选型到上层算法部署，系统拆解一台田间机器人从零到一的全流程开发方法。
上图展示了田间自主移动机器人的核心闭环架构。感知层负责采集环境与自身状态数据，决策层完成多源融合与行为决策，执行层将指令转化为机械运动，而反馈回路则通过里程计、IMU及作业质量监测实现闭环修正。值得注意的是，环境干扰因素并非“外围条件”，而是贯穿所有层级的核心设计约束——例如泥泞地面会导致轮速里程计打滑，强逆光会降低视觉SLAM的特征匹配质量，RTK丢星则直接挑战定位算法的鲁棒性。因此，本课程在每一章都会强调“田间工况”对系统设计的特殊要求。
1.1 发展背景：从“机械化”到“自主化”的必然演进
田间自主移动机器人的兴起并非偶然，而是农业劳动力结构变化、生产成本压力与技术进步三重因素叠加的结果。根据农业农村部数据，2023年我国农业从业人员平均年龄已超过55岁，季节性用工缺口达3000万人次。与此同时，除草、施肥、采摘等环节的劳动力成本以每年8%-12%的速度增长。在技术侧，RTK-GNSS（实时动态差分全球导航卫星系统）的普及使厘米级定位成本降至千元级，深度学习在作物识别上的精度突破，以及无刷电机与锂电池的能量密度提升，共同为田间机器人商业化铺平了道路。
从产品形态看，田间机器人经历了三个发展阶段：遥控式（人工遥控，效率低但可靠）→ 半自主式（沿预设路径行驶，人工干预避障）→ 全自主式（环境感知+动态决策+多机协同）。当前行业正处于半自主向全自主过渡的关键期，核心瓶颈并非单一算法，而是“感知-决策-执行”在真实农田环境中的系统可靠性。例如，一台除草机器人在实验室测试中识别准确率可达98%，但在实际田间因泥土飞溅遮挡镜头、杂草与作物形态相似、地面颠簸导致图像模糊，准确率可能骤降至70%以下。这正是本课程强调“实战”而非“纯理论”的根本原因。
1.2 应用价值：降本、增效、可持续
田间自主移动机器人的应用价值可从三个维度量化评估。第一，直接人力替代：以蔬菜中耕除草为例，人工除草成本约600-900元/亩/次，而机器人配合精准喷施可将成本压缩至200-300元/亩/次，且作业窗口期从7天缩短至2天。第二，作业质量提升：基于机器视觉的靶向喷施可减少30%-50%的农药使用量，同时通过夜间作业避开高温蒸发，提高药效利用率。第三，数据资产沉淀：机器人在作业过程中持续采集土壤电导率、作物长势、病虫害分布等空间数据，这些数据经过分析后可指导下一季的播种密度与施肥方案，形成“作业即测绘”的增值闭环。
| 应用场景 | 传统方式痛点 | 机器人方案优势 | 关键使能技术 |
|---|---|---|---|
| 大田除草 | 人工弯腰作业、效率低、易中暑 | 精准识别+机械/激光除草，减少除草剂 | YOLO目标检测、机械臂运动规划 |
| 果园采摘 | 季节性用工荒、高空作业危险 | 视觉定位+柔性夹爪，24小时作业 | 深度相机、力控抓取、路径规划 |
| 田间巡检 | 人工巡田耗时、主观性强 | 多光谱相机+AI诊断，量化作物长势 | 多光谱成像、NDVI指数计算 |
| 精准施肥 | 均匀撒施、浪费严重 | 变量施肥，按需控制排肥量 | 土壤传感器、流量控制阀 |
1.3 课程目标：培养能“下地干活”的机器人工程师
本课程的目标不是培养只会调参的算法工程师，而是培养具备系统思维的田间机器人开发工程师。完成本课程后，学员应具备以下能力：
- 硬件选型与集成能力：能根据作业场景（地块大小、作物类型、地形坡度）选择合适的底盘、传感器、计算平台，并完成供电、通信、防护设计。
- 算法部署与调优能力：掌握RTK+IMU融合定位、视觉SLAM、路径规划（A*、DWA）等核心算法的原理与工程实现，能在ROS 2环境下完成节点开发与调试。
- 田间测试与排障能力：能设计田间测试方案，分析日志数据定位故障（如定位漂移、避障失效、电机过流），并针对泥泞、扬尘、强光等恶劣条件进行针对性优化。
- 安全与可靠性意识：理解农机安全标准（如ISO 18497），掌握急停逻辑、故障诊断、冗余设计等工程规范。
1.4 常见误区与学习建议
在课程开始前，有必要澄清几个常见误区，帮助学员建立正确的学习预期。
误区一：认为“算法好=机器人好”。实际上，田间机器人是典型的“木桶工程”，任何一块短板（如防水不足导致传感器进水、线束松动导致通信中断）都会让整体系统瘫痪。本课程将用大量篇幅讲解机械结构、电气防护、线束布局等“非算法”内容，这些往往是实际项目成败的关键。
误区二：忽视“数据闭环”的重要性。很多初学者在仿真环境中表现优异，一到田间就“翻车”。原因在于仿真无法模拟真实的光照变化、土壤打滑、信号遮挡。因此，本课程强调“先跑通、再优化、后鲁棒”的开发节奏，鼓励学员尽早进行田间测试，用真实数据驱动算法迭代。
误区三：低估“安全设计”的优先级。田间机器人质量可达200-500kg，一旦失控可能造成严重人身伤害。本课程将安全设计贯穿始终，包括急停按钮的电气冗余、速度限制策略、障碍物检测的失效安全模式等。
最后，关于学习路径的补充说明：本课程不要求学员具备深厚的数学基础，但建议提前复习线性代数（矩阵运算、坐标变换）和概率论（高斯分布、贝叶斯公式）。对于零基础的学员，建议在第1-3章学习期间，同步观看ROS 2基础教程，并完成Ubuntu 22.04+ROS 2 Humble的环境搭建。课程中所有代码示例均基于Python和C++，并提供Docker镜像以简化环境配置。