On-the-Go Tree Detection and Geometric Traits Estimation with Ground Mobile Robots in Fruit Tree Groves

本文介绍了一个算法框架，用于在田野中使用轮式移动机器人实时检测树木和关键几何特征（即宽度和高度），以实现精准农业中必不可少的树木信息收集任务。我们的方法基于2D领域特定数据（通过红-绿-近红外[RGN]相机获取的归一化植被指数[NDVI]）和3D LiDAR点云的融合，通过定制的树木地标关联和参数估计算法。所提出的系统采用了基于多模式和熵的地标对应方法，集成到基础Kalman滤波器系统中，以识别周围的树木并共同估计它们的空间和基于植被的特征。我们使用逼真的模拟测试来评估所提出的算法在各种环境下的行为。在农业田野中进行的物理实验有助于验证我们的方法通过仅使用机载计算和感知资源，在行进中实时获取准确的树木信息的有效性。

论文旨在通过融合2D和3D数据，提出一种实时检测农田中树木及其几何特征的算法框架，以解决传统农业信息收集方式耗时费力的问题。

论文的关键思路是将2D的红-绿-近红外相机获取的NDVI数据和3D激光雷达点云数据进行融合，并采用自定义的树木地标关联和参数估计算法，通过多模态和基于熵的地标对应方法，结合卡尔曼滤波系统识别周围的树木并估计它们的空间和植被特征。

论文通过模拟测试和实地实验验证了算法的有效性，证明了该方法可以在农业领域实现实时、移动式的树木信息采集，同时只需使用车载计算和传感资源。此外，论文还提供了开源代码和数据集，为进一步研究提供了支持。

在农业领域中，最近的相关研究包括基于机器学习和计算机视觉的作物检测和分类，以及基于无人机和机器人的农业信息收集等。