技术领域
[0001] 本申请涉及机器人巡检技术领域，特别是涉及一种温室内机器人自动巡检方法、设备、介质及产品。
相关背景技术
[0002] 统计数据表明，2016年中国设施园艺的总面积476.5万公顷，设施类型构成有塑料小棚、塑料大中棚、日光温室、加温和连栋温室，塑料大棚占比44％。温室不仅为农业生产提供了受控的生长环境，使农作物不再受制于季节和气候的限制，同时还为创造高质量和高产量的作物提供了理想的条件。随着全球人口持续增长和对卓越品质农产品的需求持续增加，温室农业的巨大潜力受到了广泛的认可。这种现代农业方式不仅确保了食品供应的稳定性，还在提高农产品质量、降低农药和化肥使用、增加农业生产的可持续性方面发挥了关键作用。因此，温室农业在满足全球不断增长的食品需求和推动农业领域的技术创新方面具备显著的战略价值。
[0003] 目前，中国设施农业的整体机械化水平仅达到32％，而相比之下，大田粮食作物机械化水平可以达到70‑80％。在全球农业劳动力短缺的背景下，将农业机器人引入温室农业成为解决劳动力短缺问题的重要途径之一。此外，与复杂多变的田地环境相比，温室环境虽然相对简单，但由于高温高湿、植物密度高、甚至可能存在有害气体，仍然存在许多需要解决的挑战。因此，机器人在温室中的巡检任务方面具有广泛的应用前景，并且有望为提高农业生产的效率、降低成本和提供更安全的工作环境做出贡献。
[0004] 农业中作物表型和病虫害检测面临效率低下、劳动强度大以及数据采集不精确等问题。传统的人工考察方式不仅耗费大量人力物力，还容易出现人为误差，导致数据不准确。随着农业科技的发展，对作物生长情况的精准评估需求日益增加，因此需要一种高效、精准、自动化的解决方案来代替传统方法。自动化和智能化技术的引入可以极大地提高数据采集的效率和精度，降低人工成本和误差，从而为农作物的育种、精准管理和病虫害防治提供可靠支持。
[0005] 在温室场景中，由于信号受限、环境多变等因素，定位和全局路径规划面临着更为严峻的挑战。定位是自动导航的关键步骤，也是机器人实现自主作业的重要一环。在大田场景中，由于信号遮挡较少，依赖全球定位系统(Global Positioning System，GPS)即可为机器人提供精确的绝对定位。近年来，即时定位与地图构建(Simultaneous LocalizationAndMapping，SLAM)技术在温室的建图和定位中占有日益重要的地位。随着传感器技术和三维重建技术的发展，SLAM的精度、鲁棒性和使用范围都得到了极大的提升。
SLAM技术能够应对自主性需求高、无GPS信号的温室场景，为农业机器人提供了精确建图和可靠定位的解决方案。
具体实施方式
[0040] 下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
[0041] 为使本申请的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本申请作进一步详细的说明。
[0042] 在一个示例性的实施例中，本申请提供了一种温室内机器人自动巡检方法，该方法应用于温室内机器人自动巡检系统。该系统包括：机器人和若干个作物标签；所述作物标签分别位于温室场景内的不同品种的作物旁，且记录有作物的品种信息；所述机器人上搭载有RGB相机、多光谱相机、车轮编码器、惯性测量单元和激光雷达，所述RGB相机和所述多光谱相机用于采集作物数据，所述车轮编码器、所述惯性测量单元和所述激光雷达用于确定机器人的全局位姿点。如图1所示，该方法包括以下步骤1至步骤4。其中：
[0043] 步骤1：控制机器人在温室场景中行走一遍，并采用即时定位与地图构建算法对温室场景进行建图，得到全局地图。
[0044] 优选地，所述即时定位与地图构建算法为改进的紧耦合激光SLAM算法；所述改进的紧耦合激光SLAM算法基于FAST‑LIO2(Fast Direct LiDAR‑inertial Odometry)架构，在残差计算过程中加入地面约束，并添加稳定三角形描述子(Stable Triangle Descriptor，STD)回环检测。
[0045] 通过改进的紧耦合激光SLAM算法实现温室场景的高精度建图，其采用的FAST‑LIO2架构具体包括：1.利用固态激光雷达获取激光扫描点，利用惯性测量单元获取加速度、角速度信息。2.惯性测量单元的加速度、角速度信息正向传播，积分得到初始位姿点。3.激光扫描点反向传播，去除不同时间获取导致的运动畸变。4.计算激光里程计的残差，利用迭代卡尔曼滤波估计位姿变换，直至收敛。5.根据上一步里程计估计的位姿构建地图，更新用增量k维树(ikd‑tree)这一数据结构维护的全局地图。对上述过程的优化具体如下：
[0046] 优化1：通过主从端(主端：工控机的时钟设备，从端：固态激光雷达传感器设备)的精密时钟同步协议(Precision Timing Protocol，PTP)网络测量和控制系统的IEEE 1588v2.0PTP标准时间同步，确保惯性测量单元数据和激光雷达扫描数据的时间戳正确。避免在建图过程中出现地图重叠和里程计闪烁的问题。
[0047] 优化2：在原有的SLAM框架(即FAST‑L1O2架构)后端加入了地面约束。下面从地面残差项的表示、计算和优化三方面来介绍地面约束。
[0048] 地面残差项的表示：
[0049] 初始化世界坐标系下的全局地面平面方程为：
[0050] Awx+Bwy+Cwz+Dw＝0
[0051] 参数表示为θw：(Aw，Bw，Cw，Dw)。其中，对于初始化的全局地面平面的参数Aw＝0，Bw＝0，Cw＝1，Dw＝0。
[0052] 假设当前帧获取的激光子图为第k帧子图，那么当前帧雷达点云(第k帧)的地面方程为：
[0053] Akx+Bky+Ckz+Dk＝0
[0054] 参数表示为θk：(Ak，Bk，Ck，Dk)。
[0055] 平面坐标系的统一：将初始化的世界坐标系下的全局地面方程转换到当前第k帧雷达坐标系下，参数表示为θ′w：(A′w，B′w，C′w，D′w)，参数转化遵循以下公式：
[0056]
[0057] 其中，Tkw表示从第k帧雷达坐标系到世界坐标系下的位姿变换，Twk表示从世界坐标系到第k帧雷达坐标系下的位姿变换，即当前激光雷达的位姿，该位姿变换已知。
[0058] 地面残差项的计算：
[0059] 将θ′w参数的前三维A′w，B′w，C′w(法向量)为基底，构建三维旋转空间。将θk的前三维Ak，Bk，Ck(法向量)转换到这个构建好的旋转空间中，得到向量n：(Akn，Bkn，Ckn)，那么旋转方面的残差可以表示为：
[0060]
[0061] 平移方面的残差可以表示为平面截距的距离d＝D′w‑Dk。
[0062] 因此，最终的当前第k帧的平面残差项为：
[0063] Ek＝(α，β，d)
[0064] 地面残差项的优化：
[0065] 当得到地面残差项以后将这个残差项放入迭代误差状态卡尔曼滤波器中，优化误差，提高位姿估计与建图精度。
[0066] 滤波器的误差状态量的预测：
[0067]
[0068] 其中， 代表k时刻的先验误差状态估计值，Fek‑1代表k‑1时刻的状态转移矩阵，代表k‑1时刻的后验误差状态估计值，Bek‑1代表k‑1时刻的噪声转移矩阵，Wek代表k时刻的测量噪声。
[0069] 误差状态量对应的协方差预测：
[0070]
[0071] 其中， 代表k时刻的先验估计误差协方差， 代表k‑1时刻的后验估计误差协方差。
[0072] 卡尔曼增益计算：
[0073]
[0074] 其中，Kek代表k时刻的卡尔曼增益，Gek代表误差状态变量到观测的转换矩阵，将状态和观测连接起来的关系。Rek代表k时刻的误差测量噪声协方差。
[0075] 误差状态的更新，计算后验估计：
[0076]
[0077] 其中， 代表k时刻的后验估计误差协方差， 代表k时刻的后验误差状态估计值，Yek代表误差测量值(观测值)。
[0078] 优化3：在SLAM中添加了STD回环检测，通过检测稳定三角形描述子来避免多次扫描相同位置后在全局地图中出现重影问题，起、终点是回环情况的优化问题、z轴漂移问题。
[0079] STD回环检测的实现步骤如下：
[0080] 1.获取点云关键帧。关键帧由一段时间的扫描点累积而来。
[0081] 2.平面检测。利用区域生长算法实现区分平面体素和边界体素。
[0082] 3.关键点选择。将边界体素投影到平面上，针对每个平面创建一个与平面重叠的图像。其中每个像素表示边界体素中的点到平面的最大距离。针对一个点，选择其5×5邻域中具有最大像素值的点作为关键点。
[0083] 4.将所有的关键点构建一个k‑d数结构，在每个关键点的邻域中搜索20个最近的关键点，并形成三角描述符。
[0084] 5.将所有的三角描述符以哈希表的形式存储，键值为每个描述符的边长和法向量投影向量的点积(共六个)。将当前帧的每个描述符的键值计算出来并在哈希表中匹配，如果与之前关键帧的描述符键值相同，就给相应的关键帧投票。得票前10的关键帧会作为环路候选项。
[0085] 6.几何验证。通过关键帧之间描述符顶点的对应关系使用奇异值分解(Singular Value Decomposition，SVD)计算两个关键帧之间的相对变换T＝(R，t)。假设两个关键帧上分别有三角形a和三角形b描述符，这两个三角形的键值一致。那么，由SVD分解可得：
[0086]
[0087] [U，S，V]＝SVD(J)
[0088] R＝VUT，t＝‑R*ca+cb
[0089] 其中， 为三角形a和三角形b的三个顶点，ca、cb为三角形a和b的中心点。最终经过分解以后可以得到两个关键帧之间的旋转矩阵R和平移向量t。此外，利用RANSAC算法，来找最大化正确匹配描述符的变换。基于最佳变化，计算能够匹配的平面数量，并与之前设定的超参数对比，通过匹配的平面数量多于超参数则通过几何验真，认为该关键帧和当前帧存在回环。
[0090] 步骤2：控制机器人在温室场景中沿巡检路径行走，并采用融合定位算法对机器人行走过程中的全局位姿点进行更新和记录，得到示教路径。
[0091] 优选地，所述融合定位算法包括局部定位和全局定位；所述局部定位使用卡尔曼滤波器，融合惯性测量单元和车轮编码器的数据，提供里程计坐标系到机器人坐标系的坐标变换关系；所述全局定位使用改进后的FAST‑L1O2架构的前端，融合惯性测量单元和激光雷达的数据，提供地图坐标系到里程计坐标系的坐标变换关系；所述融合定位算法根据所述局部定位和所述全局定位确定机器人坐标系到地图坐标系的坐标变换关系，实现对机器人行走过程中的全局位姿点的更新和记录。此外，融合定位算法中还嵌入重定位模块，用于确定起始位姿和消除累积误差。
[0092] 其中，所述重定位模块使用迭代最近点(Iterative Closest Point，ICP)点云配准算法在给定位姿点的1米和30度范围内进行最佳位姿搜索；所述给定位姿点包括初始位姿点以及每间隔设定时间的当前位姿点，每个位姿点均包括位置和朝向信息；所述1米和30度范围为给定位置的1×1平方米范围和给定朝向的30度范围。
[0093] 利用融合定位算法实现温室内的厘米级高精度定位。局部定位使用卡尔曼滤波器将惯性测量单元和车轮里程计的数据进行融合，提供高频(100HZ)低精度定位信息，提供odom到base_link坐标系的变换关系。全局定位使用改进后的FAST‑LIO2架构的前端，提供低频(10HZ)高精度定位信息，提供map到odom的坐标变换关系。其中，map:地图坐标系，固定的全局坐标系；odom：里程计坐标系，根据实际计算得到的坐标和真实坐标之间的变换虚拟出来的坐标系；base_link：机器人坐标系，代表机器人本体，是机器人的中心。通过多传感的融合定位方式解决单一定位方式精度低，鲁棒性不高的问题。具体的融合定位就是融合了车轮编码器、惯性测量单元和激光雷达多个传感器的数据实现融合定位。首先局部定位融合了惯性测量单元与车轮编码器的数据，将惯性测量单元的朝向、加速度、角速度和车轮编码器的位置、朝向、线速度、角速度信息放入拓展卡尔曼滤波器中，经过滤波会输出局部位姿信息，这个局部位姿信息就包括了位置、朝向信息，这个位姿信息提供了odom到base_link坐标系的坐标变换关系，提供频率为100HZ。全局定位融合了惯性测量单元和激光雷达的数据。具体的融合方式采用了改进后的FAST‑LIO2架构的前端里程计部分，该算法输出了位姿变换关系，提供了map到odom的坐标变换关系，提供的频率为10HZ。最终通过上述两个坐标变换关系，提供了map‑>odom‑>base_link的坐标变换关系，而map与base_link的关系就是机器人本体与全局地图之间的坐标关系，这样就可以得到机器人在全局地图中的位姿，实现精准定位。重定位模块具体使用ICP点云配准算法在指定初始位姿的1米和30度范围内进行最佳位姿搜索。帮助机器人在重启或离线后重新找到正确的初始位置。重定位在构建全局地图以后，机器人开始巡检前先给定一次。具体是在给定机器人的大概位姿，包括当前在全局地图的位置和朝向信息。重定位会基于用户给出的位置和朝向信息在附近搜索最佳位置。具体会在用户给定位置的1×1平方米的范围内搜索最佳位置，以及在用户给定的朝向的30度范围内搜索最佳朝向，最终基于ICP点云配准算法得到最佳位姿。除了开始巡检以前，在机器人定位过程中每隔10s还会进行一次重定位，此次重定位过程中，机器人会自动获取自己在全局地图中的位姿并利用重定位模块在1×1平方米和30度范围内匹配最佳位姿。
[0094] 步骤3：根据机器人的巡检任务建立有限状态机。
[0095] 有限状态机通过定义明确的状态和状态转移规则，能够清晰地表示系统的各个状态和状态之间的转换关系。这种结构化的表示方法使得算法的设计、分析和实现变得更加直观和可控。此外，有限状态机还便于对系统行为进行验证和调试，确保算法在各种条件下的正确性和稳定性。
[0096] 如图2所示，所述机器人的状态包括：idle状态、record状态、run状态、pause状态、photo状态、goto状态、follow状态和wait状态。所述机器人的状态转移规则包括：当机器人闲置时为idle状态；在idle状态下：当给定开始录制的指令时，机器人进入record状态，录制示教路径；当给定执行示教路径的指令时，机器人进入run状态，执行巡检任务；在record状态下，机器人获取当前位姿点，将一系列位姿点写入文件；当收到结束录制的指令时，机器人重新回到idle状态；在run状态下：当给定暂停任务的指令时，机器人(停止运行)进入pause状态；当给定结束任务的指令或者任务执行成功时，机器人进入idle状态；当检测到作物标签时，机器人进入photo状态(开始拍照)；在run状态下还嵌套goto状态；当机器人在run状态时，默认同时进入goto状态，执行全局路径规划算法和避障控制算法进行点对点路径规划；在pause状态下：当给定继续执行的指令时，机器人重新回到run状态，继续执行巡检任务；当给定结束任务的指令时，机器人进入idle状态；在photo状态下：机器人利用RGB相机和多光谱相机采集作物数据，且间隔设定时间重新回到run状态，继续执行巡检任务；在goto状态下：当机器人到达示教路径的起点时，进入follow状态，自动跟踪示教路径(全局路径)；在follow状态下：当机器人遭遇障碍物时，进入wait状态；在wait状态下：当等待的时间内障碍物移除时，进入follow状态，继续跟踪示教路径；当等待的时间内障碍物未移除时，进入goto状态，搜索全局路径上后续没有障碍物的点，并导航到下一个没有障碍物的点上。
[0097] 优选地，所述作物标签为April tag二维码标签，该标签是一个视觉基准库(与二维码类似，但是结构更加简单，传递的信息较少但实时性强)。通过在需要采集信息的作物附近放置April tag二维码标签的方式，实现目标植株的精确定位和数据自动化采集。机器人在作业过程中会使用相机不断拍摄，并进行April tag的检测，其主要步骤包括：1.根据图像中的梯度，提取图像边缘。2.四边形检测。首先检测图像中的直线边缘，并根据直线寻找邻接边缘判断四边形。3.编码与解码。在四边形内部生成点阵计算色块值，利用局部二值模式进行分类，得到编码。与库内的编码匹配实现解码。机器人上搭载RGB相机，在自动导航过程中不断检测二维码，当检测到二维码时记录作物的品种信息，等待停稳以后拍摄当前目标植株的RGB图像和多光谱图像，这些信息可以用于后续的表型或病虫害检测。二维码的主要作用有三个：1.帮助机器人定位需要拍摄的目标植株，实现精准的数据采集，避免了大量无用数据的获取。2.提高数据获取质量。如果检测到二维码机器人就会停止运行，等待RGB与多光谱数据的获取。可以避免机器人运动造成的图像模糊、重影等问题。3.记录品种信息。育种学家通常会面对数以百计甚至千计的品种，因此准确记录不同的品种是非常重要的。二维码中可以提供品种信息，帮助育种学家管理。作物标签检测流程如图3所示，包括：1.开始检测。当机器人在巡检过程中就会不断进行二维码检测。2.没有检测到二维码就回到第一步，否则进入下一步。3.获取id。二维码的id信息记录了所有的作物品种，帮助育种学家识别和管理不同作物品种。4.查找list是否存在。在一次巡检过程中会将已经采集过数据的品种放入list中，如果有重复的品种出现会和list记录的重复，这时会忽略这个二维码，继续检测，防止重复数据获取。如果list中没有，代表是新的品种，则进入下一步。5.等待两秒后拍照。等待两秒是为了使机器人停稳，确保数据获取质量。通过拍照能够获取RGB和多光谱数据。
[0098] 优选地，所述全局路径规划算法采用示教路径的方式。操作人员只需要在使用前遥控机器人行驶一遍需要运行的路径即可，具体的路径由巡检需求决定。在录制过程中，机器人会记录当前全局位姿，主要记录map到base_link坐标系之间的转换关系，这个变换作为机器人在行驶过程中的全局位姿。
[0099] 优选地，所述避障控制算法采用时间弹性带(Time Elastic Band，TEB)控制算法。TEB算法基于costmap实现，Costmap由三个图层共同组成，分别是静态层、障碍层和膨胀层。
其中，静态层是基于全局地图得到的，具体由全局地图经过统计滤波和直通滤波得到的二维栅格图组成，也就是最基础的图层，代表了静态障碍物的分布，包括作物垄、固定仪器等。
而障碍层是机器人在巡检过程中实时得到的，通过激光扫描点得知动态障碍物的距离并叠加在静态层上，更加能反映巡检过程中的实时障碍。膨胀层是叠加在静态层和障碍层之上的，因为机器人在避障的时候需要保留一定的余量，所以要把障碍物的范围膨胀，确保更加安全地避开障碍物。在本实施例中，静态图参见图4，黑色表示之前在图中检测到的静态障碍物，完整的costmap代价图参见图5，颜色代表的是代价，如果颜色偏红代表代价越高，蓝色代表代价较低，白色代表代价为0可以通过。
[0100] TEB算法的实现原理与步骤如下：
[0101] 1.路径的初始化
[0102] 首先需要确定由一系列位姿点和时间信息组成的路径序列。假设路径上共有n个位姿点，那么路径序列包括以下两个部分：
[0103] X＝{xi}i＝0,1,…,n
[0104] τ＝{ΔTi}i＝0,1,…,n‑1
[0105] 其中，X表示一系列的位姿点集合，xi为路径上的第i个位姿点。τ表示路径上的时间序列集合。ΔTi表示机器人从路径上第i个位姿点运动到第i+1个位姿点所需要的时间。
[0106] 基于上面的表示，路径就可以表示为一系列的位姿点与时间序列集合：
[0107] B:＝(X,τ)
[0108] 其中，B就是路径的完整表示，至此，路径的初始化完成。
[0109] 2.代价函数的构建
[0110] 假设一共具有k个优化目标，那么总的代价函数就可以表示为：
[0111]
[0112] 其中，fj(B)表示第j个优化目标函数，γj表示第j个目标函数的系数权重，代表了这个优化目标的重要程度。f(B)代表总代价函数。
[0113] 优化目标主要包括以下几个：
[0114] (1)跟随路径与避障约束
[0115] 规划的路径需要与全局路径尽量保持一致，如果越偏离全局路径，代价就越高。规划的路径需要远离障碍物，距离障碍物越近代价越高。通过这两个目标构建目标函数。
[0116] (2)速度与加速度约束
[0117] 机器人由于其机械参数不同或用户针对具体应用场景的不同要求都对速度和加速度有要求。根据具体的要求可以给机器人运动的速度和加速度施加上下限的约束，确保巡检过程中机器人的运动受到限制。
[0118] (3)运动学约束
[0119] 由于机器人采用的是两轮差速运动学模型，因此其只能沿着当前的朝向运动或者旋转，因此在运动形式上也会对算法具有约束。
[0120] (4)时间约束
[0121] 要求机器人的运动速度较快，提高运行速度。因此应该尽量减少路径上所花的时间，使ΔTi尽量小。
[0122] 3.总代价函数的最小化
[0123] 使用梯度下降法最小化代价函数，就是平衡多个优化目标实现代价的最小化。
[0124] B*＝argBminf(B)
[0125] 其中，B*表示总代价函数的最小值。
[0126] 4.计算具体的控制量，更新运动状态
[0127] 将上面计算出总代价函数最小的参数提取出来，并转化为具体的控制量(线速度和角速度)，从而控制机器人系统，实现运动状态的实时更新。
[0128] 步骤4：机器人根据全局地图和示教路径，基于有限状态机自动执行巡检任务。
[0129] 进一步地，本申请还包括：语音交互模块开发，集成智能语音控制系统。使用科大讯飞的六麦环形麦克风阵列和离线语音识别库实现机器人的语音唤醒、一键巡检和巡检进度汇报。通过这三个功能的设计，使用户能够通过自然语言指令轻松地操作设备，无需进行繁琐的手动输入或特定的技术培训，从而显著提高机器人的人机交互性能。六麦环形麦克风阵列可以收集用户的语音信息，并起到音频预处理和降低噪声的效果。由于是环形阵列还可以分辨声源位置。离线语音识别库的作用是在离线状态下识别麦克风环形阵列收集到的语音信息，将用户讲的音频转换为字符串用于后续的指令识别，方便机器人根据用户的话语做出相应的动作。语音唤醒的实现：当麦克风上电以后就会不停地进行音频检测，当搜集到的音频与用户设定的关键词匹配时就会被唤醒，这时会自动播放提示语音。一键巡检的实现：当麦克风被唤醒以后会继续识别语音，当收到开始巡检的语音时后续程序就会自动向机器人发布指令，按照预先设定好的全局路径执行巡检。这时就不需要繁琐的操作，机器人自动进入巡检状态。巡检进度汇报的实现：在检测二维码的流程图中采用了list，会将已经识别到的二维码品种id信息放入到list中。当机器人检测到汇报巡检进度时就会查看导航系统中list库的数量，然后再将总的数量播报出来，用户就能知道目前已经搜集到了几个品种的数据。
[0130] 综上所述，本申请采用了以下方案：
[0131] 1.遥控机器人在需要自动新建的温室场景中行走一遍。在这个过程中不需要全部走到，只需要将整个场景的重建出来即可。使用的是改进的FAST‑LIO2这种紧耦合激光SLAM算法。在这个过程中会逐步建立温室高精地图(全局地图)。此外，还会利用统计滤波和直通滤波压缩全局地图到二维中，最终制作完成二维栅格地图。为后续的定位、示教路径的录制和避障控制提供基础。
[0132] 2.定位与录制示教路径。在建立完全局地图以后需要先进行重定位，也就是给出初始的定位。之后遥控机器人走一条需要的路径，这个过程中机器人会不断记录自身的全局位姿点并写入文件中。这个路径就是示教路径，之后在巡检过程中会被用作全局路径。在录制示教路径之前需要打开融合定位模块并给出机器人的初始位姿。当机器人已经在正确的位置上时就可以遥控机器人记录相应的路径了。针对场景中的不同巡检需要可以录制几种不同的巡检路径，录制完成之后保存相应的路径即可。针对场景中不同的巡检任务，比如之前在巡检过程中已经被淘汰的品种，在之后的巡检中不需要再关注这些品种的长势，可能之后就不会再去相应的作物垄了，这种情况下路径就会发生改变，使用另外的路径可以提高效率，防止去巡检淘汰的品种。
[0133] 3.执行巡检任务。利用语音控制机器人开启巡检、暂停巡检、汇报巡检进度。帮助操作人员控制机器人并实时掌握机器人的巡检进程。最后采集的RGB图像、多光谱图像可以保存到本地，也可以上传到云端，用于后续的表型或者病虫害检测。
[0134] 与现有技术相比，本申请具有以下优势：
[0135] 1.导航精准，机器人可以在狭窄的垄间顺利通行、换行。得益于高精度建图与定位，机器人行走的实际路径与示教路径之间的差距是厘米级的。即使没有高精度的GPS信号，机器人也可以在温室中实现高精度的导航。
[0136] 2.多场景温室巡检作业。与基于深度学习的导航线提取相比，这种导航方式不用收集大量的数据集，仅仅只需要在前期做简单的探索即可。与信标、导轨、色带、磁条相比，不需要针对多个场景做额外布置，降低了设备和维护成本。因此这种导航方式能在不同种植方式的温室场景中应用，不需要额外布置。
[0137] 3.数据采集质量高、效率高。采用April tag标签定位了目标植株，因此可以高效地获取目标植株图像，而不是大范围地采集温室中所有植株的信息，针对性更强。此外，由于二维码检测通过状态机的形式内嵌入自动导航系统中，因此当检测到二维码后会给导航反馈，停稳后采集信息使得图像的质量更高，不会出现模糊、重影的现象。
[0138] 4.人机交互性能好。集成智能语音系统降低了机器人的操作难度和使用门槛，提高了工作人员的控制效率。即使不是导航相关的专业人员也能轻松完成机器人的控制，帮助实现温室内作物的自动巡检工作。汇报巡检进度的功能也能帮助工作人员查看巡检情况，有利于人机交互。
[0139] 在一个示例性的实施例中，本申请还提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。
[0140] 在一个示例性的实施例中，本申请还提供了一种计算机可读存储介质，存储有计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
[0141] 在一个示例性的实施例中，本申请还提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
[0142] 需要说明的是，本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据，且相关数据的收集、使用和处理需要符合相关法律规定。
[0143] 本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read‑OnlyMemory，ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(Resistive RandomAccess Memory，ReRAM)、磁变存储器(Magnetoresistive RandomAccess Memory，MRAM)、铁电存储器(Ferroelectric RandomAccess Memory，FRAM)、相变存储器(Phase Change Memory，PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(RandomAccess Memory，RAM)或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory，DRAM)等。
[0144] 本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
[0145] 以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
[0146] 本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本申请的限制。
