随着科技的发展，机器人技术和人工智能正在推动可负担的精度方面的革命，最终将颠覆农业化学供应，农业机械设计和农业实践中熟悉的规范。

　　在快速发展和可持续的硬件和软件技术趋势的推动下，在结构和不断增长的挑战与需求的推动下，这一发展前沿风起云涌。

　　技术趋势

　　机器视觉技术通常是这些机器人的核心能力。在简单的机器人中，视觉系统排成一行，并将所有行外生物物体识别为杂草。这是一个成熟且易于实现的系统，但是其性能受到限制，并且其未来的技术发展前景受到极大限制。

　　在复杂的系统中，视觉技术可以看到，识别，定位农作物/杂草，并实现一些针对特定地点的智能操作。在这里，视觉系统越来越多地使用通常在经过专家注释的图像数据集上进行训练的深度学习算法。这些算法的性能超过了基于高级手工功能的算法。例如，深度学习系统的精度，召回率和F1分数可能分别大于86.5%，86.1%和0.86，而常规系统则分别达到57%，50%和0.53。这些数字显然是指示性的，但仍然有助于突出受过训练的深度中性网络(DNN)所实现的性能飞跃。

　　至关重要的是，基于DNN的方法为技术路线图开辟了视野，因为可以利用相同的技术来指导机器识别植物的所有方式。因此，该方法将为从特定植物类型向更通用的系统发展提供一条途径。因此，这种方法目前无法在其所能提供的限制范围内运行。

　　当然，这些系统并非没有挑战。数据收集和注释阶段可能很慢且昂贵，因为训练集需要捕获各种各样的条件。这个过程变得越来越精简，部分外包和/或半自动化。将来，也将提供更多开放数据源。此外，根据数据集，在进入新的环境或位置时可能需要某种程度的软件调整。但是，较新的算法表明，这种调整可以大大减少。

　　该算法的训练和推理(训练后的算法的运行)阶段都可能是计算密集型的。前者通常在云上完成，但后者可能会在机器人边缘上需要GPU。这增加了成本。但是，关键的并行技术趋势将有可能帮助解决这一挑战。这种趋势与转换算法或数学的发展有关，该算法或数学可以使推理过程中的计算负荷大大减轻，而不会显着降低性能。最后，算法的速度和相关的每秒处理帧数(fps)与机器人的速度直接相关，因此也与它们的生产率直接相关。因此，逐步提高此参数将是关键的开发动力。

　　与机器视觉并行的是，这种新兴机器人类别的许多版本都是自主的。自主挑战比汽车要简单得多。环境受到良好控制且可预测，并且行进速度低。在许多情况下，开放区域环境意味着RTK-GPS就足够了，尽管最终的精确定位可能需要照相机或类似设备。在外面的蔬菜种植场操作时，情况会更加复杂，因为环境可能是GPS贫乏的环境，或者机器人可能需要智能地分辨出真正的障碍物，例如可以被推开的树枝。这将需要使用相机和一些训练有素的算法的更智能的系统。

　　通常，阻碍自主导航的技术壁垒相对较低。将所有子系统集成到精心设计的机器中，以及增强系统的可靠性以实现可靠的场内操作可能更具挑战性。今天的立法是一个障碍，包括在加利福尼亚等地。但是，我们希望立法框架将变得更加宽松。

　　现在，有些公司认为自动驾驶不是核心能力，而是仅专注于机器视觉和精确致动。他们的赌注是，在不久的将来，自动出行将可能作为一种商品广泛使用。这不是不合理的。

　　当前和未来的商业化状况

　　如今，大多数公司都在开发专注于精确除草的机器人。尽管系统设计和准备水平差异很大，但总体思路相似。除草机理的选择也有所不同(精密化学喷雾，机械喷雾和电气喷雾)。

　　投资回报率仍然很难计算。迹象表明，在整个季节中，对三种农作物进行操作时，完全自动化的精密化学除草机器人的投资回报率可达到2-3年。此投资回报率指标将来肯定会有所改善。请注意，ROI是由节省劳动力，节省化学药品和提高产量驱动的。

　　预计后者将发挥关键作用。请注意，节省化学药品的原因是，与非目标应用相比，精密喷涂可以将消耗量减少90%。这对农用化学品业务产生了巨大的后果，如今，农用化学品业务已经轻松地与其庞大的大宗化学品联系在一起。可以提高产量，因为可以最大程度地减少非目标化学施用对农作物造成的附带损害，每年可节省5-10%的产量损失。此外，超精密技术可以帮助管理抗除草剂杂草，杂草的扩散速度每年超过10%，并且在热点地区的传播速度甚至更快。最后但并非最不重要的一点是，机器人的轻量化特性可以防止土壤压实，保持更多的土壤肥沃，从而提高总产量。

　　总而言之，农业机器人改变了传统的农业方式，保障作物健康生长，提高作物产量。