该论文提出了一种利用卷积神经网络进行作物排检测的算法，可以在农田环境中应对各种变化，仅使用 RGB 图像作为输入，并在可视伺服算法中获得更好的性能表现。

Sep, 2022

本研究提出了一种基于学习的方法，针对行作物的路径生成问题，通过对区域地图的聚类方法，生成导航路径指向航路点，验证结果表明该方法可以高效地解决路径生成问题并超越之前的模型。

Jun, 2022

提出一种基于视觉的农田自动导航框架 Agronav, 使用语义分割和语义线检测模型对输入图像处理，输出中心线；并提供了使用六种不同作物采集的像素级注释数据集 Agroscapes，结合神经网络技术使该框架适用于地面和空中的机器人平台。

Apr, 2023

通过边缘人工智能和深度强化学习相结合的方式，提出了一个利用噪声深度图像和位置不确定的机器人状态信息来实现自动导航的机器人系统，在模拟的葡萄园中进行了充分的实验验证。

Jun, 2022

本文提出应用图像识别技术解决农业领域的感知问题。作者提供了使用无人机采集并进行密集标注的农作物和杂草图像数据集以及用于测试的多个感知任务基准，包括语义分割、植物的全景分割、植物和叶子的检测、层次全景分割。

Jun, 2023

使用基于视觉的移动机器人导航系统，在农田中主要限于行内导航。该论文提出了一种新颖的基于视觉的作物行切换算法，使用单个前置摄像头使移动机器人能够导航整个农田。所提出的行切换操作使用基于深度学习的 RGB 图像分割和深度数据来检测作物行的结束点和下一个作物行的重新进入点，该方法将用于多状态行切换流水线。该论文在一个真实的甜菜田中进行了测试，包含不连续的作物行、不同光照水平、阴影和不规则的边界表面。通过所提出的流水线，机器人能够成功地离开一个作物行并重新进入下一个作物行，线性步骤和旋转步骤的绝对中位误差平均为 19.25 厘米和 6.77°。

Sep, 2023

基于视觉的农业机器人导航系统，利用语义关键点实现在农作物下生长环境中的自主导航。

Apr, 2024

通过构建大规模数据集，研究了语言引导的视觉导航中各个组成部分对代理性能的影响，并通过简单模仿学习将现有代理的性能推向了一个显著的新高度，成功率达到了 80％，并将在已见和未见环境中导航的泛化差距降低到不到 1％。

Jul, 2023

本文提出了一种基于神经网络的运动规划方法，使用学习演示来训练机器人在动态障碍物环境下进行端到端导航，此方法可通过原始 2D 激光测距数据将目标位置映射到机器人的导航命令。模型已通过模拟和实际测试的方式进行了有效验证与比较。

Sep, 2016

为精准农业中的计算机视觉任务提供包含语义标签的 12,000 张图像数据集，通过在合适的光照条件下模拟大豆作物和杂草的成长阶段、不同的土壤条件和随机的田地布局，将真实世界纹理和环境因素融入到程序生成过程中，提高合成数据的逼真度和适用性，从而有效地增加了农业机器学习模型的训练数据。

Mar, 2024