Прототипирование мобильного робота с системой управления на основе компьютерного зрения для современного растениеводства

Перспективные подходы, основанные на внедрении управляемой техники в растениеводство, способны значительно повысить производство сельскохозяйственной продукции за счет встраивания агропромышленного комплекса (АПК) в систему новых технологий и использования передовых решений. Внедрение сельскохозяйственных роботов способствует решению вопроса обеспечения населения отечественными продуктами питания и дает возможность повысить экспортный потенциал, представляя собой инновационную точку роста в условиях нарастающего кадрового дефицита в отрасли (Архипова, Афонина, 2020). Разработка навигационных систем для управления современной сельскохозяйственной техникой, контролируемой бортовыми компьютерами, является основой создания умных интегрированных информационно-управляющих систем для растениеводства при точном выполнении агротехнических операций (Нагоев и др., 2024;

Tahir, 2022; Reina, Nielsen, 2018). В этом контексте автономные мобильные роботы представляют особый интерес, так как позволяют автоматизировать широкий спектр приемов агротехники: обработку почвы, посев и уход за ним, а также уборку урожая (Хамуков, Канокова, 2022; Романов, Романова, 2024; Astrand, Baerveldt, 2002).

Подпрограмма «Сельскохозяйственная техника и оборудование» Федеральной научно-технической программы развития сельского хозяйства на 2017–2030 гг. в числе задач содержит разработку, создание и внедрение в серийное производство современной конкурентоспособной высокоэффективной сельскохозяйственной техники и оборудования с использованием узлов и агрегатов, произведенных на территории Российской Федерации, в том числе с внедрением цифровых и роботизированных систем. Ожидаемые результаты реализации предполагают снижение уровня импортозависимости и повышение эффективности производства в отрасли растениеводства. Для этого комплексный план научных исследований подпрограммы «Сельскохозяйственная техника и оборудование» содержит требования к технологическим решениям в части технологии производства либо модернизации тракторов с возможностью опционального оснащения беспилотными системами.

Применение беспилотных летательных аппаратов (БПЛА) при производстве сельскохозяйственных культур в задачах растениеводства позволяет обеспечивать сопровождение агронома при объезде угодий; выполнять мониторинг работы техники в реальном масштабе времени; оптимизировать маршруты перемещения по полям; формировать цифровую модель рельефа; собирать пространственные данные для анализа состояния почвы и о наличии сорной растительности с последующей обработкой пораженных участков пестицидами с воздуха; проводить дифференцированное внесение удобрений (Васильев, Затылков, 2019; Горелов и др., 2024; Шушков, Рапаков, 2025).

Практика применения БПЛА показала, что они обладают преимуществом в скорости обследования больших сельскохозяйственных площадей при работе на труднодоступных участках и предлагают приемлемую стоимость выполнения мониторинга. Наземные автономные роботы с компьютерным зрением имеют очевидные достоинства в точности выполнения операций при физическом воздействии на растения и почву, обеспечивая большую энергоэффективность (Рамеш Бабу и др., 2017; Минина, 2019; Погребцо-ва, 2021). Разумной стратегией представляется создание гибридных систем, где БПЛА обеспечивают оперативный мониторинг и выявление проблем, а автономные мобильные роботы (АМР) выполняют точную и адресную обработку выявленных проблемных зон. Совместное использование наземных и воздушных беспилотных технологий в современном растениеводстве позволит организовать единую экосистему точного земледелия, в которой БПЛА эффективно вписываются в агропроизводство (Башилов, Королев, 2023). В долгосрочной перспективе наземная робототехника имеет больший потенциал при цифровой трансформации растениеводства, позволяя полностью автоматизировать как мониторинг, так и все технологические операции в ходе цикла выращивания растений.

Актуальность исследования по разработке АМР для обработки почвы в современных экономических и технологических условиях обусловлена:

– необходимостью автоматизации сельского хозяйства;

– трендом на прецизионное растениеводство c повышением экономической эффективности на основе роботизации (автоматизация снижает операционные расходы на рабочую силу и увеличивает рентабельность производства);

– нехваткой сельскохозяйственного персонала для выполнения монотонных операций (Мясников, 2018; Папушин, 2019).

Центральным элементом архитектуры системы управления (СУ) автономного мобильного робота является подсистема компьютерного зрения. СУ обеспечивает автономность перемещения робота при выполнении агротехнических операций в теплицах и на открытом грунте при междурядной обработке и рыхлении, минимизируя вмешательство человека; высокую эффективность с охватом всей площади посадок за ограниченное время; безопасность при взаимодействии с растениями, персоналом и инфраструктурой; надежность работы в условиях повышенной влажности и запыленности; производительность при перемещении требуемых объемов полезной нагрузки; простоту обслуживания при ремонте и замене комплектующих. Разработка АМР представляет собой комплексный проект на стыке робототехники, компьютерного зрения и аграрных технологий (Петрасек, Длоугый, 2013; Гильфанов и др., 2023).

Цель исследования – разработка системы управления на основе компьютерного зрения при помощи Aruco-маркеров для точного позиционирования и навигации автономного мобильного робота в задаче создания его функционирующего прототипа для нужд современного растениеводства.

Указанная цель послужила основой для постановки и решения следующих задач:

– провести анализ существующих технических решений в области автономной навигации мобильных роботов в сельском хозяйстве;

– разработать архитектуру и выбрать компонентную базу системы технического зрения (СТЗ) для робототехнического комплекса, включая сенсоры и систему управления;

– реализовать алгоритмы компьютерного зрения для детекции, идентификации и определения пространственного положения Aruco-маркеров относительно робота и разработать программное обеспечение (ПО) с использованием библиотек OpenCV на языке программирования Python;

– разработать систему навигации и управления движением АМР, обеспечивающую перемещение робота от стартовой точки к целевой зоне и последующее возвращение в исходное положение по заданному маршруту с коррекцией положения по маркерам;

– спроектировать и интегрировать управление скоростью вращения шнека, обеспечивающее эффективное выполнение целевой операции;

– провести комплексные испытания прототипа с оценкой точности навигации, надежности выполнения задачи и автономности работы.

Объектом исследования является система автономной навигации в задаче прототипирования мобильного робототехнического комплекса, основанная на распознавании визуальных маркеров Aruco при помощи компьютерного зрения. Предмет исследования – алгоритмы и методы компьютерного зрения, аппаратно-программные решения для автономной навигации и управления мобильным роботом, в том числе в условиях ограниченного пространства сельскохозяйственного помещения, с использованием СТЗ.

Материалы и методы

Проблема разработки автономного мобильного робота на основе компьютерного зрения активно исследуется в последние годы (Шушков, Рапаков, 2025). Подходы при помощи метода с одновременной локализацией и построением карты SLAM (Simultaneous Localization and Mapping) и нейронных сетей (НС) обеспечивают высокую автономность, но требуют значительных вычислительных ресурсов и сложны в разработке, настройке, тестировании и эксплуатации. Использование маркеров Aruco предлагает компромиссное решение для надежного позиционирования и навигации на открытом грунте и в условиях теплиц. Альтернативный подход к созданию СУ АМР вместо сложных систем SLAM и семантической сегментации отличается меньшей вычислительной сложностью и высокой надежностью позиционирования, особенно в структурированной среде сельскохозяйственных помещений при отсутствии GPS-сигнала.

Существующие решения можно разделить на несколько сегментов по уровню автоматизации и используемым технологиям. Результаты сравнительного анализа представлены в табл. 1 .

Предлагаемое решение построения СУ АМР на основе СТЗ с Aruco-маркерами является конкурентоспособным, эконо-

Таблица 1. Сравнительный анализ современных подходов

Метод	Описание	Достоинства	Недостатки
Механические решения (без автоматизации)	Простые и дешевые устройства. Не являются автономными роботами.	Низкая стоимость. Высокая надежность и простота конструкции. Не требуют питания и сложного обслуживания.	Требуют ручного труда или использования трактора. Низкая эффективность, непостоянство выполнения. Не адаптируются к изменяющимся условиям.
Роботы с инерциальной навигацией и одоме-трией	Робот движется, запоминая свой путь с помощью энко-деров на колесах и данных с IMU (инерциального измерительного модуля). Может использовать точки выравнивания.	Не требуют внешней инфраструктуры. Низкая стоимость сенсоров.	Накопление ошибки: ошибка позиционирования со временем растет, и робот теряет свое местоположение. Требуют ручной коррекции. Ненадежны в условиях проскальзывания колес.
Роботы на основе GPS (для открытых территорий)	Используют спутниковые системы позиционирования. Неприменимы для закрытых помещений сельскохозяйственного назначения, в том числе теплиц.	Глобальное покрытие на открытой местности. Высокая точность с системами RTK-GPS.	Не работают внутри помещений.
Роботы на основе LiDAR SLAM	Современный и популярный подход для автономной навигации, особенно в помещениях. Робот с помощью лидара строит 2D/3D карту помещения и локализуется с ее помощью.	Высокая гибкость – не требуют внешней инфраструктуры. Маршруты задаются программно и легко меняются. Надежная навигация –отлич-но справляются с объездом статических и динамических препятствий. Универсальность – одна платформа может выполнять разные задачи.	Высокая стоимость: самый дорогой компонент – качественный лидар. Сложность: алгоритмы SLAM требуют значительных вычислительных мощностей и квалификации для настройки. Проблемы с динамической средой – если среда сильно меняется, то карта теряет актуальность. Плохо работает в запыленных помещениях.
Компьютерное зрение при помощи маркеров Aruco	Предлагаемое решение. Локализация происходит при помощи визуальных маркеров, размещенных в помещении или на открытом пространстве. Используется в робототехнике для точного позиционирования с привязкой к среде. Является перспективной нишей для системы технического зрения на сельскохозяйственных фермах.	Высокая и стабильная точность позиционирования в зоне видимости маркеров. Отсутствие накопления ошибки по сравнению с одометрией. Относительно низкая стоимость (т. к. камера дешевле лидара). Удобство реализации и отладки (OpenCV – детекция маркеров). С помощью камеры можно получать данные мониторинга о состоянии растений.	Требует подготовленной инфраструктуры – необходимо разметить среду маркерами. Зависимость от обзора – маркеры могут быть закрыты или запачканы. Зависимость от освещения – требуется собственная подсветка для работы в темноте. Ограниченный радиус действия – постоянная видимость маркеров.
Источник: составлено авторами.

мически обоснованным и технически реализуемым вариантом для задачи разработки прототипа мобильного робота, особенно при агротехнических мероприятиях в структурированной среде.

Архитектура СУ прототипа АМР строится на компонентах:

– аппаратного уровня (колесное шасси, одноплатный компьютер или мини-ПК, RGB-камера с требуемым углом обзора и автофокусом, контроллер двигателей и периферийного оборудования);

– программного уровня (операционная среда и программные драйверы для свя- зи между модулями, библиотеки OpenCV для обработки изображений и детектирования Aruco, регуляторы для управления движением).

Использование системы Aruco-маркеров предполагает:

– изучение размещения маркеров (равномерное распределение маркеров вдоль траектории перемещения АМР, выбор размера маркеров – 170×170 мм, расстояние при размещении между маркерами – 2–3 м, высота установки – 1–1,5 м);

– калибровку элементов СТЗ (камеры для минимизации ошибок, определение системы координат относительно маркеров, составление карты расположения маркеров).

Алгоритм работы системы предполагает:

– режим инициализации (калибровка камеры для получения матрицы внутренних параметров камеры и коэффициентов дисторсии; определение начального положения МАР; поиск и идентификация ближайших маркеров);

– режим обработки почвы шнековым устройством при движении по маршруту (обнаружение маркеров с использованием методов компьютерного зрения; позиционирование относительно ближайшего маркера; выполнение обработки в ходе движения; возврат на базу с последующим переходом в циклический режим).

Основными преимуществами предложенного подхода являются:

– вычислительная эффективность: детектирование Aruco-маркеров требует малых вычислительных ресурсов;

– отказ от трудоемкой семантической сегментации с использованием затратных сверточных нейронных сетей (CNN) различной архитектуры, требующих качественного обучения на размеченном наборе данных (Dataset) из тысяч изображений для конкретной сельскохозяйственной фермы и условий эксплуатации;

– быстрая обработка на бюджетном оборудовании;

– надежность позиционирования (точность определения положения не хуже 10 см, лучшая стабильность при изменении освещенности, устойчивость к частичному перекрытию маркеров);

– удобство эксплуатации (минимальные требования к обучению персонала, оперативное развертывание системы, быстрая отладка и обслуживание).

Ограничения существующих разработок: зависимость от видимости маркеров, необходимость их предварительной установки, ограниченная гибкость при изменении компоновки территории. Пути решения: резервная навигация по одо-метрии при потере маркеров, увеличение количества маркеров для повышения надежности, проведение рекалибровки. Предлагаемая разработка СУ на основе маркеров Aruco обеспечивает высокую эффективность и надежность в задаче автономной обработки почвы при помощи шнекового устройства с активным управлением скоростью вращения. Подход особенно перспективен для небольших и средних хозяйств, где важны простота внедрения и низкая стоимость решения. К перспективам развития относятся использование гибридной навигации (Aruco с одометрией), применение простых CNN-алгоритмов обнаружения растений, интеграция с системами мониторинга умной фермы. Разработка автономного мобильного робота на основе компьютерного зрения при помощи маркеров Aruco представляет собой практичный компромисс между сложностью и функциональностью, предлагая надежную систему автоматизации для современного растениеводства.

Результаты и обсуждение

В ходе выбора аппаратно-программной архитектуры АМР при прототипирова- нии и проведении научных исследований для визуализации и управления может быть использован Windows-интерфейс, который обеспечивает единую среду разработки и выполнения, доступ к специфичным Windows-API, упрощенную интеграцию с промышленным ПО.

Технологический стек для Windows-реализации основан на возможностях использования:

– операционной системы (ОС) и среды выполнения ПО Windows 10/11 IoT Enterprise; преимущества: стабильность и широкая поддержка оборудования; недостатки: высокие требования к ресурсам и лицензионные ограничения; ОС также применима для промышленных контроллеров с достаточными ресурсами;

– фреймворков и библиотек компьютерного зрения OpenCV на ОС Windows;

– семейства API для работы с графикой, видео и вычислениями – DirectX и шейдеров, позволяющих использовать GPU для задач общего назначения с высокой производительностью.

При необходимости обеспечения доступа к ROS-стеку также может быть использован слой совместимости от Microsoft для запуска Linux-приложений в Windows – Windows Subsystem for Linux (версия WSL 2).

Аппаратные требования для организации СУ:

– минимальная конфигурация мини-ПК: CPU Intel i5 8-го поколения (AMD Ryzen 5), RAM 8 ГБ DDR4, SSD 256 ГБ; GPU NVIDIA GTX 1050 (для поддержки CUDA);

– рекомендуемая конфигурация мини-ПК: CPU Intel i7 (AMD Ryzen 7), RAM 16 ГБ DDR5, SSD M.2 NVMe 512 ГБ, GPU NVIDIA RTX 2060 или выше;

– эксплуатационные характеристики: надежность работы в условиях вибрации, влажности и перепадов температур; степень защиты IP40.

Для промышленного применения удачным решением также является использование одноплатных компьютеров NVIDIA Jetson Nano.

В состав аппаратного обеспечения входят:

– микроконтроллер и внешний компьютер; микроконтроллер Arduino Mega 2560 управляет моторами; выделенный мини-ПК отвечает за компьютерное зрение;

– система компьютерного зрения: камера с разрешением не менее 1080p (Full HD); рекомендуется использовать камеру с глобальным затвором, чтобы избежать размытия при движении, и автофокусом;

– собственная система освещения (подсветка для обеспечения независимости от изменчивого внешнего освещения в помещении).

Модули программного обеспечения включают:

– модуль компьютерного зрения (Aruco Detection) в составе библиотеки OpenCV с модулем Aruco; модуля калибровки камеры (проводится для точного определения позиции по маркерам, результатом которого является матрица внутренних параметров камеры и коэффициентов дисторсии); модуля детекции маркеров (на каждом этапе движения в кадре ищутся маркеры известного словаря DICT_6X6_250);

– модуль навигации и планирования пути: локализация АМР выполняется на основе данных от Aruco-маркеров, которые служат маяками для коррекции накопленной ошибки движения;

– модуль управления движением: преобразует высокоуровневые команды в низкоуровневые сигналы широтно-импульсной модуляции (ШИМ, PWM) для драйверов моторов.

[Камера]— ► [Детекция]— ► [Трекинг]— ► [Команда контроллеру]— ► [Действие]

Рис. 1. Блок-схема решения

Источник: составлено авторами.

Разработка СТЗ предполагает размещение маркеров на стенах (колоннах, потолке), детекцию Aruco и локализацию АМР (программирование на Python), тестирование и отладку в контролируемых условиях, калибровку регуляторов и улучшение работы алгоритмов. Поскольку рабочая зона всегда определена относительно маркеров, робот автоматически перемещается к ней в ходе движения по маршруту. Блок-схема решения представлена на рис. 1 .

Программное обеспечение для автономной навигации и управления АМР с использованием СТЗ на основе Aruco-маркеров написано на языке программирования Python. ПО управляет движением автономного мобильного робота посредством автоматического распознавания маркеров Aruco и выполняет следование по маршруту при помощи системы технического зрения в ходе обработки видеопотока с бортовой камеры АМР. Для прототипирования выбрана гибридная вычислительная архитектура на основе мини-ПК под управлением ОС Windows и микроконтроллера Arduino Mega 2560.

Функциональные особенности ПО:

– подключение к камере и вывод изображения на 7-дюймовый ЖК-монитор системы видеоконтроля;

– ПО распознает Aruco-маркеры словаря DICT_6X6_250, содержащего 250 маркеров размером 6×6 бит, в реальном масштабе времени;

– программа обеспечивает навигацию АМР, переводя координаты маркеров в команды управления роботом с погрешностью, необходимой для выполнения целевой операции.

Функции библиотеки алгоритмов компьютерного зрения и обработки изображений с открытым кодом OpenCV используются для обработки изображений, детектирования маркеров и вывода изображение на ЖК-экран. Для идентификации маркеров применяется функционал библиотек компьютерного зрения Aruco Detection. При программной навигации АР используется передача команд микроконтроллеру Arduino Mega 2560 для управления моторами при помощи ШИМ-сигналов. Программирование микроконтроллера выполняется с использованием интегрированной среды разработки для плат Arduino – Arduino IDE. Библиотека OpenCV отвечает за интерфейс ПО, который содержит данные с камеры робота. Использование Aruco Detection позволяет обработать видеопоток и распознать маркеры. Результаты детекции передаются для управления АР с требуемой точностью позиционирования и OpenCV для наглядного отображения. Блок-схема работы программного обеспечения СУ автономного робота представлена на рис. 2 .

Комплексные испытания для оценки эффективности разработки включали два этапа: тестирование отдельных подсистем с целью анализа точности детекции маркеров при помощи текущей камеры и заключения о надежности работы приводов; испытание прототипа для оценки характеристик АМР, таких как точность навигации, надежность выполнения задачи и автономность работы.

Общие условия проведения испытаний: давление 101325 Па; температура +23 °С; относительная влажность 65%; освещение 300–1000 лк; воздушная пыль. Ограниче-

Рис. 2. Блок-схема работы программного обеспечения

Источник: составлено авторами.

Рис. 3. Тестирование системы управления прототипа мобильного робота ния: наличие предварительно размещенных маркеров Aruco; отсутствие преднамеренного физического воздействия на робота. Допущения: конфигурация помещения – неизменна. Тестирование СУ прототипа АМР представлено на рис. 3.

Одним из критических факторов, влияющих на точность системы управления на основе компьютерного зрения в закрытых помещениях сельскохозяйственного назначения, является освещенность. Ее уровень в сельскохозяйственных условиях может варьироваться в широких пределах: 300–500 лк (утренние и вечерние часы); 500–800 лк (дневное время, пасмурно); 800–1000 лк (дневное время, солнечно); 400–800 лк (искусственное освещение в теплицах). Для надежной работы агроробота необходимо обеспечить стабильную точность позиционирования во всем диапазоне рабочих освещенностей. Испытания прототипа проводились в контролируемых и управляемых условиях, приближенных к реальным, с оценкой точности и надежности навигации, эффективности выполнения целевой операции, времени автономной работы и общей надежности системы. При тестировании использовались двумерные двоичные шаблоны Aruco и портативный люксметр для измерения уровня освещенности в помещениях и на улице Testo 540. Выполнялось пошаговое изменение освещения: 300 лк; 400 лк; 500 лк; 600 лк; 800 лк; 1000 лк. Для каждого уровня освещенности (n = 30) оценивалась точность позиционирования при расстоянии до маркера 3 м. Статистический анализ показал, что распределение ошибок подчиняется нормальному закону; 95% ошибок в пределах ±6,8 см; выбросы (> 3σ) – 0,6% измерений. Тестирование демонстрирует, что при освещенности 300 лк из-за снижения контрастности и увеличения уровня шума изображения точность падает на 60–80% по сравнению с 500 лк; оптимальный диапазон: 500–800 лк; при 1000 лк наблюдается незначительное ухудшение из-за появления бликов, насыщения пикселей в светлых участках изображения и снижения динамического диапазона. Для компенсации предлагается автоматическая регулировка экспозиции, гистограммная коррекция, оптические поляризационные и ND-фильтры, активная LED-подсветка, камера с глобальным затвором, лидар, работа в ИК-диапазоне, сезонная калибровка.

Результаты испытаний соответствуют техническим требованиям к системе управления мобильного робота для выполнения технологических операций в современном растениеводстве. Функциональные критерии: робот автономно выполняет полный цикл «старт – поиск маркеров – целевая операция – возврат» при регулируемой скорости вращения шнека; точность позиционирования – не менее

10 см; вероятность успешного выполнения цикла – не менее 95%. Эксплуатационные критерии: время непрерывной работы – не менее 60 мин.; надежность распознавания маркеров более 95%.

Выводы

Результаты проведенных исследований демонстрируют следующее:

– использование навигации по оптическому каналу на основе Aruco-маркеров в задаче управления движением автономного мобильного робота является перспективным направлением в ходе решения задач растениеводства по обработке почвы за счет сочетания возможностей компьютерного зрения и робототехники, что подтверждается данными тестиро- вания изготовленного прототипа в ходе проведения испытаний;

– результатом разработки является аппаратно-программный продукт с системой управления для обеспечения автономной навигации мобильной робототехнической платформы в реальном масштабе времени на основе алгоритмов и методов компьютерного зрения с учетом аппаратных ограничений, что обусловливает научную новизну исследования;

– практическая значимость работы определяется возможностями применения системы автоматической навигации для оптимизации издержек на обработку почвы шнековым орудием в задачах растениеводства с перспективой быстрой окупаемости.