A Robotic Stirring Method with Trajectory Optimization and Adaptive Speed Control for Accurate Pest Counting in Water Traps
作者: Xumin Gao, Mark Stevens, Grzegorz Cielniak
分类: cs.RO, cs.CV
发布日期: 2025-09-30
备注: This paper has been submitted to ICRA 2026 and is currently under review
💡 一句话要点
提出基于轨迹优化和自适应速度控制的机器人搅拌方法，用于水体陷阱中害虫的精确计数。
🎯 匹配领域: 支柱一：机器人控制 (Robot Control)
关键词: 机器人搅拌 害虫计数 轨迹优化 自适应控制 图像处理 精准农业 水体环境
📋 核心要点
- 现有基于图像的害虫计数方法在处理害虫遮挡问题时存在局限性，影响了计数准确性。
- 提出一种基于机器人手臂的自动搅拌系统，通过优化搅拌轨迹和自适应速度控制来改善害虫计数。
- 通过实验对比不同搅拌轨迹的计数误差和置信度，并设计闭环控制系统实现自适应速度搅拌。
📝 摘要（中文）
为了在精准农业中做出明智的决策，准确监测害虫种群动态至关重要。目前，主流的基于图像的害虫计数方法主要依赖于图像处理结合机器学习或深度学习。然而，这些方法存在局限性，难以处理害虫遮挡的情况。为了解决这个问题，本文提出了一种基于轨迹优化和自适应速度控制的机器人搅拌方法，用于水体陷阱中害虫的精确计数。首先，我们开发了一个基于机器人手臂的自动搅拌系统，用于黄色水体陷阱中的害虫计数。搅拌改变了害虫在黄色水体陷阱中的分布，使得一些被遮挡的个体可以被检测和计数。然后，我们研究了不同搅拌轨迹对害虫计数性能的影响，并选择了最佳的搅拌轨迹。具体来说，我们设计了六种具有代表性的搅拌轨迹，包括圆形、正方形、三角形、螺旋形、四个小圆圈和随机线，供机器人手臂进行搅拌。通过比较不同害虫密度场景下不同搅拌轨迹的总体平均计数误差和计数置信度，我们确定了最佳轨迹。最后，我们提出了一个计数置信度驱动的闭环控制系统，以实现自适应速度搅拌。它使用连续帧之间害虫计数置信度的变化作为反馈来调整搅拌速度。据我们所知，这是第一个致力于研究不同搅拌轨迹对动态液体环境中物体计数的影响，并为这类任务实现自适应速度搅拌的研究。实验结果表明...
🔬 方法详解
问题定义：论文旨在解决水体陷阱中害虫计数时，由于害虫个体之间相互遮挡而导致的计数不准确问题。现有方法依赖图像处理和机器学习，但在高密度或复杂环境下，遮挡问题严重影响计数精度。
核心思路：核心思路是通过机器人手臂控制的搅拌动作，改变水体中害虫的分布，减少遮挡，从而提高图像计数的准确性。通过优化搅拌轨迹和自适应调整搅拌速度，进一步提升计数效果。
技术框架：整体框架包含以下几个主要模块：1) 机器人手臂控制系统，用于执行预设的搅拌轨迹；2) 图像采集系统，用于捕获水体陷阱中的害虫图像；3) 图像处理和计数模块，用于识别和计数害虫；4) 轨迹优化模块，用于选择最佳搅拌轨迹；5) 自适应速度控制模块，根据计数置信度动态调整搅拌速度。
关键创新：主要创新点在于将机器人搅拌与图像计数相结合，并引入了轨迹优化和自适应速度控制。这是首次针对动态液体环境中的物体计数问题，系统性地研究不同搅拌轨迹的影响，并实现自适应速度控制。
关键设计：设计了六种不同的搅拌轨迹（圆形、正方形、三角形、螺旋形、四个小圆圈和随机线），通过实验对比选择最优轨迹。提出了基于计数置信度的闭环控制系统，利用连续帧之间计数置信度的变化作为反馈信号，动态调整搅拌速度。具体的速度调整策略（例如PID控制参数）以及计数置信度的计算方法（例如基于目标检测模型的置信度输出）在论文中应该有详细描述，但摘要中未提及，属于未知信息。
📊 实验亮点
论文通过实验验证了所提出的机器人搅拌方法的有效性。通过对比不同搅拌轨迹的计数误差和置信度，确定了最佳搅拌轨迹。自适应速度控制系统的引入进一步提高了计数精度。具体的性能提升数据（例如，相比于传统方法的计数误差降低百分比）在摘要中未给出，属于未知信息。
🎯 应用场景
该研究成果可应用于精准农业领域，实现对害虫种群的自动监测和精确计数。通过优化农药喷洒策略，减少农药使用量，降低环境污染，提高农作物产量和质量。该方法还可扩展到其他水体环境中的微小生物计数，例如水质监测、生物研究等。
📄 摘要（原文）
Accurate monitoring of pest population dynamics is crucial for informed decision-making in precision agriculture. Currently, mainstream image-based pest counting methods primarily rely on image processing combined with machine learning or deep learning for pest counting. However, these methods have limitations and struggle to handle situations involving pest occlusion. To address this issue, this paper proposed a robotic stirring method with trajectory optimization and adaptive speed control for accurate pest counting in water traps. First, we developed an automated stirring system for pest counting in yellow water traps based on a robotic arm. Stirring alters the distribution of pests in the yellow water trap, making some of the occluded individuals visible for detection and counting. Then, we investigated the impact of different stirring trajectories on pest counting performance and selected the optimal trajectory for pest counting. Specifically, we designed six representative stirring trajectories, including circle, square, triangle, spiral, four small circles, and random lines, for the robotic arm to stir. And by comparing the overall average counting error and counting confidence of different stirring trajectories across various pest density scenarios, we determined the optimal trajectory. Finally, we proposed a counting confidence-driven closed-loop control system to achieve adaptive-speed stirring. It uses changes in pest counting confidence between consecutive frames as feedback to adjust the stirring speed. To the best of our knowledge, this is the first study dedicated to investigating the effects of different stirring trajectories on object counting in the dynamic liquid environment and to implement adaptive-speed stirring for this type of task. Experimental results show ...