在粮食需求持续增长与气候变化风险加剧的双重压力下，全球农业生产正面临严峻挑战。通过作物育种提升资源利用效率和系统韧性，已成为支撑农业可持续发展的重要技术途径。在此背景下，高通量植物表型分析（High-Throughput Plant Phenotyping, HTPP）应运而生，旨在通过对大规模植物群体进行多环境、多时点的形态与生理过程定量表征，从而连接基因组信息与田间表型证据，支持育种筛选与精准田间管理。
然而，传统静态观测设施与现有HTPP技术在复杂开放田间的适用性仍受限。温室自动化系统难以复现真实田间的光照波动、风扰、地形变化与群体异质性，其表型输出的外推性受限。无人机（Unmanned Aerial Vehicle, UAV）凭借快速响应、广域覆盖和灵活部署的优势，已成为育种试验中时序遥感的重要平台，但其主要依赖冠层顶视或斜视观测，易受密集种植或高秆作物的遮挡，难以稳定捕获茎秆构型、穗/果形态、下层叶姿态及早期隐蔽病虫害症状等器官水平性状。尽管无人地面车辆（Unmanned Ground Vehicle, UGV）可获取高分辨率、近距离、多视角数据，但其在作业速度、面积覆盖效率及复杂地形适应性上通常滞后于UAV，难以独立满足大规模育种试验的通量与时效性需求。此外，许多现有表型分析方法与系统管线仍在离线数据集上验证，其在突变光照、风致叶动、泥泞地形、杂草干扰及长期无人值守运行等挑战性条件下的感知鲁棒性、闭环数据传输处理、在线决策与长期运行稳定性等方面仍存在明显短板，成为算法、平台与实际应用一体化部署的主要障碍。
为此，研究正逐渐从单平台观测转向以地面机器人为中心、空地协同为补充的移动表型新范式。相比于UAV，UGV能够在作物行间及冠层下作业，承载更重、更复杂的传感器套件（如多视角成像系统、激光雷达LiDAR、近端光谱仪），因而更适用于器官水平结构性状测量、遮挡下的细粒度观测与三维重建。同时，空地协同（UAV-UGV）提供了一种可扩展的工作流，以平衡覆盖效率与信息密度：UAV执行大区域扫描、异常检测与任务引导，而UGV进行针对性近距离测量与细粒度信息补全，从而在整体通量与局部精度间取得更好平衡。
本综述采用闭环感知（Perception）-决策（Decision）-行动（Action）流水线作为组织原则，对移动表型机器人领域的近期进展进行了结构化梳理。
移动表型平台
当前用于田间高通量表型分析的主要移动平台是UAV和UGV。前者擅长快速、大范围、非接触观测，后者则更适于近冠层及冠层下的高分辨率、细粒度表型分析。UGV在机械构型上可分为高地隙跨行平台、紧凑行间平台和模块化研究平台，分别对应不同的通过性、载荷能力、近冠层传感模式与系统集成灵活性，共同构成了适用于不同作物类型、田间条件与研究目标的UGV平台谱系。空地协同的核心思想是构建“全局扫描-局部精准测量”的任务分层工作流，通过信息传递与功能划分，在有限时间与资源约束下平衡通量与数据粒度。
核心技术：感知、决策与行动
感知：从多模态观测到融合定位感知
感知系统需同时完成机器人自身环境感知与植物目标性状感知的双重任务。常见传感模态包括：
- •
RGB/ RGB-SfM：用于冠层形态表征与三维作物表面重建，支持提取冠层覆盖率、器官计数、株高等。
- •
LiDAR：提供具有穿透性的三维点云，用于冠层结构、器官几何与植株空间构型分析。
- •
热红外成像：通过冠层温度分布表征蒸腾、气孔导度及水分胁迫。
- •
高光谱成像：基于不同波长的光谱响应，实现叶片氮含量、叶绿素等生化指标的可视化。
在复杂田间，单一传感模态不足以保证高可靠性，多模态融合与主动视觉成为重要补充。例如，融合RGB与深度（D）信息可显著提升被遮挡目标检测的前景-背景可分性；RGB-热融合则利用果实与叶片的热惯性差异，为阴影或夜间条件下的目标检测提供额外对比通道。在严重遮挡场景，被动感知常不足以完全解析目标，此时主动视觉（如非模态分割和学习完整目标轮廓、基于当前三维模型中未知区域或熵分布进行下一最佳视角规划）变得愈发重要。
决策：从运动规划到表型理解
决策层包含运动规划与表型理解两条并行的主线。
- •
运动规划与导航：田间机器人运动不仅是几何导航问题，更是涉及几何约束、动力效应与农艺需求的联合优化问题。全局规划旨在覆盖整个田块并最小化非作业行驶、能耗与土壤压实；行间直线导航与轨迹校正则确保机器人能在狭窄作物行间稳定移动，这依赖于作物行中心线提取与航向误差校正。动态避障还需进行语义可通过性分析，区分刚性障碍物与柔性物体（如伸展的叶片），并据此分配不同的膨胀半径与成本权重，生成更符合实际作业需求的安全路径。
- •
基于深度学习的表型分析：深度学习已成为将图像、点云及时序观测转化为具农学意义的量化指标的主导范式。YOLO系列等单阶段检测器广泛用于果实、花朵等目标的实时计数；Mask R-CNN及其变体则用于叶片面积测量、病斑面积估算等更细粒度任务的实例分割。当表型任务从二维图像分析延伸至三维植物结构重建，决策问题相应地从目标识别转向结构解析，使用PointNet++、PointSegNet等网络进行点云语义分类与实例分割，进而实现器官水平性状的自动测量。植物表型本质是动态的，因此4D重建与时序追踪日益重要，通过配准多时点获取的三维模型，可构建跨时序4D点云，并利用基于Transformer的时空模型学习植株生长模式。此外，基础模型（如SAM）和生成式人工智能（如Stable Diffusion）正在重塑表型分析决策的技术格局，前者能有效缓解开放集场景下的标注瓶颈，后者则用于缓解农业数据稀缺与类别不平衡问题。
行动：从稳定移动到主动干预
行动层决定了机器人的理解能否转化为物理世界的行为，这也是地面机器人区别于传统无人机遥感或固定平台的核心价值所在。
- •
稳定移动：底盘系统决定了机器人可进入的作业环境及其执行观测任务的稳定性水平。轮式底盘结构简单、能效高；履带式底盘接地面积大、接地压力小、牵引力强，在湿软土壤、稻田或陡坡果园等复杂环境中通过性和稳定性更佳。在泥泞或低附着力条件下，高级控制框架常集成牵引控制系统，通过比较轮速与实际车速实时估计滑移率，并动态调整电机扭矩分配或差速策略以保持平台稳定性。主动悬架系统则可用于隔离高频振动与地面冲击，保护相机、LiDAR等精密设备。
- •
主动干预：机器人能够主动改变观测条件。当果实、穗或叶片在冠层内被遮挡时，搭载的机械臂可基于初步感知结果主动调整相机视点，从侧面、底部等非常规视角捕获补充图像，以构建更完整的三维模型。机械手还能在视觉引导下规划无碰撞轨迹，轻柔拨开叶片使隐藏目标暴露以进行成像，从而克服传统非接触观测的局限。对于某些无法仅通过视觉可靠获取的关键性状（如茎秆机械强度），或需使用叶片光谱仪等接触式测量，机械臂成为实现交互式感知与操作化表型分析的关键使能器。
田间部署：边缘计算与农业环境下的工程挑战
若上述感知、决策与行动能力无法在真实田间环境中长期稳定运行，其学术价值将难以转化为实用价值。边缘计算是移动表型系统实时操作的前提，NVIDIA Jetson等平台已成为重要硬件基础。然而，基础模型与高复杂度深度网络的采用带来了模型规模与计算负担的双重挑战，使得模型压缩与轻量化设计成为不可避免的技术方向，量化、剪枝是常见手段。此外，田间环境带来的工程约束深刻影响系统可靠性：
- •
热管理：农业机器人常在高温、直射阳光、多尘条件下长时间运行，需结合被动与主动散热策略，并设计防尘防水的气流通道。
- •
通信：大规模田间存在网络覆盖不连续与数据类型异构的问题，需采用低功耗广域网（如LoRaWAN）、公共5G/4G链路，并在通信盲区切换至低轨卫星链路（如Starlink）或采用基于本地缓冲的延迟上传策略，未来通信架构可能向多链路冗余与任务分层通信设计演进。
- •
能源管理：直接决定平台作业范围与续航，除高能量密度锂电池外，智能电池管理系统可根据任务优先级动态调节传感器与计算单元的功耗，混合动力总成与集成太阳能辅助充电组件的轻量化平台也受到关注。
讨论与未来展望
尽管移动表型机器人在感知、决策与行动能力方面取得了显著进展，但一系列未解决的系统性瓶颈仍阻碍着其从实验室验证到真实田间部署的转化。这些瓶颈主要体现在：
- 1.
环境异质性与有限的跨场景泛化能力：光照、气候、季节、作物尺度、观测视角与平台高度等的持续变化，使得在单一条件下获得的高性能常无法直接迁移到新的田块、季节或平台配置。未来系统若想实现跨季、跨区、跨平台部署，跨域一致性建模、无监督域适应与鲁棒表征学习必须从可选的性能增强提升为核心设计要求。
- 2.
高质量数据稀缺与专家标注成本高昂：植物器官的高精度标注通常需要像素级或实例级的细粒度勾勒以及具备植物学与农学知识的标注者，导致数据构建过程高度依赖领域专家。基础模型辅助标注与生成式人工智能合成数据正成为重要的互补解决方案，有助于构建融合真实数据采集、基于基础模型的预标注与基于生成模型扩展的复合数据生态。
- 3.
标准缺失与当前研究的碎片化：现有研究在平台配置、传感器参数、操作条件、数据处理流程与评估指标上差异显著，且常在特定于小组的硬件与实验设置下验证，导致结果难以直接比较，也模糊了方法论进展的真实程度。社区亟需针对移动表型分析的统一基准数据集、评估协议与元数据标准。可扩展植物表型分析实验最低信息（MIAPPE）标准的理念具有重要价值，但其框架需扩展以覆盖硬件与系统级元数据。此外，可重复性应被视为基本要求，未来研究应系统公开传感器型号与标定参数、机器人底盘运动学参数与控制软件版本、测试模型权重与推理接口以及完整的数据处理流程。
展望未来，移动表型分析的发展方向可视为一个分阶段的研究议程。近期进展依赖于能提高可比性与可重复性的基准构建、数据集流水线与报告标准。中期优先事项是田间变异下的鲁棒泛化，以及不确定性感知的主动观测与自适应传感。长期来看，该领域可能朝着基础模型、安全具身策略与用于大规模自主表型分析的多机器人协同的整合方向发展。最终，地面机器人不仅仅是传感平台，更是推动移动表型分析迈向自主、精细、可田间部署操作的核心系统架构。
