es.wedoany.com Noticia: El equipo del profesor Zhang Man, de la Facultad de Información e Ingeniería Eléctrica de la Universidad Agrícola de China, publicó un artículo de investigación en la revista Engineering de la Academia China de Ingeniería, titulado "Multimodal Feature Representation Mechanism for 3D Detection of Agricultural Obstacles with Few or Zero Samples". Este estudio, orientado a la necesidad de percepción segura de obstáculos en el campo para la navegación autónoma de maquinaria agrícola inteligente, propone un método de detección 3D de obstáculos agrícolas con pocas o cero muestras basado en un mecanismo de representación de características multimodales, ofreciendo una nueva perspectiva para la operación autónoma segura y fiable de la maquinaria agrícola en entornos de campo no estructurados. Engineering, fundada en 2015 por la Academia China de Ingeniería, está indexada en SCI, EI, Scopus, entre otras, con un factor de impacto SCI más reciente de 12.2, y ha ocupado el primer lugar en el ranking de factor de impacto entre las revistas integrales de ingeniería a nivel mundial.
La navegación autónoma de la maquinaria agrícola es un soporte importante para la inteligencia de los equipos agrícolas, y la percepción segura de obstáculos en entornos agrícolas complejos es clave para garantizar un funcionamiento autónomo fiable. En los últimos años, los métodos de aprendizaje profundo que integran datos de cámaras y LiDAR han logrado avances significativos en la detección de obstáculos 3D, pero estos métodos suelen depender de grandes conjuntos de datos de entrenamiento etiquetados. Los escenarios agrícolas se caracterizan por ser no estructurados, con diferencias estacionales marcadas y tipos de obstáculos complejos. El alto costo de adquisición y etiquetado de datos multimodales, junto con la capacidad de generalización limitada del modelo en condiciones de pocas o cero muestras, sigue siendo el principal problema que restringe su aplicación práctica.
El mecanismo de representación de características multimodales propuesto por el equipo de investigación integra un corrector de pose de imágenes y nubes de puntos, que utiliza la información de pose proporcionada por el sistema de satélites de navegación BeiDou y la unidad de medición inercial para corregir las desviaciones de pose de las muestras causadas por terrenos agrícolas irregulares, mejorando la precisión, fiabilidad y consistencia de los datos multimodales. Además, se construyen un codificador de características semánticas, un codificador de características geométricas e intensidad, y un decodificador de fusión espacial en vista de pájaro, que unifican la información semántica de la imagen con la información geométrica e intensidad de las nubes de puntos en un espacio de representación de fusión semántica-geométrica-intensidad, capturando las relaciones clave entre categorías y mejorando la capacidad del modelo para identificar nuevas categorías de obstáculos con datos etiquetados limitados.
El equipo realizó pruebas de campo en la Estación Experimental de Zhuozhou de la Universidad Agrícola de China, cubriendo escenarios típicos de operación de maquinaria agrícola como carreteras de cemento, tierras no cultivadas y campos de trigo, y recopiló datos multimodales de obstáculos típicos como cosechadoras, tractores y personas. Los resultados muestran que el método propuesto logra un buen equilibrio entre el rendimiento de detección, la eficiencia operativa y la dependencia de datos, reduciendo la dependencia del modelo de las muestras de entrenamiento en un 30%-40%. En la configuración de entrenamiento completo, la precisión, la tasa de recuperación, la puntuación F1 y la velocidad de detección alcanzaron el 95.03%, 97.01%, 96.01% y 16.56 FPS, respectivamente. En el escenario de cero muestras, donde no hay muestras de entrenamiento correspondientes para la categoría de obstáculo, el método propuesto aún logró una puntuación F1 del 81.63%.
Este resultado ayuda a reducir la dependencia de la detección de obstáculos 3D en entornos agrícolas complejos de grandes conjuntos de datos etiquetados, mejora la capacidad de percepción segura de la maquinaria agrícola inteligente en condiciones de obstáculos desconocidos, terrenos complejos y objetivos de múltiples categorías, y proporciona soporte técnico para la navegación autónoma, la evitación dinámica de obstáculos y el funcionamiento fiable de los equipos de agricultura inteligente.
El artículo fue completado en colaboración por la Universidad Agrícola de China, la Universidad Forestal de Pekín y el Instituto de Investigación de CRRC, siendo la Universidad Agrícola de China la primera unidad firmante. El profesor Zhang Man es el autor de correspondencia, y Wang Tianhai, estudiante de maestría de la promoción de 2021 y ganador de la tesis de maestría excelente a nivel universitario en 2024, es el primer autor. La investigación recibió el apoyo del Programa Nacional Clave de Investigación y Desarrollo (2022YFD2001600-2022YFD2001601). Por invitación especial de la revista Engineering, el profesor Zhang Man participó el 30 de junio de 2026 en la conferencia especial "Sensores Agrícolas" del Foro de Ingeniería, donde presentó en línea los resultados de esta investigación.
