This paper considers the problem of autonomous navigation in agricultural fields. It proposes a localization and mapping framework based on semantic place classification and key location estimation, which together build a hybrid topological map. This map benefits from generic partitioning of the field, which contains a finite set of well-differentiated workspaces and, through a semantic analysis, it is possible to estimate in a probabilistic way the position (state) of a mobile system in the field. Moreover, this map integrates both metric (key locations) and semantic features (working areas). One of its advantages is that a full and precise map prior to navigation is not necessary. The identification of the key locations and working areas is carried out by a perception system based on 2D LIDAR and RGB cameras. Fusing these data with odometry allows the robot to be located in the topological map. The approach is assessed through off-line data recorded in real conditions in diverse fields during different seasons. It exploits a real-time object detector based on a convolutional neural network called you only look once, version 3, which has been trained to classify a considerable number of crops, including market-garden crops such as broccoli and cabbage, and to identify grapevine trunks. The results show the interest in the approach, which allows (i) obtaining a simple and easy-to-update map, (ii) avoiding the use of artificial landmarks, and thus (iii) improving the autonomy of agricultural robots.

本文考虑了农业领域的自主导航问题。提出了一种基于语义场所分类和关键位置估计的定位和制图框架，共同构建了混合拓扑图。该图得益于该字段的常规分区，该分区包含有限组的分化良好的工作空间，并且通过语义分析，可以以概率方式估计移动系统在该字段中的位置（状态）。此外，此地图还集成了指标（关键位置）和语义特征（工作区域）。它的优点之一是导航之前不需要完整而精确的地图。通过基于2D LIDAR和RGB摄像头的感知系统对关键位置和工作区域进行识别。将这些数据与里程计融合在一起可以使机器人位于拓扑图中。该方法是通过在不同季节在不同领域的真实条件下记录的离线数据进行评估的。它利用一种基于卷积神经网络的实时对象检测器，该网络称为“您只看一次”版本3，该版本经过训练可对大量作物进行分类，包括西兰花和卷心菜等市价作物，并识别葡萄树干。结果显示出对该方法的兴趣，该方法允许（i）获得一个简单且易于更新的地图，（ii）避免使用人工地标，从而（iii）改善农业机器人的自治性。该方法是通过在不同季节在不同领域的真实条件下记录的离线数据进行评估的。它利用一种基于卷积神经网络的实时对象检测器，该网络称为“您只看一次”版本3，该版本经过训练可对大量作物进行分类，包括西兰花和卷心菜等市价作物，并识别葡萄树干。结果显示出对该方法的兴趣，该方法允许（i）获得一个简单且易于更新的地图，（ii）避免使用人工地标，从而（iii）改善农业机器人的自治性。该方法是通过在不同季节在不同领域的真实条件下记录的离线数据进行评估的。它利用一种基于卷积神经网络的实时对象检测器，该网络称为“您只看一次”版本3，该版本经过训练可对大量作物进行分类，包括西兰花和卷心菜等市价作物，并识别葡萄树干。结果显示出对该方法的兴趣，该方法允许（i）获得一个简单且易于更新的地图，（ii）避免使用人工地标，从而（iii）改善农业机器人的自治性。包括西兰花和卷心菜等市场园艺作物，并识别葡萄树树干。结果显示出对该方法的兴趣，该方法允许（i）获得一个简单且易于更新的地图，（ii）避免使用人工地标，从而（iii）改善农业机器人的自治性。包括西兰花和卷心菜等市场园艺作物，并识别葡萄树树干。结果显示出对该方法的兴趣，该方法允许（i）获得一个简单且易于更新的地图，（ii）避免使用人工地标，从而（iii）改善农业机器人的自治性。