2026年2月，北达科他州立大学Samriddha Das等在Computers and Electronics in Agriculture期刊上发表了题为Design and evaluation of a vision-guided robotic platform with root-zone drilling for targeted weed removal的文章，设计并研发了一种名为 MiniWeedBot 的视觉引导的精准除草机器人系统，通过“深度学习识别 + 机械臂精准执行 + 钻孔式除草”实现对农田杂草的精准、自动化去除。
该研究论文主要有以下亮点：
1.实现移动状态下精准除草；
2.打通“识别 → 定位 → 执行”的实时闭环；
3.提出根区钻孔式除草机制，提高除草彻底性；
4.构建低成本、模块化、可扩展的农业机器人平台；
感知、决策与执行三层组成的完整闭环系统
研究构建了由感知、决策与执行三层组成的完整闭环系统：感知层通过RGB相机与YOLO11n模型实现杂草识别，决策层依托Jetson AGX Orin进行实时推理，并基于平面单应性完成像素坐标至机械臂坐标的映射，执行层由Delta并联机械臂与钻孔式末端执行器完成精准作业。系统形成了“图像采集—目标识别—坐标转换—逆运动学解算—精准除草”的技术链条，实现了感知、决策与执行一体化，并支持运动状态下的实时作业，提升了系统在实际农田环境中的应用能力。
低成本设计和高效率杂草根除方式
在机械设计方面，研究采用Delta并联机械臂实现高速度与高精度定位，并提出“根区钻孔式”除草机制。与传统切割或夹取方式不同，该方法通过旋转钻头深入土壤并拔除杂草根系，有效抑制再生并减少土壤扰动。整个平台采用模块化设计与低成本硬件，结合独立供电与分层控制架构，提高了系统稳定性与工程可行性，同时具备良好的扩展潜力，可支持未来多机器人协同或规模化部署。
实验室和田间的双场景验证
研究通过实验室与田间双场景验证了系统性能。实验室中检测准确率与除草率分别达94%和92.5%；田间复杂环境下虽略降至89.58%和83%，但作物损伤控制在5%以内，平均定位误差仅0.84 cm。结果表明系统具备较强鲁棒性与应用潜力。分析指出，误差主要源于视觉感知而非机械执行，证实了控制与执行模块的高可靠性。总体而言，该系统为减少化学除草剂使用提供了可行路径，未来需着重提升复杂环境下的感知精度与模型泛化能力。
该文章研发并验证了基于视觉引导与Delta臂的自主除草机器人MiniWeedBot，其具备较高定位精度与低作物损伤率，在实验室与田间表现良好。虽存在感知误差与作业局限，未来可通过多行作业、自主导航等进一步优化性能与应用潜力。
