WetExplorer: Automating Wetland Greenhouse-Gas Surveys with an Autonomous Mobile Robot

📄 arXiv: 2511.10864v1 📥 PDF

作者: Jose Vasquez, Xuping Zhang

分类: cs.RO, eess.SY

发布日期: 2025-11-14

备注: To be published in 2025 IEEE International Conference on Robotics and Biomimetics

💡 一句话要点

WetExplorer：一种用于湿地温室气体自动调查的自主移动机器人

🎯 匹配领域: 支柱一：机器人控制 (Robot Control) 支柱三：空间感知 (Perception & SLAM)

关键词: 自主移动机器人 湿地监测 温室气体采样 RTK定位 深度学习感知

📋 核心要点

  1. 湿地温室气体测量对气候研究至关重要，但传统人工采样方法效率低下，难以满足高频次、大范围的需求。
  2. WetExplorer通过集成低压移动平台、精准定位、智能感知和运动规划，实现了温室气体采样的全自动流程。
  3. 实验结果表明，该系统定位精度达到厘米级，物体姿态估计精度高，且能有效避障，无需人工干预。

📝 摘要（中文）

量化湿地中的温室气体(GHG)对于气候建模和恢复评估至关重要，然而，人工采样劳动强度大且耗时。我们提出了WetExplorer，一种自主履带机器人，可以自动化完整的GHG采样工作流程。该机器人系统集成了低地面压力移动、厘米级精确提升放置、双RTK传感器融合、避障规划和深度学习感知，并采用容器化的ROS2架构。户外试验验证了传感器融合堆栈保持1.71厘米的平均定位误差，视觉模块估计物体姿态的平移精度为7毫米，旋转精度为3°，而室内试验表明，完整的运动规划管道在避开障碍物的同时，将采样室定位在70毫米的全局公差范围内，所有这些都无需人工干预。通过消除人工瓶颈，WetExplorer能够实现高频率、多站点的GHG测量，并为饱和湿地地形中的密集、长期数据集打开了大门。

🔬 方法详解

问题定义：传统湿地温室气体采样依赖人工，效率低、成本高，难以实现高频次、大范围的监测，限制了气候建模和湿地恢复评估的精度。现有方法难以适应湿地复杂地形，且易受人为因素影响，导致数据质量不稳定。

核心思路：利用自主移动机器人技术，构建一个能够自主导航、精准定位、智能感知和自动采样的系统，从而替代人工完成湿地温室气体采样工作。通过集成多种传感器和算法，提高系统在复杂环境下的适应性和可靠性。

技术框架：WetExplorer系统主要包含以下几个模块：1) 低地面压力移动平台：采用履带式设计，适应湿地地形；2) 精准定位模块：融合双RTK传感器数据，实现厘米级定位精度；3) 智能感知模块：利用深度学习算法识别目标物体并估计其姿态；4) 运动规划模块：规划避障路径，实现采样室的精准放置；5) ROS2架构：采用容器化的ROS2架构，便于模块化开发和部署。

关键创新：该论文的关键创新在于将多种先进技术集成到一个完整的自主采样系统中，实现了湿地温室气体采样的全自动化。与传统方法相比，该系统能够显著提高采样效率和数据质量，并降低人工成本。此外，该系统还具有良好的可扩展性和适应性，可以应用于其他环境监测任务。

关键设计：在定位模块中，采用了双RTK传感器融合算法，提高了定位精度和鲁棒性。在感知模块中，使用了深度学习算法，对采样目标进行精准识别和姿态估计。在运动规划模块中，设计了避障算法，确保机器人安全运行。ROS2的容器化部署简化了系统集成和维护。

📊 实验亮点

户外试验表明，WetExplorer的传感器融合堆栈能够保持1.71厘米的平均定位误差，视觉模块估计物体姿态的平移精度为7毫米，旋转精度为3°。室内试验验证了完整的运动规划管道能够在避开障碍物的同时，将采样室定位在70毫米的全局公差范围内。这些结果表明，WetExplorer能够实现高精度、高可靠性的自主采样。

🎯 应用场景

WetExplorer可广泛应用于湿地温室气体监测、生态环境评估、气候变化研究等领域。该技术能够实现高频次、大范围的自动化采样，为科学家提供更全面、更准确的数据，从而提高气候模型的预测精度，并为湿地恢复和管理提供科学依据。未来，该技术还可扩展到其他环境监测任务，如水质监测、土壤分析等。

📄 摘要（原文）

Quantifying greenhouse-gases (GHG) in wetlands is critical for climate modeling and restoration assessment, yet manual sampling is labor-intensive, and time demanding. We present WetExplorer, an autonomous tracked robot that automates the full GHG-sampling workflow. The robot system integrates low-ground-pressure locomotion, centimeter-accurate lift placement, dual-RTK sensor fusion, obstacle avoidance planning, and deep-learning perception in a containerized ROS2 stack. Outdoor trials verified that the sensor-fusion stack maintains a mean localization error of 1.71 cm, the vision module estimates object pose with 7 mm translational and 3° rotational accuracy, while indoor trials demonstrated that the full motion-planning pipeline positions the sampling chamber within a global tolerance of 70 mm while avoiding obstacles, all without human intervention. By eliminating the manual bottleneck, WetExplorer enables high-frequency, multi-site GHG measurements and opens the door for dense, long-duration datasets in saturated wetland terrain.