Map-Integrated Continuous Autonomous Navigation System for Vineyard Robots under Trellis Cultivation = 포도 재배용 덩굴형 포도밭에서의 맵 통합형 연속 자율주행 시스템

다국어 초록 (Multilingual Abstract)

This study proposes a fruit-centric autonomous navigation framework for vineyard cul- tivation support robots operating in overhead trellis-grown Shine Muscat vineyards. Vineyard tasks such as cluster shaping, thinning, and harvesting require precise po- sitioning directly beneath grape clusters. However, conventional navigation methods relying on QR markers, GNSS, or fixed landmarks are unsuitable for dynamic field environments, where cluster appearance and distribution vary throughout the growing season. To address this challenge, this research develops a navigation system that esti- mates grape-cluster positions using upward-facing visual detection and integrates them with SLAM-based mapping to enable sequential autonomous navigation without exter- nal landmarks. The proposed system incorporates two upward-facing detection models (bunch and flower models based on YOLO11), a TF-based coordinate logging node, Cartographer SLAM, AMCL localization, and the Nav2 navigation stack. During mapping, all de- tected cluster positions are recorded in the map frame. Offline DBSCAN clustering then fuses redundant detections and computes stable cluster centroids. These fused po- sitions are used as navigation goals. During execution, the robot sequentially visits each target while continuously adjusting its final alignment using real-time visual feedback. Three experiments were conducted: mapping accuracy evaluation, indoor navi- gation, and vineyard navigation. The mapping experiment with 10 known targets achieved a mean fusion error of 0.108 m, demonstrating the reliability of the hybrid de- tection–mapping pipeline. In indoor tests, single-goal navigation achieved 94.5% success, an average travel time of 22.3 s, and a mean final-position error of 0.041 m, confirming that the proposed navigation system functions accurately in disturbance-free environ- ments. Sequential four-goal navigation achieved 78.1% success, revealing minor error accumulation. In contrast, vineyard tests exhibited 88.5% single-goal success, 66.7% sequential success, and an average final-position error of 0.073 m, indicating that field- specific disturbances—such as uneven ground, LiDAR ground reflections, and odometry drift—are the primary sources of degradation rather than algorithmic limitations. These results demonstrate that the proposed fruit-centric navigation system enables practical and precise approaches to grape clusters without relying on external markers or GNSS. The hybrid online–offline approach provides a strong foundation for integrating manipulation tasks and ultimately reducing labor demands in viticulture.

국문 초록 (Abstract)

본 연구는 샤인머스켓 포도 재배용 덩굴하(棚) 환경에서 작동하는 재배지원 로봇을 대상으로, 외부 표식이나 GNSS에 의존하지 않고 포도 송이를 기준으로 이동할 수 있는 자율주행 시스템을 제안한다. 송이 정리, 적과, 수확과 같은 재배 작업에서는 로봇이 포도 송이 바로 아래 위치해야 하며, 기존의 QR 마커 기반 또는 GNSS 기반 내비게이션은 송이의 형태 ·색 ·배치가 계절에 따라 크게 변하는 포도밭 환경에 충분히 대응하기 어렵다. 이를 해결하기 위해 본 연구는 상향 카메라 기반 YOLO11 송이/화방 검출 모델, TF 기반 좌표 로깅, Cartographer SLAM, AMCL 위치추정, Nav2 내비게이션 스택을 통합한 과실 중심(fruit-centric) 자율주행 프레임워크를 구축하였다. 매핑 과정에서 검출된 송이 좌표는 map 좌표계에서 기록되며, 오프라인 DBSCAN 클러스터링을 통해 중 복 검출을 융합하고 안정적인 송이 중심 좌표를 산출한다. 주행 단계에서는 이 융합 좌표를 목표점으로 활용하며, 상향 카메라의 실시간 검출 결과를 이용해 목표점 바로 아래로 미세 조정(move-to-bottom)을 수행한다. 본 연구는 세 가지 실험(매핑 정확도 평가, 실내 자율주행, 포도밭 자율주행)을 통해 시스템을 검증하였다. 10개의 기준 위치를 사용한 매핑 실험에서는 평균 0.108 m의 융합 오차를 달성하여 제안한 검출–매핑 통합 방 식의 신뢰성이 확인되었다. 실내 단일 목표 이동에서는 94.5% 성공률, 평균 22.3초, 평균 0.041 m 정지 오차를 기록하여 외란이 없는 환경에서는 알고리즘이 안정적으로 동작함을 보였다. 네 개 목표점을 연속 이동하는 실내 실험에서는 78.1% 성공률을 달성하였다. 반면, 실제 포도밭에서는 단일 목표 성공률 88.5%, 연속 이동 성공률 66.7%, 평균 0.073 m 정지 오차를 기록하였으며, 불규칙 지면, LiDAR의 지면 오검출, odometry 드리프트 등 환경 요인이 성능 저하의 주요 원인임을 확인하였다. 종합적으로, 제안한 과실 중심 자율주행 시스템은 외부 마커나 GNSS 없이도 포도 송이 위치를 기반으로 높은 정밀도의 접근이 가능하며, 향후 포도 재배 작업(적과, 수확 등)과 결합될 수 있는 실용적인 기반 기술임을 실험적으로 입증하였다.

목차 (Table of Contents)

• I. Introduction 1
• 1. Background and Objectives 1
• 2. Related Work 4
• 2.1. Autonomous Movement and Navigation in Orchards 4
• 2.2. Research on Fruit Detection and Position Estimation 7
• 2.3. Research on Orchard Mapping and SLAM Integration 8
• 2.4. Positioning of This Research 9
• 3. Research Overview 9
• 4. Structure of the Thesis 12
• II. System Configuration 13
• 1. System Architecture 13
• 2. Devices Used 15
• 2.1. Mobile Robot Platform (CuGo V4) 15
• 2.2. Computing Unit (NVIDIA Jetson AGX Orin) 16
• 2.3. Upward-facing Camera (Tier IV C1 120) 18
• 2.4. LiDAR (Light Detection and Ranging) 20
• 2.5. IMU (Inertial Measurement Unit) 21
• 3. Software Architecture 23
• 3.1. ROS2 (Robot Operating System 2) 23
• 3.2. SLAM (Cartographer) and Self-Localization (AMCL) 24
• 3.3. Navigation2 (Nav2) 26
• 3.4. You Only Look Once (YOLO) 30
• 3.5. Fruit Cluster and Flower Cluster Detection (YOLO11) 37
• 4. Autonomous Movement System Configuration (ROS2 Node Struc- ture) 39
• 4.1. Fruit Cluster / Flower Cluster Detection Node (YOLO11 De- tector Node) 40
• 4.2. Cluster Position Recording Node (Point Logger Node) 42
• 4.3. SLAM / Self-Localization Nodes 44
• 4.4. Action Server (Continuous Movement Management Node) . 45
• 4.5. Navigation2 (Nav2 Stack) 46
• III. Evaluation Experiments 49
• 1. Experimental Objectives and Evaluation Items 49
• 2. Experimental Environment 51
• 2.1. Reasons for Using QR Codes as Target Objects 51
• 2.2. Types and Positioning of Evaluation Experiments 51
• 2.3. Robot Used and Onboard Sensors 52
• 2.4. Overview of Experimental Locations 53
• 2.5. Indoor Experiment Environment 54
• 2.6. Field Experiment Environment 54
• 3. Mapping Accuracy Test 55
• 3.1. Distribution of Detected Point Clouds 55
• 3.2. Clustering by DBSCAN and Fused Coordinate Calculation . 56
• 3.3. Evaluation of Integration Accuracy 57
• 3.4. Discussion 57
• 4. Indoor Continuous Autonomous Navigation Experiment 58
• 4.1. Experimental Setup 58
• 4.2. Results 59
• 4.3. Discussion 61
• 5. Field Continuous Autonomous Navigation Experiment 62
• 5.1. Experimental Setup 62
• 5.2. Results 63
• 5.3. Discussion 65
• 6. Comparison of Indoor and Field Environments and General Dis- cussion 65
• 7. Summary of This Chapter 68
• IV. Conclusion 70
• 1. Summary of the Thesis 70
• 2. Future Work 71