顶刊 Cell 封面重磅突破！首次实现机器人-作物授粉全流程自动化，成功率接近100%！

深蓝学院

849人浏览 · 2026-01-07 18:58:39

深蓝学院 · 2026-01-07 18:58:39 发布

01 从基因编辑到机器人授粉

02 技术亮点

感知-物理融合的具身感知系统

作物-机器人协同设计（Co-Design）理念

全链路自主系统：从导航到交互的真实具身闭环

03 实验

04 总结

授粉——自然界中精妙的生命协作，却成了农业智能化的 “头等难题”：传统作物的花柱深藏于花瓣间，机器人难以精准触碰，人工杂交授粉不仅耗时耗力，还严重限制了育种效率。

由中科院遗传发育所、自动化所联合上海交大、清华大学等团队发表在顶刊《Cell》上的这项研究，提出了 “作物 - 机器人协同设计” 的颠覆性范式，更通过基因编辑改造花形态、结合具身智能机器人实现自动化杂交授粉。

首次让农业从 “人工依赖” 真正迈向 “智能自主育种”，为精准农业突破瓶颈提供了可落地的革命性方案。

▲图1｜机器人授粉过程全链路演示

01 从基因编辑到机器人授粉

研究团队发现，传统作物的花柱常常被花瓣包裹，机器人的摄像头和机械臂难以准确识别与接触目标位置。他们的关键洞察在于：授粉难题不只是算法问题，而是植物形态与机器人动作的双向错配。于是，研究者提出了 GEAIR（Genome Editing + AI-based Robotics） 系统。

他们首先利用 CRISPR 基因编辑技术，调控番茄的 GLO2 基因，让花柱从花冠中伸出，形成“对机器人友好”的形态。

随后，他们设计了一套智能授粉机器人系统：

● 机械结构：UR5机械臂 + Robotiq夹爪 + RealSense D435i相机 + 软毛刷；

● 感知系统：基于 YOLACT_Orient 深度学习模型 的花朵检测与姿态估计；

● 触觉识别：利用 Inception-v3 网络 判断刷子是否与花柱成功接触。

最终，机器人不仅能“看见花”，还能“理解花”——判断其方向、距离与接触状态，完成精准授粉操作。

02 技术亮点

感知-物理融合的具身感知系统

在自然授粉中，昆虫依靠触觉来判断花粉是否接触成功。而 GEAIR 机器人试图让机器拥有类似的“触觉本能”。

研究团队为此在机械臂末端装配了软毛刷式工具（soft brush end-effector），并配合高精度RGB-D相机（RealSense D435i）采集花朵结构与姿态信息。视觉部分由改进的 YOLACT_Orient 模型负责检测花朵区域与花柱朝向，其检测精度（mAP 85.1%）显著优于 Mask R-CNN（79.3%）与 DETR（81.7%），在复杂光照与花瓣重叠的情况下依然保持稳定识别。

▲图2｜深度学习赋能花朵检测与花柱定位这一部分展示了机器人“看懂花”的全过程。(A)(B)：人工授粉与机器人授粉在时间和结实率上的对比。研究者选取了3位经验丰富的操作者进行对照，结果显示，机器人在效率和稳定性上都具备竞争力。(C)：YOLACT_Orient 模型的检测流程示意。输入图像被统一为 550 像素分辨率，网络输出花朵置信度、边界框位置、实例分割掩码和花柱朝向参数。通过这一步，机器人不只是识别“哪儿有花”，还能理解“花朝哪边开”

感知仅仅“看到”还不够。研究者进一步在机器人控制回路中引入触觉状态识别模块，利用 Inception-v3 神经网络分析来自摄像头的花粉刷接触图像，以区分“已接触”和“未接触”两种状态。该模块在320次实验中成功率高达 99.68%，几乎实现零误判。

▲图3｜这一组图展示了授粉机器人的软硬件组成与全流程作业方式。(A–C)：机器人结构与实物图，包括 UR5 机械臂、摄像头与末端软毛刷。(D–E)：温室中的植物布局与导航路线规划。浅绿色矩形代表植株范围，深绿色圆点是花位坐标，深蓝线为机器人轨迹

通过这种视觉—触觉的融合感知，机器人能主动修正机械臂末端的运动轨迹，确保花粉传递动作的物理正确性。这种设计的核心价值在于：它不是单纯的“图像识别”，而是实现了具身层面的感知—交互闭环。机器人不再只是远距离观察者，而能通过实际触碰与环境互动获取反馈。这种主动感知机制，为具身智能在自然生态任务（如采摘、护理、授粉）中的精细操作提供了范例。

▲图4｜机器人授粉过程的细节展示

作物-机器人协同设计（Co-Design）理念

GEAIR 的真正突破点不在算法，而在理念——它首次让作物和机器人共同参与设计过程。

传统的农业自动化常常从机器出发，试图让算法适应自然界千变万化的结构。但团队敏锐地意识到：有时，不如让生物形态本身更友好地服务于智能体的动作结构。

研究者通过对番茄 GLO2 基因的精准编辑，使花柱从花冠中外露（stigma exsertion phenotype），并结合 MS10 基因构建出雄性不育系。这样一来，机器人无需复杂的深度探测即可直接定位花柱，极大简化了视觉识别和路径规划难度。这不仅减少了感知误差累积，也显著提升了授粉成功率。

▲图5｜研究团队提出了 GEAIR（Genome Editing + AI-based Robotics）策略，通过基因编辑优化花部结构，让机器人更容易识别与操作。图中展示了花朵的主要组成部分：萼片（Se）、花瓣（Pe）、雄蕊（St）和心皮（Ca）。经过 GLO2 基因调控后，花柱伸出花冠，为机械臂的精准授粉提供了“入口”。这一步，奠定了“让作物为机器人设计”的全新思路

更值得注意的是，这种“可机器人操作化的花型”并未影响植物的自然生长与结实率。论文报告显示，经 GEAIR 授粉后的结实率为 74.6% ± 10.7%，与人工授粉（85.3% ± 22.2%）差距不大，但稳定性更高。这意味着作物结构优化不仅可行，而且可量产化，为“可机械操作作物（robot-operable crops）”这一新概念奠定了基础。

这种跨越基因编辑与机器人控制的“双向优化”思路，代表了具身智能研究的一种新方向：不再让智能体被动适应世界，而是让世界也为智能体重新定义。在未来，这种 co-design 思维或许会扩展到更多领域，从农作物到建筑再到医疗器械，构建出真正的“协同具身生态系统”。

全链路自主系统：从导航到交互的真实具身闭环

GEAIR 机器人不仅是实验室里的机械臂，而是一套端到端、全链路自主系统。它包括底盘移动、视觉定位、路径规划、机械臂控制和授粉执行五个环节，实现了从“看到花”到“完成授粉”的全流程闭环。

在底盘层面，系统采用 ShiHe MR1000 移动平台，结合 UWB 定位模块与 STL 地图导航，在温室轨道间自动行驶，定位误差小于 10 cm。

机器人通过激光测距与视觉融合定位判断当前行进区间，一旦进入目标花区，自动抬升至预设高度，机械臂展开授粉动作。所有操作均可在温室环境中连续执行，具备工业级稳定性。控制层面，UR5机械臂与 Robotiq F85 夹爪组合提供六自由度操作空间。团队设计的运动规划算法基于动态姿态补偿策略，使机械臂在风动、花枝摇摆等扰动下依然保持精准控制。整个过程由中央控制器调度，授粉完成后，系统自动返回基座，准备下一个周期。

更重要的是，这套系统已在北京近郊商业温室完成多轮实测，连续工作数小时无中断。这标志着 GEAIR 并非停留在概念验证阶段，而是真正迈出了具身智能从实验走向真实农业环境的关键一步。

▲图6｜这组图记录了机器人在北京近郊商业温室的真实部署。(A–C)：从结构示意到现场实拍，展示了机器人如何在轨道上自动移动并完成授粉操作。(D–E)：温室中番茄植株的分布与机器人臂的工作范围。三维参数（W、L、H 对应植株空间；X、Y、Z 对应机械臂运动空间）体现了系统的全域覆盖能力

03 实验

在北京近郊的商业温室里，这套机器人系统完成了多轮实地验证。

机器人可在温室轨道上自动往返作业，识别花朵、伸臂接触、完成授粉，全流程无需人工干预。结果显示：

● 机器人授粉的结实率达 74.6% ± 10.7%；

● 与人工授粉（85.3% ± 22.2%）相当，但波动更小，稳定性更高；

● 系统可连续作业数小时，并显著减少人力投入。

从图表可以看出，机器人在真实复杂光照与花型环境中依然保持高识别与操作精度，证明了这一具身协同系统在现实农业场景下的可行性与鲁棒性

▲图7｜这组图记录了机器人在北京近郊商业温室的真实部署。(H)：机器人通过 DSN + LSTM 模型进行基座精准对接，前后运行误差均保持在极低水平。(I–K)：不同模型在花朵检测与分割精度上的对比，YOLACT_Orient 显著领先；花柱定位误差和时间开销的量化分析则展示了系统的实时性。(L–N)：960 次授粉实验的伺服点分布，以及人工与机器人授粉的现场对比。(O–P)：时间成本与授粉成功率的系统对比，机器人在连续作业中的效率优势清晰可见。(Q)：温室中长出的第一批 F1 杂交植株，代表了从算法到生物学的完整闭环成果