Rob?Frango：一种用于肉鸡舍环境监测的移动生物传感器机器人的概念验证

《Results in Engineering》：Rob?Frango: Proof of Concept of a Mobile Biosensor Robot for Environmental Monitoring in Broiler Houses

　　移动机器人Rob?Frango通过LiDAR和计算机视觉实现家禽舍自主导航与环境监测，发现固定传感器低估湿度、CO?浓度及垫料湿度不均，验证其技术可行性和精准管理价值。

　　在现代畜牧业中，尤其是家禽养殖领域，环境监测与管理的重要性日益凸显。随着科技的进步，越来越多的研究致力于开发能够提高生产效率、改善动物福利并减少环境影响的创新技术。本研究聚焦于一个名为Rob?Frango的移动生物传感器机器人，其设计目标是通过实时收集和分析环境数据，为家禽养殖提供更加精准和动态的环境监控手段。这一技术不仅具有理论价值，也为实际应用提供了新的可能性，特别是在提升生产系统智能化水平方面。

Rob?Frango的设计理念源于对传统固定传感器局限性的认识。尽管固定传感器在环境监测中已广泛应用，但它们往往无法准确反映家禽实际所处的微气候条件。这是因为固定传感器通常安装在鸡舍顶部，而家禽的生活空间主要位于地面以上30厘米左右。因此，固定传感器可能无法捕捉到鸡舍内不同区域之间的微小环境差异，特别是那些对动物健康和生产性能有直接影响的局部因素。为了解决这一问题，Rob?Frango被设计为一种能够在鸡舍内自主移动并采集环境数据的机器人，其数据采集高度接近家禽的活动层，从而能够更真实地反映动物所处的环境条件。

本研究中，Rob?Frango被用于监测鸡舍内的多个环境变量，包括温度、湿度、氨气、二氧化碳、一氧化碳、PM10颗粒物以及鸡舍地面的湿度。这些数据的采集不仅依赖于机器人内置的传感器，还通过与固定传感器的对比，验证了其在不同高度和位置上测量数据的准确性。结果显示，Rob?Frango在收集数据方面表现出较高的精度，特别是在监测湿度和二氧化碳浓度方面。相比之下，固定传感器的测量值往往未能充分反映家禽所处的实际环境，特别是在湿度和二氧化碳浓度上，机器人所采集的数据显著高于固定传感器的读数，这表明固定传感器在某些情况下可能低估了家禽所面临的环境压力。

此外，本研究还揭示了鸡舍内环境变量的分布模式。例如，鸡舍地面的湿度在不同区域表现出明显的差异，靠近饲料线的区域湿度较高，而远离饲料线的区域则相对干燥。这种空间分布模式与鸡舍的通风管理、饲料线布局以及水源供应等因素密切相关。研究还发现，鸡舍内的空气湿度和二氧化碳浓度存在显著的空间依赖性，尤其是在鸡舍的前部区域，湿度和二氧化碳浓度的变化更为明显。这表明，鸡舍内环境条件并非均匀分布，而是呈现出一定的空间异质性。这种异质性对于动物健康和生产性能具有重要影响，例如高湿度可能导致家禽的体温调节能力下降，而高二氧化碳浓度则可能引发呼吸系统疾病。

为了进一步验证这些环境变量的空间分布特征，研究采用了多种统计和空间分析方法。例如，通过Kriging插值方法生成了各变量的微气候地图，并利用K-means聚类算法识别出具有相似环境特征的区域。这些分析结果不仅揭示了鸡舍内环境条件的复杂性，也为制定更精准的环境管理策略提供了依据。同时，Moran’s I指数的计算进一步量化了空间自相关性，表明鸡舍内不同区域之间的环境变量存在不同程度的关联性。这一发现强调了在鸡舍管理中考虑空间异质性的必要性，因为仅依赖于平均值可能无法全面反映家禽的实际环境状况。

在热舒适性方面，研究采用了空气焓值作为评估指标，这是一种综合考虑温度、湿度和压力的参数，能够更准确地反映动物的热舒适状态。结果显示，尽管鸡舍内的平均温度处于推荐范围内，但在某些区域，高湿度导致的焓值升高表明家禽可能面临热舒适性不足的问题。这一发现进一步支持了空气焓值作为热舒适性评估指标的有效性，同时也提醒养殖者在管理中应更加关注湿度对动物舒适度的影响，而不仅仅依赖于温度数据。

Rob?Frango的移动能力是其区别于传统固定传感器的关键特征之一。该机器人能够在鸡舍内自主导航，并根据预设的路径和采样点采集环境数据。这种移动性使得机器人能够覆盖整个鸡舍，而不仅仅是固定的监测点。同时，机器人还能够实时传输数据至云端平台，实现对鸡舍环境的持续监控。这种数据的实时性和可追溯性对于及时调整环境管理措施具有重要意义，例如在发现某些区域湿度异常时，养殖者可以迅速采取措施，如调整通风系统或改善地面干燥条件，以降低家禽面临的环境压力。

尽管Rob?Frango在实际应用中表现出良好的性能，但其导航系统仍存在一定的局限性。研究发现，机器人在遇到鸡舍分区的分隔结构时，需要人工干预才能完成转向。这一现象表明，当前的导航系统虽然能够实现半自主运行，但在面对复杂的环境结构时仍需进一步优化。此外，机器学习模型在实际运行中的准确率（77.5%）略低于训练阶段的预测能力（89%），这提示研究者需要收集更大规模、更具代表性的数据集，并开发更加鲁棒的算法以适应不同生产环境的复杂性。

从实际应用的角度来看，Rob?Frango的成功验证为家禽养殖的智能化管理提供了新的思路。通过移动机器人采集的高分辨率环境数据，养殖者可以更精确地识别鸡舍内的环境热点，从而采取针对性的管理措施。例如，针对某些区域的高湿度或高气体浓度，可以调整通风系统或进行局部干燥处理，以减少对家禽的不利影响。这种精准管理不仅有助于提高生产效率，还能有效降低疾病发生率和死亡率，从而提升养殖的整体效益。

此外，本研究还强调了将移动机器人与自动化控制系统的结合潜力。Rob?Frango所采集的数据不仅可以用于环境监控，还可以直接与鸡舍的自动控制系统对接，实现环境条件的实时调整。这种集成化的管理方式有望显著提升鸡舍环境的可控性，减少人为干预的必要性，并提高管理的自动化水平。然而，这一技术的推广和应用仍面临一些挑战，例如设备成本、技术维护以及养殖者的接受度等。因此，未来的研究需要进一步探讨该技术在不同规模养殖场中的适用性，并评估其经济性和可行性。

总的来说，Rob?Frango的开发和验证为家禽养殖的环境监测提供了新的工具和方法。其半自主导航能力、高精度的环境数据采集以及实时数据传输功能，使其成为一种具有广阔前景的生物传感器机器人。通过对比固定传感器和移动传感器的测量结果，研究揭示了传统监测方法在某些环境变量上的局限性，并展示了移动机器人在提升环境监测精度方面的优势。这些发现不仅对家禽养殖的管理实践具有指导意义，也为畜牧业的智能化转型提供了理论支持和技术基础。未来的研究应继续探索该技术的优化路径，特别是在提高导航系统的自主性和机器学习模型的适应性方面，以实现更广泛的应用和更高的管理效率。