NEWS ARTICLE
学术动态：End-Effector Technologies for Fruit Harvesting Robots: A Review of Structures, Actuation, and Field Deployability
ACADEMIC DYNAMICS
本文整理 MDPI Sensors 论文《End-Effector Technologies for Fruit Harvesting Robots: A Review of Structures, Actuation, and Field Deployability》的核心信息。论文围绕 2010-2025 年农业采摘机器人末端执行器研究，归纳结构、驱动方式与田间可部署性之间的关系，为复杂现场环境下的机器人采摘设计提供参考。
论文摘要
该综述系统梳理农业采摘机器人末端执行器研究，并提炼出两个核心设计原则：一是末端执行器结构应匹配果实生物特性，二是果梗分离方式应匹配果梗强度与采摘场景。
论文指出，硬质夹爪适用于果皮较硬、形态规则的果实；软体夹爪有助于降低脆弱作物损伤；吸盘更适合表面光滑且遮挡较少的目标；包络式结构适用于柔性、低损伤采摘场景；吸附与夹持结合的设计更适合非结构化田间环境。
关键设计原则
- 果实特性优先末端执行器的刚度、接触面积、夹持方式和柔顺性，需要围绕果皮硬度、形状规则性、表面状态与易损程度进行选择。
- 果梗分离匹配对于较弱果梗，可采用扭转或牵拉等运动分离方式；对于较硬果梗，切割方式更具稳定性。
- 田间条件约束防尘防水、清洁维护、材料老化和吸入防护等因素，会直接影响实验室方案能否进入真实作业环境。
- 结构与感知协同多模态感知、可变刚度驱动和强化学习共同指向更强的自适应采摘能力。
田间部署启示
不同于单纯讨论机构结构的综述，论文特别强调 field deployability checklist，即通过防护、清洁、维护、抗老化和吸入风险控制等检查项，缩小实验室验证与真实田间使用之间的差距。
对于农业机器人和智慧农业装备而言，末端执行器并不是孤立部件。它需要与视觉感知、路径规划、力控策略、作业环境和后期运维共同评估，才能形成可落地的系统方案。
未来方向
论文提出的三类方向具有连续性：多模态感知用于突破复杂环境下的识别边界；可变刚度驱动用于平衡刚性抓取与柔性保护；强化学习用于为不同作物和不同田间条件提供自适应策略。
这一框架有助于把末端执行器设计从单一结构选择，推进到面向作物、环境和部署条件的系统化工程评估。
来源与开放许可
元数据：Crossref 收录的 MDPI Sensors 论文。Vol. 26, Issue 11. Authors: Senming Zhong, Chen Shu, Liancai Shen, Zhangjun Wu, Minglong Xue.
来源：MDPI Sensors via Crossref。