基于YOLOv8的AI蒸汽除草机器人：从Ubuntu环境到目标检测实战

各位关注 AI 与机器人方向的朋友们，大家好。

今天我想和大家分享一个非常有“落地感”的 AI 项目：AI 蒸汽除草机器人。最近看到明尼苏达州发明家打造无化学除草机器人的相关消息，确实让人眼前一亮。在环保要求越来越高的背景下，用高温蒸汽替代化学除草剂，再结合人工智能视觉识别来精准清除杂草，既符合绿色农业的大趋势，也给了开发者一个非常完整的 AI 实战场景。

围绕这个项目，本文会从系统架构、Ubuntu 环境配置、摄像头选型、YOLOv8 模型训练、识别定位、控制决策六个维度做一次全面拆解。重点是让有 Python 和 Linux 基础的开发者，也能跟着文章一步步搭建出一套用于实验验证的除草机器人原型系统。

如果你正准备入门 AI 视觉落地，或者正在寻找一个能融合“目标检测 + 嵌入式控制 + 环保设备”的实战项目，那么这篇文章值得你认真读完并收藏。

1. 项目背景：为什么需要 AI 蒸汽除草机器人？

1.1 传统化学除草的现实困境

在农业生产中，杂草控制是影响产量和人工成本的关键环节。目前最常见的除草方式有两种：

• 化学除草剂喷洒：效率高、成本低，但长期使用会导致杂草抗药性增强、土壤板结、水源污染，甚至影响农产品安全。
• 人工除草：效果好但人力成本极高，大规模农业根本忙不过来。

因此，现代农业迫切需要一种既能精准除草、又不给环境增加额外负担的技术方案。

1.2 蒸汽除草的原理与优势

蒸汽除草并不是什么新鲜概念，其核心原理非常简单：利用高温蒸汽（通常超过 90℃）接触杂草叶面与根部，使植物细胞中的蛋白质变性、细胞膜破裂，从而让杂草在短时间内枯萎死亡。

相比化学除草，蒸汽除草有几个明显优势：

1. 无化学残留：蒸汽冷却后就是水，不污染土壤和地下水。
2. 不易产生抗性：杂草无法对“高温”产生抗药性。
3. 使用安全：操作人员不接触剧毒农药，农产品也更安全。

但传统蒸汽除草设备最大的问题是“无差别攻击”——它会把范围内的所有植物都烫死，不管你是杂草还是庄稼。

1.3 人工智能解决“精准”问题

要让蒸汽除草从“无差别火力覆盖”变成“精准点杀”，就必须让机器认识目标。

这就是 AI 视觉识别技术的用武之地：

• 机器人通过摄像头持续采集地面图像。
• 部署在 Ubuntu 系统上的目标检测模型对图像进行实时推理。
• 当模型识别出“杂草”类别时，计算出杂草在图像中的像素坐标。
• 通过坐标转换，控制喷嘴移动到杂草正上方，触发蒸汽喷射。

通过这样一个“感知—决策—执行”的闭环，就把传统蒸汽设备升级成了真正的智能除草机器人。

1.4 本文技术范围

本文会围绕一个概念验证原型机展开，涵盖：

• 系统整体硬件架构
• Ubuntu 开发环境搭建
• 摄像头图像采集与标定
• YOLOv8 杂草检测模型训练
• 坐标转换与喷嘴控制逻辑
• 常见坑点与工程化建议

需要说明的是，实际蒸汽发生装置涉及高温高压，属于特种设备范畴。本文重点讲解 AI 视觉与控制决策部分，高温装置部分只做接口设计说明，不展开机械制造细节。

2. 系统整体架构设计

在动手写代码之前，我们先把整个除草机器人的软硬件架构理清楚。好的架构能让你后续开发少走很多弯路。

2.1 机器人整体工作流程

摄像头采集图像 ↓ 树莓派/Jetson Nano 主板（Ubuntu 系统） ↓ YOLOv8 模型进行目标检测（识别杂草） ↓ 获得杂草边界框中心像素坐标 (x, y) ↓ 像素坐标 → 相机坐标系 → 机器人底盘坐标 ↓ 控制模块驱动云台/电机，将蒸汽喷嘴对准目标 ↓ 电磁阀开启，喷射高温蒸汽

2.2 硬件组成建议

这里给出一份适合原型验证的硬件清单：

模块	推荐选型	作用
主控板	Jetson Nano / 树莓派 4B / 带独显的 Ubuntu 主机	运行 Ubuntu 与 AI 推理
摄像头	USB 免驱摄像头 / CSI 摄像头 / 工业相机	采集地面图像
云台	二自由度舵机云台	控制蒸汽喷嘴方向
蒸汽装置	小型蒸汽发生器 + 电磁阀	产生并喷射高温蒸汽
底盘	履带/轮式机器人底盘	实现田间移动
供电	锂电池组（需满足蒸汽发生器功率）	整机供电

2.3 软件架构层次

软件层可以分成四层：

第一层：系统层

操作系统选用 Ubuntu 20.04/22.04 LTS，负责驱动摄像头、管理 GPIO/串口、运行 Python 环境。

第二层：感知层

负责图像采集、预处理、目标检测。核心是基于 YOLOv8 的杂草检测模型和坐标计算模块。

第三层：决策层

根据识别结果判断当前目标是否为杂草、是否在喷射范围内、是否处于工作状态。这里可以加入简单的状态机，避免误判和重复喷射。

第四层：执行层

将决策转换为底层指令。通过串口或 GPIO 控制云台转向和电磁阀开关。

对于原型验证来说，感知层和决策层是工作量最大的部分，也是本文讲解的重点。

3. Ubuntu 环境准备与摄像头接入

3.1 Ubuntu 版本说明

由于 AI 框架对系统版本有一定要求，这里建议使用Ubuntu 20.04 LTS 或 22.04 LTS。

不同版本注意以下差异：

• Ubuntu 20.04 默认 Python 3.8，对 PyTorch 兼容性很好。
• Ubuntu 22.04 默认 Python 3.10，更新的 CUDA 驱动支持更好。
• 如果使用 Jetson 系列板卡，请使用 NVIDIA 提供的 JetPack 定制系统，不要手动安装桌面版 Ubuntu。

如果你是在 VMware 虚拟机中做纯视觉实验，Ubuntu 版本没有严格限制；但如果你要接摄像头和串口控制，建议直接安装双系统或使用物理机，避免 USB 透传带来的延迟与不稳定问题。

3.2 基础环境安装

首先更新软件源并安装必要的系统工具：

sudo apt update sudo apt upgrade -y sudo apt install -y python3-pip python3-venv git v4l-utils

这里重点说一下v4l-utils，这是 Linux 下查看摄像头设备的常用工具集。安装完成后，可以用以下命令查看摄像头是否被系统正确识别：

v4l2-ctl --list-devices

如果摄像头正常，输出大概是这样：

USB Camera: Camera 1.0 (usb-0000:00:14.0-1): /dev/video0

记下设备节点/dev/video0，后面 OpenCV 打开摄像头时需要用到。

3.3 创建 Python 虚拟环境

为了避免不同项目之间的 Python 包冲突，推荐使用虚拟环境：

mkdir -p ~/steam_robot && cd ~/steam_robot python3 -m venv venv source venv/bin/activate

然后升级 pip：

pip install --upgrade pip

3.4 安装 PyTorch 与 YOLOv8

YOLOv8 是 Ultralytics 公司推出的经典目标检测框架，支持目标检测、实例分割、图像分类等多种任务。对除草机器人而言，我们主要使用它的检测功能。

安装命令如下：

pip install ultralytics torch torchvision opencv-python

如果是在 NVIDIA 显卡环境下，建议提前安装匹配的 CUDA 版 PyTorch。具体安装命令请以 PyTorch 官网为准，不同 CUDA 版本安装命令不一样。

安装完成后，先运行一个简单的 Python 脚本来验证摄像头能正常出图：

import cv2 cap = cv2.VideoCapture(0) # 0 表示第一个摄像头设备 if not cap.isOpened(): print("无法打开摄像头，请检查设备节点与权限") exit(1) ret, frame = cap.read() if ret: print("图像尺寸:", frame.shape) cv2.imwrite("test_frame.jpg", frame) print("已保存测试图像 test_frame.jpg") else: print("读取画面失败") cap.release()

如果你在 Ubuntu 下遇到无法打开摄像头的问题，大概率是当前用户没有 video 组的访问权限。解决办法是把用户加入 video 组并重新登录：

sudo usermod -aG video $USER

4. 杂草检测数据集准备

4.1 数据集从哪来

训练一个可靠的杂草识别模型，需要大量带标注的田间图像。数据来源主要有几种：

1. 公开数据集：如 CropAndWeed 数据集、Weed-AI 竞赛数据集，包含多种作物与杂草的标注图像。
2. 自采数据集：用本文上面的摄像头脚本，在田间或小区绿化带拍摄地面图像，再用 LabelImg 或 Roboflow 进行标注。
3. 网络爬取：收集常见杂草的图片，但要注意版权和质量筛选。

对于个人开发者来说，最现实的做法是先下载公开数据集完成流程验证，再根据自己使用的场景采集数据做二次微调。

4.2 类别定义建议

除草机器人识别目标可以定义成两类：

weed: 杂草 crop: 作物（玉米、大豆、菜苗等） 也可以按杂草具体种类细分，如： broadleaf 阔叶杂草 grass 禾本科杂草

类别数量不要一开始就搞太多。类别越多，数据标注难度和模型训练成本都会明显上升。建议第一版只做二分类：weed和background。

4.3 数据集目录结构

YOLOv8 支持标准的 YOLO 格式数据集，目录结构如下：

dataset/ ├── images/ │ ├── train/ │ ├── val/ │ └── test/ ├── labels/ │ ├── train/ │ ├── val/ │ └── test/ └── data.yaml

其中labels目录下是与图片同名的.txt文件，文件内容格式为：

类别id 中心点x 中心点y 边界框宽 边界框高

这些坐标值全部是相对于图片宽度和高度的归一化小数，范围在 0~1 之间。

4.4 数据配置文件 data.yaml

data.yaml是 YOLOv8 训练时的数据集配置文件，内容如下：

# 文件路径：~/steam_robot/dataset/data.yaml train: /home/你的用户名/steam_robot/dataset/images/train val: /home/你的用户名/steam_robot/dataset/images/val test: /home/你的用户名/steam_robot/dataset/images/test nc: 1 names: ['weed']

注意这里的路径建议写绝对路径。训练时如果找不到图片，绝大多数情况都是路径写错了。

5. YOLOv8 模型训练实战

5.1 为什么选择 YOLOv8

YOLO 系列是目前目标检测领域工程落地最成熟的方案之一。YOLOv8 的优势主要体现在：

• 使用方便，Ultralytics 库封装了训练、验证、导出全流程。
• 支持 CPU 推理，没有 GPU 也能跑实时检测，只是帧率会低一些。
• 模型体积小，适合部署到树莓派、Jetson 等嵌入式设备。

5.2 编写训练脚本

在项目目录下创建训练脚本train.py：

# 文件路径：~/steam_robot/train.py from ultralytics import YOLO # 加载预训练模型，yolov8n 是轻量版本，适合嵌入式部署 model = YOLO("yolov8n.pt") # 开始训练 results = model.train( data="dataset/data.yaml", # 数据集配置 epochs=100, # 训练轮数，可视数据量调整 imgsz=640, # 输入图片尺寸 batch=16, # 批大小，根据显存调整 device=0, # 0 表示 GPU，cpu 表示纯 CPU workers=4, name="weed_detector" )

5.3 执行训练

python train.py

如果是在 CPU 环境下训练，建议把epochs降到 30，imgsz降到 320，否则训练时间会很长。

训练过程中的关键指标需要关注：

• box_loss：边界框回归损失，越低越好。
• cls_loss：分类损失，越低越好。
• mAP50：IoU 阈值为 0.5 时的平均精度，越高越好。
• mAP50-95：更严格的精度指标，一般达到 0.6 以上就可以尝试部署。

5.4 验证模型效果

训练完成后，运行下面的命令可以看到每个类别的详细指标：

yolo val model=./runs/detect/weed_detector/weights/best.pt data=dataset/data.yaml

如果 mAP50 能达到 0.85 以上，对于除草场景来说已经具备实验价值了。如果效果不好，优先检查标注质量，不要急着调参。

5.5 导出轻量化模型

嵌入式设备上部署时，建议把 PyTorch 模型导出为 TensorRT 或 ONNX 格式，这样可以显著提升推理速度。

导出 ONNX：

yolo export model=./runs/detect/weed_detector/weights/best.pt format=onnx

导出 TensorRT（需要 Jetson 设备或 NVIDIA GPU）：

yolo export model=./runs/detect/weed_detector/weights/best.pt format=engine device=0

6. 摄像头识别与坐标定位

训练好模型后，我们来完成最关键的一步：让机器人在实时视频流中识别杂草，并计算出杂草相对机器人的位置。

6.1 实时推理脚本

下面这段代码是除草机器人感知模块的核心，用于实时检测画面中的杂草并输出目标坐标：

# 文件路径：~/steam_robot/detect_weed.py import cv2 from ultralytics import YOLO # 加载训练好的最佳权重 model = YOLO("runs/detect/weed_detector/weights/best.pt") # 打开摄像头 cap = cv2.VideoCapture(0) cap.set(cv2.CAP_PROP_FRAME_WIDTH, 640) cap.set(cv2.CAP_PROP_FRAME_HEIGHT, 640) # 类别 ID 到名称的映射 CLASS_NAMES = {0: "weed"} while True: ret, frame = cap.read() if not ret: break # YOLOv8 推理 results = model(frame, conf=0.5, imgsz=640, verbose=False) for result in results: boxes = result.boxes if boxes is None: continue for box in boxes: # 边界框坐标 x1, y1, x2, y2 = box.xyxy[0].tolist() conf = box.conf[0].item() cls_id = int(box.cls[0].item()) label = CLASS_NAMES.get(cls_id, "unknown") # 计算边界框中心点（像素坐标） center_x = int((x1 + x2) / 2) center_y = int((y1 + y2) / 2) # 绘制检测框 cv2.rectangle(frame, (int(x1), int(y1)), (int(x2), int(y2)), (0, 255, 0), 2) cv2.putText( frame, f"{label} {conf:.2f}", (int(x1), int(y1) - 10), cv2.FONT_HERSHEY_SIMPLEX, 0.6, (0, 255, 0), 2, ) cv2.circle(frame, (center_x, center_y), 5, (0, 0, 255), -1) # 输出目标坐标，后续控制模块读取 print(f"DETECTED: {label}, conf={conf:.2f}, center=({center_x}, {center_y})") cv2.imshow("Weed Detection", frame) if cv2.waitKey(1) & 0xFF == ord("q"): break cap.release() cv2.destroyAllWindows()

运行这段代码后，屏幕上会实时显示检测框，终端会输出类似这样的信息：

DETECTED: weed, conf=0.92, center=(321, 305) DETECTED: weed, conf=0.87, center=(455, 290)

这里的center=(321, 305)就是杂草在图像中的像素坐标。

6.2 像素坐标转机器人坐标

摄像头看到的只是平面的像素坐标，要让蒸汽喷嘴对准杂草，还必须把像素坐标转换为机器人坐标系下的实际位置。

这里需要用到相机内参标定和坐标转换。

简化处理的话，可以采用近似线性映射：

# 文件路径：~/steam_robot/coordinate_transform.py class CoordinateTransformer: """ 将像素坐标近似转换到机器人底盘坐标。 这里假设摄像头固定安装、光轴与地面垂直。 """ def __init__(self, image_width=640, image_height=640, real_width_m=0.6, real_height_m=0.6): # 图像分辨率 self.img_w = image_width self.img_h = image_height # 图像覆盖的真实地面范围（米），需要实际测量标定 self.real_w = real_width_m self.real_h = real_height_m def pixel_to_robot(self, px, py): """ 将像素坐标转为以图像中心为原点的机器人坐标。 返回 (x_meter, y_meter)，单位：米 """ # 归一化到 [-1, 1] nx = (px - self.img_w / 2) / (self.img_w / 2) ny = (py - self.img_h / 2) / (self.img_h / 2) # 映射到实际地面尺寸 x_meter = nx * (self.real_w / 2) y_meter = -ny * (self.real_h / 2) return x_meter, y_meter if __name__ == "__main__": transformer = CoordinateTransformer() x, y = transformer.pixel_to_robot(320, 612) print(f"杂草位于机器人前方 {y:.2f} 米，横向偏移 {x:.2f} 米")

注意，这里的转换依赖摄像头的安装高度和俯仰角度。如果摄像头是倾斜安装的，就需要做透视变换矫正，可以把相机朝向地面拍摄一张已知尺寸的棋盘格图片，计算单应矩阵后再做映射。

6.3 防重复识别问题

不少做过 YOLOv8 实时识别的朋友都遇到过一个问题：同一个目标在一帧中被检测到之后，下一帧又被重复检测到，导致执行机构反复动作。

工程上的解决办法是引入一个简单的“目标锁定”状态：

# 文件路径：~/steam_robot/target_lock.py import time class TargetLock: """ 目标锁定：同一位置的杂草在设定时间内只触发一次执行动作。 """ def __init__(self, cooldown_seconds=3.0, distance_threshold=30): self.cooldown = cooldown_seconds self.distance_thresh = distance_threshold self.last_trigger_time = 0.0 self.last_position = None def should_trigger(self, center_x, center_y): now = time.time() # 如果离上次触发时间太近，不重复触发 if now - self.last_trigger_time < self.cooldown: return False # 如果目标位置与上次触发位置很近，视为同一目标 if self.last_position is not None: dx = center_x - self.last_position[0] dy = center_y - self.last_position[1] distance = (dx * dx + dy * dy) ** 0.5 if distance < self.distance_thresh: return False # 更新触发记录 self.last_trigger_time = now self.last_position = (center_x, center_y) return True

在真实田间环境中，杂草大小不一、光线变化大，建议配合追踪算法（如 ByteTrack）使用，但第一版原型用简单冷却锁定已经足够验证流程。

7. 蒸汽喷射控制与决策逻辑

7.1 控制架构

蒸汽喷射控制是除草机器人的执行末端。出于安全考虑，本文只写控制逻辑，不涉及高压蒸汽设备的具体制造。

推荐的控制链路：

Jetson/树莓派 GPIO 或串口 ↓ 舵机驱动板（云台转向） ↓ 继电器模块（电磁阀开关） ↓ 蒸汽喷嘴（对准杂草）

7.2 决策状态机

为了不让机器人“见草就喷”，我们设计一个简单的状态机：

[待机] --检测到杂草--> [瞄准] --云台对准--> [喷射] --完成--> [待机]

具体逻辑如下：

# 文件路径：~/steam_robot/controller.py import time class SteamController: """ 蒸汽喷射决策控制器 """ STATE_IDLE = "IDLE" # 待机 STATE_AIMING = "AIMING" # 瞄准 STATE_SPRAYING = "SPRAYING" # 喷射 def __init__(self, spray_duration=2.0): self.state = self.STATE_IDLE self.spray_duration = spray_duration self.state_start_time = 0.0 def update(self, detections): """ 输入检测结果，输出执行指令。 detections: [(center_x, center_y, conf), ...] 返回值: 需要执行的命令字符串 """ now = time.time() if self.state == self.STATE_IDLE: if detections: # 有杂草目标，进入瞄准状态 self.state = self.STATE_AIMING self.state_start_time = now return "AIM" elif self.state == self.STATE_AIMING: # 给云台转动留出时间 if now - self.state_start_time > 1.0: self.state = self.STATE_SPRAYING self.state_start_time = now return "OPEN_VALVE" elif self.state == self.STATE_SPRAYING: # 喷射结束，回到待机 if now - self.state_start_time > self.spray_duration: self.state = self.STATE_IDLE return "CLOSE_VALVE" return "NO_ACTION"

这样的状态机写法看起来很简单，但能有效避免常见的“检测到目标就反复开关阀门”的问题，后续还能很方便地扩展“目标丢失”“手动急停”等状态。

7.3 与底层硬件的接口建议

控制云台和电磁阀一般通过串口或 GPIO 实现。下面是一个串口控制示例框架：

# 文件路径：~/steam_robot/uart_control.py import serial import time class UartController: """ 通过串口控制下位机（单片机/舵机驱动板） 这里只是一个通信协议示例，具体指令需要与硬件联调。 """ def __init__(self, port="/dev/ttyUSB0", baudrate=115200): self.ser = serial.Serial(port, baudrate, timeout=0.1) time.sleep(0.5) # 等待串口稳定 def set_servo_angle(self, pan_angle, tilt_angle): # 举例：发送协议帧 # 帧格式: HEADER(0xAA) CMD(0x01) PAN TILT CHECKSUM cmd = bytes([0xAA, 0x01, pan_angle, tilt_angle, 0x00]) cmd = cmd[:-1] + bytes([sum(cmd[:-1]) & 0xFF]) self.ser.write(cmd) def set_valve(self, open_flag): # 打开/关闭电磁阀 cmd = bytes([0xAA, 0x02, 0x01 if open_flag else 0x00, 0x00]) self.ser.write(cmd) def close(self): self.ser.close()

在真实项目中，串口通信一定要做协议设计与校验，不要直接发裸数据。否则单片机收到的指令一旦受到电磁干扰，很容易出现误动作。

8. 常见问题与排查思路

很多读者在复现类似项目时会遇到各种问题，这里把高频坑点整理成表格，方便快速定位：

问题现象	常见原因	解决思路
摄像头无法打开	当前用户无 video 组权限	sudo usermod -aG video $USER后重新登录
摄像头画面很暗	自动曝光未开启或环境光线不足	调整摄像头曝光参数，或补光
YOLOv8 训练时找不到图片	data.yaml 中的路径不是绝对路径	改用绝对路径，确认 images 和 labels 存在
训练 loss 不下降	标注文件错误 / 数据集太脏	检查 labels 中坐标是否越界，清理错误标注
检测精度很差	训练样本少、类别不平衡	增加数据增强，采集更多目标角度的图像
CPU 推理速度慢	模型太大 / 输入分辨率太高	使用 yolov8n 模型，imgsz 降到 320
云台反应迟钝	识别帧率低、串口通信阻塞	使用队列异步发送指令，降低检测输入分辨率
识别目标抖动	相邻帧预测框不稳定	增加置信度阈值，或使用追踪算法平滑结果

9. 工程化最佳实践与安全边界

9.1 数据闭环迭代

AI 除草机器人想真正落地，数据是最大的护城河。建议开发阶段做到：

• 每次田间试验都保留失败样本，例如漏检的杂草图片、误检的作物图片。
• 定期从错误样本中抽取数据补充到训练集。
• 每积累一批数据就做一次微调和回归验证。

9.2 安全设计

蒸汽除草的设备涉及高温高压，必须遵守以下安全原则：

• 所有蒸汽管路必须做隔热和防烫处理。
• 必须有急停按钮，紧急情况下立即切断蒸汽发生器和总电源。
• 喷嘴电磁阀默认保持常闭状态。
• 控制程序要增加看门狗机制：如果主程序崩溃或检测到异常，自动关闭电磁阀。
• 田间使用时要设置作业区域围栏，避免人员误入。

9.3 模型部署优化

从原型到量产，模型部署还需要考虑性能优化：

• 使用 TensorRT 或 ONNX Runtime 加速推理。
• 考虑剪枝和量化，将模型从 FP32 压缩到 FP16 或 INT8。
• 在 Jetson 设备上开启 DLA（深度学习加速器）核心。
• 将摄像头的 ROI（感兴趣区域）限制在有效作业范围内，减少无效计算。

9.4 专利与知识产权意识

如果计划把方案申请专利，需要注意：

• 在公开论文或博客前，先完成专利申请的提交，避免自身公开破坏新颖性。
• 创新点建议集中在“视觉识别与蒸汽喷射的联动控制方法”“基于杂草生长状态的分级喷射策略”这些方向。
• 一定要做好检索，确认自己的方案与现有专利不冲突。

这部分我只做提醒，不构成法律建议，具体可咨询专业知识产权代理机构。

10. 项目总结与下一步学习路线

到这里，我们完成了 AI 蒸汽除草机器人的整体技术拆解，包括：

• Ubuntu 环境与摄像头接入
• 杂草数据集准备与标注格式说明
• YOLOv8 模型训练与验证全流程
• 实时检测杂草并计算像素坐标
• 像素坐标到地面坐标的近似转换
• 目标锁冷与状态机决策控制
• 串口通信与会遇到底层硬件的方法
• 常见工程问题排查与安全设计

后续你还可以从几个方向继续深入：

1. 模型层面：将二分类扩展为多类别识别（区分不同杂草品种），训练实例分割模型对重叠杂草做更精细的区域定位。
2. 算法层面：引入 ByteTrack 多目标追踪，让机器人在移动中也能稳定锁定同一颗杂草，不会重复喷射。
3. 机械层面：设计适合不同株距作物的底盘结构和喷嘴布局，研究蒸汽喷射的覆盖范围与作业速度匹配。
4. 系统层面：接入 RTK 高精度定位，让机器人按规划路径在田间自动巡航作业。

对于刚入门的朋友，我的建议是不要一上来就做整机。先把“摄像头 + Ubuntu + YOLOv8”这套最小视觉识别系统跑通，再逐步添加云台控制、蒸汽开关、底盘导航。每一步都验证稳定后再进入下一环节，这样项目推进会更扎实。

如果你对文中哪个模块有疑问，或者在实际搭建过程中遇到了新的报错，欢迎在评论区留言交流。也建议把这篇文章收藏备用，等到真正开始搭机器人的时候，对照着做会省去不少找资料的功夫。

动手实践，从识别第一颗杂草开始。