• 选择要整合的指标，考虑指标的自然变异性、这些指标的不确定性传播、适应使用的敏感性和特异性、适应当地条件（农场类型和位置、风险接受度、农业生产实践等）；

• 大数据与来自不同来源的点数据的融合、特定处理（SVM、深度学习）、数据共享（个人或集体）；

• 基于大数据的人工智能开发的数据驱动方法与更受概念驱动但不太适合实时数据的建模方法的混合（Ellis 等人，2020 年）。除了研究基于知识的系统（本体）之外，这将需要研究数据驱动方法的可解释性。

在一般意义上，希望这些与采集、通信和处理工具相关的开发可以在一个集成的、独立的系统中进行。

为了使整个系统能够动态地适应每种作物或牲畜的概况、农场的规模或农业战略，这一切都提出了真正的科学和方法学挑战。

机器人化和数字化转型带来的挑战

农业劳动力

数字工具正在改变农业劳动力。如何以积极的方式引导这些，使农民和农业雇员的劳动不那么艰巨，得到更好的尊重？机器人技术可以提供一种将人类劳动力转移到具有更高附加值的任务的方式，但在以下领域仍有一系列科技障碍需要克服：

动态环境中的场景感知和解释

需要在场景感知和解释方面进行改进，以提高检测能力（水果、叶子、疾病等）。深度学习，特别是机器学习将开辟道路，特别是考虑到机器人将配备传感器并因此产生数据。一种替代方法是利用人类在感知方面的专业知识，这引发了与人机合作相关的问题。最后，必须可以解释和解释机器人做出的决定，机器人必须能够参考专家进行困难的检测或决策。这将涉及确定决策的置信度标准，并阐明从学习中得出的决策规则，这是一个开放的主题。

高级决策方法

机器人目前仅限于一种单一的操作模式。对于复杂的任务，命令模式之间的切换是顺序的，并且是提前计划好的。预计将在情境和场景识别领域（机器人的动态、操作环境、农业环境约束等）取得重大突破，借鉴人工智能（Hill et al., 2019）以适应特征。这些问题超越了自主导航的界限，也适用于主动工具，使其能够精确工作。

设计新的活动工具

农业机器人领域的创新目前主要集中在自主导航；佩戴的工具要么是被动的，要么是独立控制的（Wu et al., 2019）。为了获得更高的可重复性和更高的执行速度，需要能够与移动运营商同步的主动工具。为了实现这一目标，需要对移动处理和与移动载体的协调进行研究。

人机交互与共享自治

除了围绕感知或通信界面的问题外，人机交互还引发了关于自主性和协作的问题：何时以及如何将控制权交还给远程操作员？机器人如何与人类合作？在农业领域，协作机器人开始在商业上出现，辅助机器人（Laneurit 等人，2016 年）、载人机器人以及在较小程度上的外骨骼——尤其是被动外骨骼——旨在促进重物的提升。随着协作水平的提高，有必要解释人类行为以适应机器人的行为。这种方法将有助于普及机器人，它仍然不会取代人类，就像我们必须确保这些设备安全运行一样。