農業機器人的視覺導航研究長期以來主要針對白天光照充足的條件進行開發，然而夜間作業在農業生產中具有不可忽視的優勢，例如24小時不間斷的作物與土壤監測、夜間果實採摘以及夜行性害蟲的檢測等。傳統的視覺導航系統依賴於大量帶有精確標註的影像資料集，而獲取夜間場景下的高質量標註資料成本高昂且極為困難。針對這一瓶頸，研究人員提出了一種創新的無監督影像翻譯框架，該框架能夠將白天拍攝的植物行RGB影像自動轉換為近紅外（NIR）夜間影像，整個過程無需任何畫素級別的配對監督，從而使得白天場景下的語義標籤可以直接用於訓練夜間的感知模型。
該框架的核心創新在於引入了預訓練的對比語言-影像預訓練（CLIP）模型，利用其強大的語義理解能力確保晝夜轉換過程中的語義一致性，避免因光照變化導致的語義漂移。此外，考慮到近紅外照明在夜間實際場景中有效照射範圍有限的物理特性，研究人員專門設計了可見性掩碼模組，以模擬有限照明條件下的視覺資訊，從而提升生成影像的真實性和可用性。
為了驗證方法的有效性，研究團隊利用配備夜視功能的移動機器人在真實農田環境中採集了大量資料，構建了名為AgriNight的資料集，其中包括428張白天影像和549張夜間影像，所有影像均經過人工逐畫素語義標註。該資料集作為首個專門針對夜間農業視覺導航的基準測試集，為後續研究提供了重要的標準化評估平臺。實驗結果表明，所提出的方法在影像生成質量和下游語義分割任務效能上均顯著優於當前最先進的影像翻譯基線模型。此外，在實際物理機器人的夜間自主導航實驗中，該框架也展現出了良好的實用性和魯棒性。目前，相關資料和程式碼已在GitHub開源釋出。該研究工作已被國際頂級會議IROS2026接收，為農業機器人實現真正的全天候自主作業提供了關鍵的技術支撐，有望推動農業自動化和精準農業的進一步發展。