自主農業機器人在精準農業中扮演著日益重要的角色，但其執行安全性仍是一大難題。傳統安全感測器如LiDAR無法探測植物冠層下方的障礙物，而基於攝像頭的監督學習方法雖然能識別常見物體，卻對訓練資料中未出現的新障礙物束手無策。無監督異常檢測透過學習環境的正常視覺模式來發現異常，但移動機器人拍攝的動態場景常常令其失效。
針對這些挑戰，研究人員提出了影片記憶變換器（VMTAD），一種完全無監督的即時障礙物檢測方法。VMTAD採用變換器架構，並配備專門的記憶模組，透過處理前幾幀的編碼表示來利用時間上下文資訊，從而有效應對機器人移動造成的動態環境變化。該模型僅使用正常執行的影像進行訓練，無需任何人工標註。
VMTAD在名為“Grillion”的農業機器人上進行了嚴格測試。在具有挑戰性的油菜資料集上，VMTAD達到了最先進的效能，障礙物檢測和分割的受試者工作特徵曲線下面積（AUC）分別達到0.973和0.997。其輕量級變體在保持高精度的同時，推理時間僅為14毫秒，滿足了即時安全響應的需求。研究團隊對機器人總制動距離的分析進一步驗證了該方法的實用價值。
這項研究發表於《精準農業》期刊（2026年第27卷第3期，第74頁），論文提交於2026年6月23日。VMTAD的開創性工作為無監督學習在農業機器人安全領域的應用開闢了新道路，有望顯著提升自主作業的可靠性，推動精準農業的進一步智慧化。