[AI書庫] 4.2 遙控採伐機、自主集材機與林業機器人
人工智慧與數位創新引領的未來林業與農林複合經營
4.2 遙控採伐機、自主集材機與林業機器人
金京鎮律師
| 上一節 | 4.1 自動擷取林道與集材道，以及配合地形的採伐規劃 |
| 目錄 | 返回完整目錄 |
| 下一節 | 4.3 以電腦視覺與穿戴式感測器為基礎的工人安全監控 |
操作員坐在辦公椅上，腳下是地毯，桌上放著冷掉的咖啡，窗外是停車場，面前排列六個螢幕，手裡握著像電玩控制器的搖桿。幾年前，這個人還會坐在陡坡上不斷震動的駕駛艙裡，在引擎噪音中伐木。現在，只要輕推搖桿，數百公尺外的機械手臂便會夾住一棵樹。一個螢幕顯示夾爪在樹幹基部的角度，另一個顯示機械傾斜度，還有一個播放影像，確認周圍是否有人員與設備。過去從駕駛艙看不到的角度，如今可在辦公室裡同時看見，剩下的只有手指細微移動。
這已不再是科幻小說。2025年秋季，一輛新造的Komatsu集材機抵達瑞典烏普薩拉附近Jälla的Troëdsson Forestry Teleoperation Lab，並配備遙控作業功能。研究人員與于默奧大學合作，擷取資料供人工智慧模型使用，訓練機器人自行做出判斷。他們的目標，是建立人不受傷、樹木也不受傷，而且作業能維持永續的林業。
韓國也展開類似工作。2025年8月，國立山林科學院宣布進行智慧林業作業機器人的行駛測試。這部機器人結合GNSS與INS，並直接在機身內運行由相機影像訓練的人工智慧。它能辨識林道、找出道路中心線，並沿線行駛。由於運算在機身內完成，即使通訊訊號微弱或完全中斷也不會停下。這種方式適合連手機訊號都不可靠的韓國深山森林。
讓機器先進入危險地點的原因很清楚：鏈鋸伐木和木材搬運，同時面臨陡坡、落石、機械翻覆和肌肉骨骼負荷。有些實驗利用影像和慣性感測器，以高準確率分類工作姿勢或作業階段，但這些數值來自小型測試集或受限的活動類別，並不能證明所有森林姿勢和疲勞狀態都能同樣準確地辨識。在慶尚北道奉化郡，韓國山林廳所屬榮州國有林管理所將從2026年8月起，營運專用基地，存放和維修採伐機、集材機、碎木機等高效能設備。購買、操作和維修機器人的基礎設施，正與機器人本身同步發展。
45度坡面上的機械
絞盤輔助設備以堅固纜索提供持續拉力。纜索一端固定在上坡處的粗壯樹木或專用錨定機械，另一端連接下方採伐機。當車輪或履帶原本會打滑時，纜索能使機械貼住地面，在30度到超過45度的坡面作業。這種設備出現前，人們必須扛著鏈鋸走過這些坡面。沒有纜索的機械若被放在陡坡上，可能空轉、撕裂土壤，甚至翻覆。
日本林業機械化協會的示範，依坡度清楚區分作業方式。在中等坡度，遙控採伐機負責伐木，自主集材機負責搬運，過去需要五六個人的工作，現在兩人即可完成。在坡度更陡的地方，遙控絞盤輔助採伐機取代人力攜帶鏈鋸作業，再用纜索夾爪或塔式集材機把木材運出。人留在螢幕前，機械爬上危險坡面。2025年發表的歐洲研究，以GIS決策支援模型提供佐證，模型結合坡度、侵蝕風險和保留木保護。某個區域的地面可能足以使用絞盤輔助，另一個區域則可能需要不留下輪轍的架空集材。答案由地圖數值選出，而不是憑直覺。
樹木阻斷衛星訊號的地方
進入森林深處，天空便消失了。濃密樹冠可能切斷GNSS訊號，或讓反射訊號混合成錯誤位置。遙控或自主機械無法依賴人的視覺和感覺，因此需要SLAM，利用地面感測器同時建立位置和周遭地圖。2025年，Yao等人調整Hector SLAM，使其適用於在密林中移動的林業機械。他們過濾從葉片與細枝反射的光達點，融合IMU測量值，修正崎嶇地面造成的掃描變形，並透過配對光達點估算移動，而不是依賴可能打滑的車輪轉動。
與基準Hector SLAM相比，誤差下降47.65％。平均製圖誤差為4.78公分，最大誤差低於8.7公分。停止時的平均定位誤差為9.9公分。在三種速度設定下，水平誤差保持在7.9公分內，航向誤差低於36.5度。在狹窄林道上，幾公分就可能決定車輪是否離開道路，或損傷保留木的根。國立山林科學院的道路測試與Yao的森林內部測試，目標並不相同，但兩者共同顯示，在GNSS失效的森林中實現自主移動，是一項國際性問題。
四足機器人與載重機器人
森林地面高度不規則，巨石、腐朽倒木、及膝灌木和坑洞，都會妨礙輪式與履帶式機械。歐盟DigiMedFor計畫以Boston Dynamics四足機器人Spot處理這個問題。Spot搭載三維光達、高解析度相機、小型電腦、光學濾鏡、GPS和傾斜感測器。它越過碎石、灌木和坡面，收集點雲與影像，更新包含單木資訊的數位孿生。輪子會空轉停下的地方，它能逐腿調整。
瑞典的研究則以科技、組織、環境（TOE）架構檢視自主集材機。森林不同於工廠地板或都市道路，天氣、土壤水分和樹木形態不斷變化。因此研究人員提出人機協作，而不是完全自主：由經驗豐富的駕駛判斷整體計畫，機器人則處理有限度的導航、避障，以及與保留木保持距離。這不只改變機械，也改變工作。操作員移到遠端控制站，維修人員則需要接受自主設備訓練。
為了在測試緊急煞車和感知功能時避免損壞機械與森林，拉普蘭應用科學大學和瑞典RISE建立了一片虛擬森林。他們的Vindeln數位孿生使用無人機影像和高解析度雷射掃描等現地資料。在其中改變視角、太陽角度和樹木位置，可以產生SimForest，也就是合成RGB-D實例分割資料集。工人突然進入機械路徑、濃霧等情境，可以重複數百次，在沒有真實危險的情況下測試。
尚未成熟的自動化
步行機器人能在糾結地面穩定移動，精確掃描林下環境，但只能承載數十公斤，無法伐木或搬運木材。自主集材機與遙控採伐機能處理數公噸原木，卻可能在崎嶇密林中陷住或壓實土壤。沒有任何單一機體適合所有森林，必須依地形部署不同機體。虛擬森林的結果與真實森林之間也存在落差。霧、雨、鏡頭灰塵、搖動枝葉和逆光都會降低相機與光達的判斷能力，效能損失大小取決於感測器、天氣和測試資料。使用合成資料訓練的模型，需要另外在真實森林評估。
Spot這類電動步行機器人在戶外可能一兩個小時就耗盡電池，不適合長時間偏遠任務。SLAM長距離穿越密林時，可能失去迴環閉合，定位誤差持續累積，直到螢幕顯示機械仍在道路上，實際卻已偏入樹間。高額初期成本對小型森林所有者十分困難，故障責任也尚未釐清。機器未辨識到人而發生事故後，製造商、林業公司和遠端搖桿操作員都可能牽涉其中。Chen等人（2025）提出的分散式多機器人控制，或許能連結檢查道路的無人機、勘查地形的步行機器人和運輸木材的集材機，但要部署於林業，必須共同驗證間歇性通訊、現場運算、避碰和緊急停止。StanForD支援紀錄交換，不等於保障機器人安全。停止時間必須根據速度、煞車距離、感測範圍和工人隔離距離設定。法律安全連鎖裝置和國際資料標準等制度工作，可能比重新設計機器人本身更耗時。
資料來源與參考文獻
1. Bergqvist, M., Nylén, D., Lindberg, A., & Åkesson, M. (2026). Digital innovation in data-poor and unstructured environments: Envisioning autonomous systems in forestry. Proceedings of the 59th Hawaii International Conference on System Sciences (HICSS), 5881-5890. https://umu.diva-portal.org/smash/get/diva2:2044606/FULLTEXT01
2. Borz, S. A., Kaakkurivaara, T., Forkuo, G. O., & Kaakkurivaara, N. (2026). Activity recognition in motor-manual cross-cutting operations by machine learning on multimodal data. Forest Science and Technology, 22, 26-35. https://doi.org/10.1080/21580103.2025.2543281
3. Chen, J., Chen, M., Wang, J., Mao, Q., Xie, F., & Dames, P. (2025). Distributed multi-robot active gathering for non-uniform agriculture and forestry information. Frontiers in Plant Science, 16, Article 1699124. https://doi.org/10.3389/fpls.2025.1699124
4. DigiMedFor Project Consortium. (2025). Webinar #3: Enhancing forestry inventory, quadruped robot (Spot) field performance and demonstration [video]. YouTube. " target="_blank" rel="noopener" style="color:#046BD2;"> (accessed August 2, 2026)
5. Eberhard, B., Trailović, Z., Magagnotti, N., & Spinelli, R. (2025). A GIS-based decision support model (DSM) for harvesting system selection on steep terrain: Integrating operational and silvicultural criteria. Preprints, 2025011137. https://doi.org/10.20944/preprints202501.1137.v1
6. Forest Machine Magazine. (2025, December 9). The next step in the automation of forestry machines. https://forestmachinemagazine.com/the-next-step-in-the-automation-of-forestry-machines/ (accessed August 2, 2026)
7. Forkuo, G. O., Picchio, R., Proto, A. R., & Borz, S. A. (2026). Applications of artificial intelligence in forest operations engineering research: A systematic review. Current Forestry Reports, 12, Article 14. https://doi.org/10.1007/s40725-026-00275-x
8. Forkuo, G. O., Bilici, E., & Borz, S. A. (2026). Automated OWAS in forestry using deep learning for posture classification. International Journal of Industrial Ergonomics, 113, 103930. https://doi.org/10.1016/j.ergon.2026.103930
9. Forestry and Forest Products Research Institute. (2025). 2025 FFPRI public lecture: Forests in 2050 and their role in a depopulating society [video]. YouTube. " target="_blank" rel="noopener" style="color:#046BD2;"> (accessed August 2, 2026)
10. Japan Forest Machinery Association. (2026). Part 3, FY2025 smart forestry machinery and new wood-based materials symposium [video]. YouTube. " target="_blank" rel="noopener" style="color:#046BD2;"> (accessed August 2, 2026)
11. Avula, R. R., Narkilahti, A., & Unga, J. (2026). From digital twin to AI-based perception system validation. In A. Saloniemi (Ed.), Digital Solutions for Forestry (Pohjoisen tekijät - Lapland University of Applied Sciences Publications, 7/2026). Lapland University of Applied Sciences. https://urn.fi/urn:isbn:978-952-316-582-3
12. Yao, L., Wen, J., Bian, C., Chen, Y., Xu, L., & Yao, L. (2025). Localization and mapping method for forestry mobile platforms based on enhanced Hector SLAM. Journal of King Saud University - Computer and Information Sciences, 37, Article 229. https://doi.org/10.1007/s44443-025-00221-0
13. Robot Newspaper. (2025, August 6). National Institute of Forest Science develops an intelligent forestry-work robot based on onboard AI. https://www.irobotnews.com/news/articleView.html?idxno=41635 (accessed August 2, 2026)
14. Eze Insurance News. (2026, July 31). Carrying the future of forests: high-performance forestry-machine depot begins full operation. https://dazabi.com/insurance_magazine/article.php?id=40560 (accessed August 2, 2026)