本发明创新性地提出了一种数字孪生与深度强化学习深度融合的多智能体协同避碰采摘技术架构：通过构建高保真数字孪生模型建立虚实融合训练环境，以解决传统深度强化学习中样本采集困难、物理损耗大的痛点；在此基础上，设计了基于人工势场法的多智能体分布式近端策略优化算法（APF-MADPPO），创新性地构建了融合采摘点引导、障碍物避碰惩罚与多机协同避碰的多维度奖励函数机制，采用"集中式训练-分布式执行"框架使各智能体基于局部观测独立决策，实现了复杂果园环境下多台采摘机器人的实时路径规划、动态避碰与高效协同作业，显著提升了多机系统的避碰成功率与采摘效率。