Research database

Der Pflanzenbau erfordert Wissen in Verbindung mit intelligenten Verfahren. Die Zusammenführung räumlich und zeitlich hochaufgelöster Daten (insbesondere basierend auf bildgebenden Sensorsystemen) und deren Interpretation sind wesentliche Innovationstreiber für die Realisierung nachhaltigerer Prozesse. Die Potenziale gehen dabei über ökonomische Zielgrößen oder Steigerung der Automatisierungsgrade vor dem Hintergrund des Fachkräftemangels hinaus: Sie sind wesentliche Werkzeuge für ökologische Verbesserungen. Beispiele hierfür sind die Einsparung von Ressourcen (z. B. Pflanzenschutzmittel), selektive Prozesse (Ernte, Einzelpflanzenbehandlung), die Integration von Blühregionen in Pflanzenbestände oder Mischkulturen.

Bereits heute ist das Potenzial hochautomatisierter Maschinen mit einer Vielzahl von sensorbasierten Assistenzsystemen zur Verbesserung von Leistungsfähigkeit, Effizienz und der Reduktion von Umweltbelastungen erkennbar. Darüber hinaus kann der Mensch – in seiner Rolle als Maschinenbediener – zunehmend den Arbeitsprozess optimieren. Erfahrungen aus dem Automobilbereich können in Teilbereichen hilfreich sein, jedoch beschränken sich die, in diesem Zusammenhang definierten Autonomie-Level auf die Navigation, während die erhebliche Komplexität der landwirtschaftlichen Arbeitsprozesse auf dem Feld nicht berücksichtigt ist.

Neben der Systemintegration in die landwirtschaftliche Praxis stellt die fehlende Verfügbarkeit robuster Sensorsysteme ein maßgebliches Hindernis zur Markteinführung nachhaltiger autonomer Systeme im Pflanzenbau dar. Angesichts der Vielzahl variabler (Stör)-Größen auf dem Feld (Wachstumsstadien, Bodeneigenschaften, Unkräuter/Beikräuter, Staub, Sonnenlicht, Feuchtigkeit, Vibrationen, Temperatur, Maschineneinfluss oder Hindernisse) sind die Herausforderungen an die Sensoren erheblich. Daher stellen robuste Algorithmen zur Interpretation der Sensordaten im Sinne von Handlungsanweisungen einen wesentlichen Flaschenhals bei der Zulassung autonomer Systeme im Pflanzenbau dar. Gerade die große Variabilität der Randbedingungen bietet jedoch vielversprechende Chancen für Methoden der Künstlichen Intelligenz (KI).

In dem Projekt soll daher die KI zwischen – möglichst reproduzierbaren – Sensorrohdaten und der Umsetzung in Handlungsanweisungen mit unterschiedlichen Landmaschinen stehen. Zur Generierung einer – relativ zu landwirtschaftlichen Verfahren – hohen Reproduzierbarkeit (und Vergleichbarkeit) der Sensoren wird ein Outdoor-Versuchsfeld mit Schienensystemen und Datenkommunikation aufgebaut. Die Rohdaten unter variablen Feld-, Wetter- und Pflanzenbedingungen stehen damit zusammen mit Metadaten zur Anwendung und Evaluation von KI-Methoden zur Verfügung. Wesentlich ist dabei die Maschinenunabhängigkeit der Dateninterpretation, die der Methodik ein erhebliches Transfer- und Praxispotenzial ermöglicht. Erfolgversprechende Sensor-Algorithmus-Kombinationen werden dann gezielt auf verschiedenen Maschinen der Landtechnik-Projektpartner (Pflanzenbau, Grünland) und einem autonomen System exemplarisch hinsichtlich des zusätzlichen Einflusses maschinenspezifischer Störgrößen evaluiert.