登录35斗
AI将成为重要推动者,在表型研究、种植管理、收获等领域尚存挑战 【机器人专题】
编者按:本文为UK-RAS农业机器人白皮书节选,UK-RAS是英国政府主导的一个专门研究机构,主要课题是机器人和自主系统,其定期报告在业内拥有较高的知名度。
人工智能技术,尤其是机器学习技术,预计将在大部分技术领域发挥重要作用,并将成为农业机器人的重要推动者。在机器人系统的整个生命周期中,农业环境都会发生变化。例如,可能有新的作物品种、杂草、害虫、疾病、治疗、立法、气候变化等。新的工具和机器人技术也会变化,用人工智能的术语来说,这意味着要面对一个开放的世界,所以要在操作过程中,而不是在设计阶段实现适应性的技术是至关重要的。
允许机器人从经验中学习的技术包括强化学习、从演示中学习、和转移学习,以利用先前的知识,例如从另一个领域或任务中。正在进行的研究正在研究深度学习方法,特别是在涉及传感器数据解释的感知相关任务中,包括自动除草和水果采摘中的识别和分割任务。
机器人还需要利用人类的知识,特别是面对预先设计时没有预测到的情况。最终用户、维护人员或领域专家可能会增加这些额外的数据输入。它也可以通过直接控制(即远程操作)、自然交互(如通过语言或手势)或通过标记的示例和数据集来提供。这些发展自然而然地将大数据在智能农业中的运用联系起来,同时利用卫星成像、无人机和地面机器人进行更本地化、更丰富的多模式数据收集,加上基于云存储的技术将创造丰富的信息,这些信息有可能被用于农业的智能规划和控制。一个重要的要求是数据的标准化,以简化机器人、领域、农场、国家和公司之间的交换。
RAS技术有可能彻底改变所有农业部门。它们的贡献值因农业类型而异,即作物、牲畜和水产养殖,从表型研究到初级生产活动过程中也各不相同。在这个范围内,机器人可以通过多种方式做出贡献,包括经济上的(例如更有效、更廉价地种植和收获)、生态上的(例如减少和消除化学物质的使用,同时有助于保持土壤健康)和伦理上的(例如通过监测和及时干预增强动物健康)。
与此同时,机器人技术可以实现牲畜和水产养殖或替代种植系统的自动化,如“垂直”(受保护环境)农业或在同一土地上结合农业和林业的农林复合系统。农业机器人的技术挑战领域往往分为两类:(1)育种/表型 (2)农业/初级生产。
关键领域-表型研究
鉴定和选择有益的非生物遗传学(如耐旱或耐盐碱)或者生物(例如真菌病毒或细菌疾病抗性)输入性状和互补输出性状(例如营养物到生物质的转化、保存期、风味或营养品质),通常在受控的实验室环境中进行。近年来,为了减少对人工干预的依赖,这些育种活动已经在一定程度上整合了机器人,但实施的成本和复杂性,以及当前系统存在问题的可靠性和技术准备情况,限制了它们的应用。
虽然实验室表型筛选可能对识别要杂交的有益育种系很重要,但它们只是决定作物在现实条件下如何茁壮成长的主要目标的一个代表。机器人技术激发了在真实农场条件下大规模直接田间表型的潜力。这种不受控制的“非实验室”系统对导致有益表型反应的特定性状的单一识别,提出了重大挑战。机器人能够对单个植物的环境进行重复而详细的评估,这为农业遗传学的发展带来了范式转变的可能性。
关键领域——作物管理
翻耕是最重要的初级耕作过程之一,涉及表层土的倒置或混合,以制备合适的苗床。现代农业在耕作中消耗了大量的能源:据估计,传统耕作中80%-90%的能源用于修复大型拖拉机造成的损坏。小型、智能的电动机器人提供了另一种解决方案,首先避免过度压实土壤,并使用车载工具进行微耕。使用精确的方法也可以更好地针对单个种子的局部环境。根据不同作物对空气、光照、养分和土壤湿度的要求,播种和绘图可以进一步自动化,以优化密度和播种模式。机器人技术还将在管理初级生产投入方面发挥重要作用,包括监测和干预,特别是土壤和水。
作物管理的主要工作之一是及时准确地收集信息。携带一系列传感器以评估作物健康状况的自动机器人,因此可以帮助收集具有成本效益的数据。可以利用空中和地面平台或两者的组合。将不同设备收集的数据、或从具有大范围时空分辨率的数据源获得的数据融合在一起,并自动解释数据,这带来了许多有趣的研究挑战。杂草绘图包括使用机器视觉记录不同杂草物种的位置和密度(生物量)。产生的杂草图可以进一步解释为处理图。
机器人除草是当前研究的一个活跃领域,研究在不损害作物的情况下杀死、清除或延缓有害植物的替代方法。行内除草比行间除草更困难,因为它需要作物的精确定位。杂草控制的替代方法包括视觉引导机械除草、选择性(微)喷洒除草和激光除草。灌溉是另一个领域,机器人可以在正确的时间将水定位在正确的地方。通过机器人感知系统进行的收获前评估和产量预测,将进一步帮助选择合适的收获时间
关键领域-收获
选择性收获只包括那些达到一定质量或数量阈值的作物部分。需要两个标准:在收获前检测所需质量因子的能力(田间分级)和在不损害剩余作物的情况下收获指定作物的能力。选择性收获对当前的机器人技术提出了几个挑战,其中最主要的挑战可能是如何在复杂的农业环境中,在有噪声和不完整的感官数据的情况下,进行自主的传感器运动协调。
这可能需要增强机器视觉来进行识别、分割、空间定位和跟踪,以及强大而精确的专业机器人技术。精度在传统上是通过刚性和易于建模的机器人力学来提供的。然而,机器人平台上增加的可用计算资源可以通过软件和传感来处理一些精度负担,同时允许机器人收割工具变得更加被动地顺从、安全和稳健。
另一个挑战是确定机器人系统应在多大程度上适应给定的作物和生长环境,以及生长环境应在多大程度上适应机器人系统,以实现更好的选择性收获。在这一领域有一些有趣的权衡,可能会因作物而异。一个相关的问题是如何确保昂贵的机器人硬件在一年中得到最大限度的利用,特别是对于软水果等季节性作物。可选性包括自适应技术的开发,该技术能够在共享公共设备功能的任务之间切换,如水果采摘和树木修剪。
最后,可能还会有更多的机会在其他野外作业的同时使用自动机器人,例如,帮助监控和保护农场设备免受盗窃和犯罪破坏,或者保护经常与农业共存的野生动物的敏感栖息地和物种。
图片来源:报告
报告链接:https://kdocs.cn/l/srFnyoCSs?f=111
注:文中如果涉及35斗记者采访的数据,均由受访者提供并确认。
声明:35斗所刊载内容之知识产权为35斗及相关权利人专属所有或持有。转载请联系gao.kp@vcbeat.net。
用户
反馈