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.