{"id":4762,"date":"2022-10-19T04:00:36","date_gmt":"2022-10-19T04:00:36","guid":{"rendered":"https:\/\/lamarr-institute.org\/blog\/autonome-roboter-landwirtschaft\/"},"modified":"2025-11-12T14:54:22","modified_gmt":"2025-11-12T14:54:22","slug":"autonome-roboter-landwirtschaft","status":"publish","type":"blog","link":"https:\/\/lamarr-institute.org\/de\/blog\/autonome-roboter-landwirtschaft\/","title":{"rendered":"Autonome Roboter f\u00fcr die Landwirtschaft 4.0"},"content":{"rendered":"\n

Nutzpflanzen sind eine wichtige Quelle f\u00fcr Lebensmittel und viele andere Produkte. In der konventionellen Landwirtschaft tragen Traktoren gro\u00dfe Mengen an Agrochemikalien gleichm\u00e4\u00dfig auf den Feldern zur Unkrautbek\u00e4mpfung und zum Pflanzenschutz aus. Autonome Agrarroboter, die auf dem Feld erkennen, Situation verstehen und selbst\u00e4ndig handeln k\u00f6nnen, haben das Potenzial, umweltfreundliche Unkrautbek\u00e4mpfung und Pflanzenschutz auf Pflanzenbasis zu bieten. Ein Wahrnehmungssystem, das Kulturpflanzen, Unkr\u00e4uter, Boden und andere relevante Objekte unter unterschiedlichen Umweltbedingungen zuverl\u00e4ssig unterscheidet, ist die Grundlage f\u00fcr pflanzenspezifische Eingriffe wie Spotanwendungen. Die Entwicklung neuer Ans\u00e4tze und Techniken, die Kombination neuer Technologien aus K\u00fcnstlicher Intelligenz (KI), Maschinellem Lernen (ML), Robotik und Ph\u00e4notypisierung hin zu einer nachhaltigen Pflanzenproduktion ist Teil des DFG-Exzellenzclusters \u201ePhenoRob<\/a>\u201c.<\/p>\n\n\n\n

Um Pflanzen, Parzellen und ganze Felder zu \u00fcberwachen und zu analysieren, verwenden heutige Roboter maschinelle Lerntechniken, die Computer Vision und tiefe neuronale Netze kombinieren, um die relevanten Informationen aus Kamerabildern zu extrahieren. In der Forschung werden oft sogenannte semantische Segmentierungsnetzwerke verwendet, die jedem Pixel in jedem Bild ein semantisches Label wie Crop<\/em> oder Weed<\/em> zuweisen. Zusammen mit Informationen \u00fcber den Standort des Roboters, beispielsweise kann aus GPS, die Umgebung auf Zentimeter- bis Millimeter-Ebene georeferenziert interpretiert werden. Basierend auf diesem detaillierten Wissen k\u00f6nnen Roboter gezielte Interventionsma\u00dfnahmen ergreifen, die vom Spot-Spr\u00fchen \u00fcber mechanische Behandlungen bis hin zur laserbasierten Zerst\u00f6rung einzelner Unkrautpflanzen reichen.<\/p>\n\n\n\n

Analyse und Verst\u00e4ndnis der Umwelt<\/span><\/h2>\n\n\n\n

Heutige semantische Segmentierungssysteme zeigen oft einen Leistungsabfall, wenn sie unter neuen Bedingungen angewendet werden. Dies ist ein allgemeines Problem beim \u00fcberwachten maschinellen Lernen, wenn es auf reale Probleme angewendet wird, bei denen sich die Umgebung auf nat\u00fcrliche Weise \u00e4ndert. Forschende aus den Fachbereichen ML, KI, Roboterlernen und verschiedenen anderen Clustern forschen aktiv, um diese L\u00fccke zwischen der Quelldom\u00e4ne, das hei\u00dft der Trainingsumgebung, und der Zieldom\u00e4ne zu schlie\u00dfen. Dieser Transfer von betreuten Lernsystemen wird oft als Dom\u00e4nentransfer oder Dom\u00e4nenanpassung bezeichnet.<\/p>\n\n\n\n

Dom\u00e4nenanpassung innerhalb der PhenoRob-Roboter<\/span><\/h2>\n\n\n\n

Innerhalb von PhenoRob entwickeln wir Ans\u00e4tze zur un\u00fcberwachten Dom\u00e4nenanpassung f\u00fcr Pflanzensegmentierungssysteme in der Landwirtschaft. Die M\u00f6glichkeit, eine solche Anpassung unbeaufsichtigt durchzuf\u00fchren, erm\u00f6glicht eine automatische Verallgemeinerung der erlernten neuronalen Netze nur auf Basis unbeschrifteter Daten. Unsere neuen Techniken zielen darauf ab, bestehende Segmentierungsnetzwerke zu verallgemeinern und an neue Feldumgebungen, unterschiedliche Wertpflanzen und andere landwirtschaftliche Roboter anzupassen. Das hei\u00dft, wir k\u00f6nnen ein System f\u00fcr Zuckerr\u00fcben auf andere Kulturpflanzen, zum Beispiel Sonnenblumen oder von einem Feldroboter auf ein kleines unbemanntes Luftfahrzeug, \u00fcbertragen.<\/p>\n\n\n\n

\n
\"-
\u00a9 PhenoRob\n<\/figcaption><\/figure>\n\n\n\n
\"-
\u00a9 PhenoRob\n<\/figcaption><\/figure>\n
Zwei Bilder von zwei Zuckerr\u00fcbenfeldern, eines in Bonn (links) und eines in Stuttgart (rechts). Beide sehen aufgrund der unterschiedlichen Feld- und Lichtverh\u00e4ltnisse sowie des Einsatzes unterschiedlicher Roboter unterschiedlich aus.<\/figcaption><\/figure>\n\n\n\n
\"-
\u00a9 PhenoRob
Das Bild ist das Ergebnis unseres Netzwerks, in dem das Bild aus Bonn \u00fcbersetzt wird, um wie ein in Stuttgart aufgenommenes Bild auszusehen.<\/figcaption><\/figure>\n\n\n\n

Forschende von PhenoRob haben gezeigt, dass ihre Systeme eine hohe Segmentierungsleistung in der Zieldom\u00e4ne liefern, indem sie Labels nur aus der Quelldom\u00e4ne verwenden – \u00fcber Standorte, Kulturen und Roboter hinweg. Die Techniken nutzen CycleGANs. GANs<\/a> sind generative gegnerische Netzwerke, die aus zwei neuronalen Netzen bestehen, die miteinander konkurrieren. Durch den Wettbewerb k\u00f6nnen beide Netzwerke im Laufe der Zeit immer besser werden und ihre F\u00e4higkeiten verbessern. Was das vorgeschlagene CycleGAN besonders effektiv macht, ist die Durchsetzung einer semantischen Konsistenz des Domain-Transfers, indem die Bilder pixelweise klassifiziert werden, wenn Transfere in beide Richtungen durchgef\u00fchrt werden, das bedeutet von der Quelle zum Ziel und zur\u00fcck zur Quelldom\u00e4ne. Diese Technik verbessert die \u00dcbertragung von semantischen Segmentierungssystemen unter Verwendung landwirtschaftlicher Felder auf neue Feldumgebungen, verschiedene Kulturen und verschiedene Sensoren oder Roboter erheblich. Dies wiederum wirkt sich auf die Benutzerfreundlichkeit von Landwirtschaftsrobotern aus und hat das Potenzial, solche Systeme der Praxis n\u00e4her zu bringen, so dass die gleichen Roboter in verschiedenen Umgebungen und Kulturen auf robuste Weise eingesetzt werden k\u00f6nnen.<\/p>\n\n\n\n

Der Excelenzcluster stellte sich bereits im letzten Beitrag vor, schauen Sie doch einmal vorbei: Drohnen und Roboter f\u00fcr eine nachhaltige Landwirtschaft der Zukunft<\/a><\/em><\/p>\n","protected":false},"excerpt":{"rendered":"

Die Landwirtschaft ist zur Sicherung unserer Lebensgrundlage unerl\u00e4sslich. Doch wegen des Klimawandels muss sie sich weiterentwickeln: Eine L\u00f6sung zur Unterst\u00fctzung einer nachhaltigen Landwirtschaft 4.0 k\u00f6nnen autonome Roboter sein, die Felder \u00fcberwachen.<\/p>\n","protected":false},"author":9,"featured_media":3729,"template":"","meta":{"_acf_changed":false,"footnotes":""},"blog-category":[1416,396],"blog-tag":[1512,1525,1557,1561,1589],"class_list":["post-4762","blog","type-blog","status-publish","has-post-thumbnail","hentry","blog-category-alle-blogbeitraege","blog-category-forschung","blog-tag-gans-de","blog-tag-ki-in-der-landwirtschaft","blog-tag-nachhaltige-ki","blog-tag-phaenotypisierung","blog-tag-robotik"],"acf":[],"publishpress_future_workflow_manual_trigger":{"enabledWorkflows":[]},"_links":{"self":[{"href":"https:\/\/lamarr-institute.org\/de\/wp-json\/wp\/v2\/blog\/4762","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/lamarr-institute.org\/de\/wp-json\/wp\/v2\/blog"}],"about":[{"href":"https:\/\/lamarr-institute.org\/de\/wp-json\/wp\/v2\/types\/blog"}],"author":[{"embeddable":true,"href":"https:\/\/lamarr-institute.org\/de\/wp-json\/wp\/v2\/users\/9"}],"version-history":[{"count":0,"href":"https:\/\/lamarr-institute.org\/de\/wp-json\/wp\/v2\/blog\/4762\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/lamarr-institute.org\/de\/wp-json\/wp\/v2\/media\/3729"}],"wp:attachment":[{"href":"https:\/\/lamarr-institute.org\/de\/wp-json\/wp\/v2\/media?parent=4762"}],"wp:term":[{"taxonomy":"blog-category","embeddable":true,"href":"https:\/\/lamarr-institute.org\/de\/wp-json\/wp\/v2\/blog-category?post=4762"},{"taxonomy":"blog-tag","embeddable":true,"href":"https:\/\/lamarr-institute.org\/de\/wp-json\/wp\/v2\/blog-tag?post=4762"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}