Nye dyplæringsmetoder en viktig brikke på veien mot selvgående landbruksroboter

Marianne Bakken har utviklet læringsbaserte metoder for at landbruksroboter automatisk skal kunne følge radene i åkeren. Metoden for selvstyring har hun basert på dyplæring – en metode der datamaskiner lærer noe de ikke kan fra før. Ved dyplæring må datamaskinen gjennomgå mange eksempler på det den skal forstå – i dette tilfellet hvordan den kan skille jordbærplanter fra åkerrader. Arbeidet hennes er en viktig brikke for å kunne bruke selvgående roboter i åpen åker, tilpasset sesongvariasjoner i vær, åkerbunnen og plantenes utseende.

Systemet er testet på landbruksroboten Thorvald, der roboten styres ved hjelp av kamerasystemer med kunstig intelligens og en datamaskin. Omfattende tester i en jordbæråker viser at metoden vil kunne brukes til å kjøre autonomt kun ved hjelp av et vanlig kamera. 

Utvikler bedre dyplæringsmetoder for mer effektiv datainnsamling
Algoritmer basert på dyplæring har en imponerende evne til å analysere innholdet i bilder, som var umulig for bare noen få år siden. Utfordringen er at det krever enormt mye data å trene opp algoritmene til å brukes på nye områder, og det er vanskelig å forstå beslutningene roboten tar. Hvis slike metoder skal brukes innen landbruksrobotikk, må man kunne tilpasse metodene til skiftende sesonger og miljøer, og kunne bekrefte at roboten lærer seg en fornuftig måte å jobbe på. 

Målet med Bakkens arbeid var derfor å utvikle bedre dyplæringsmetoder for styring av landbruksroboter, spesielt med tanke på å gjøre datainnsamlingen mer effektiv og gjøre det lettere å forstå beslutningene som roboten tar. 

Landbruksroboten Thorvald er i bruk allerede, men teknologien brukes ikke så mye i åpne åkre i dag. Foreløpig brukes Thorvald mest i polytuneller eller drivhus – hvor tydelige strukturer gjør det lettere for roboten å se hvor den skal kjøre. For at roboten automatisk skal kunne følge radene i en åpen åker, har Marianne Bakken utviklet læringsbaserte metoder som er mer tilpasningsdyktige og lettere å forstå enn de eksisterende metodene.

– En jordbæråker ser veldig ulik ut på ulike årstider, så det har krevd utrolig mange tester av systemet i åkeren for at roboten skal kjenne seg igjen og finne igjen åkerradene året gjennom, forklarer Marianne Bakken.

På våren og forsommeren kan spirer gjøre at både planter og åkerrader er helt grønne, men på høsten er de røde og brune. På senhøsten dekkes plantene med høy for å beskytte dem mot vinterkulda – og er enda et uttrykk roboten skal kunne gjenkjenne.

Hun har derfor jobbet med å utvikle algoritmer som man enkelt kan trene opp når bildene fra kamereaet endrer seg. Slik skal roboten selv kunne trene seg opp til å kjenne igjen jordbærplantene gjennom årstidene, slik at den til enhver tid skjønner at den ikke skal kjøre på jordbærene.

Et steg nærmere billige og generelle landbruksroboter
Bakkens arbeid har bidratt til nye metoder og innsikt som gjør dyplæring mer egnet for styring av roboter. Dette bringer oss et steg nærmere billige og generelle landbruksroboter, som vil være et viktig verktøy for bønder både i Norge og ellers i verden for å oppnå en effektiv matproduksjon og bli mindre avhengig av sesongarbeidere. 

 

Doktorgraden er i samarbeid med SINTEF Digital  

Relatert innhold
1 Oct - Marianne Bakken (REALTEK)

1 Oct - Marianne Bakken (REALTEK)

PhD degree – Trial Lecture and Public Defence
Marianne Bakken, Faculty of Science and Technology (REALTEK) will defend her PhD thesis "Explainable and Data-efficient Learning for Visual Guidance of Autonomous Agri-robots"

Published 22. september 2021 - 14:42 - Updated 28. september 2021 - 15:45