ASETA -tidlig og målrettet behandling af ukrudt. Morten Bisgaard Post Doc Aalborg Universitet

Størrelse: px

Starte visningen fra side:

Download "ASETA -tidlig og målrettet behandling af ukrudt. Morten Bisgaard Post Doc Aalborg Universitet bisgaard@es.aau.dk"

Cecilie Overgaard
8 år siden
Visninger:

1 ASETA -tidlig og målrettet behandling af ukrudt Morten Bisgaard Post Doc Aalborg Universitet 1

2 Project: ASETA Adaptive Surveying and Early treatment of crops with a Team of Autonomous vehicles Kombiner flyvende og kørende robotter i bekæmpelse af ukrudt i sukker roer. Fokus: Tidlig behandling Samarbejdende systemer Effektiv kortlægning

og kørende robotter i bekæmpelse af ukrudt i sukker roer.

3 Project: ASETA Adaptive Surveying and Early treatment of crops with a Team of Autonomous vehicles Projektet løber over 4 år Bevilling: 2 mil. fra det Strategisk Forskningsråd Et samarbejde mellem Aalborg Universitet København Universitet (Life og Green Support Services) Nordic Beet Research.

fra det Strategisk Forskningsråd Et samarbejde mellem Aalborg

4 ASETA ide Lokal detektionog behandling af ukrudt -giver en signifikant reduktion af pesticider og brændstof -kun lille fokus på behandling Kortlægning og tidlig detektionfra luften -med små helikoptere -helikoptere = hurtigt Team af robotter i tæt samarbejde -både kørende og flyvende

Kortlægning og tidlig detektionfra luften -med små helikoptere

5 Ved projekt afslutning skal vi have En gruppe af robotter samarbejde omkring kortlægning og behandlingen af ukrudt i marker Semi-automatisk behandling af data og et interface til at overvåge processen Målrettet detektion og behandling gennem en kombination af fjern og nær sensing. En vellykket demonstration.

data og et interface til at overvåge processen Målrettet detektion og

6 Deltagerne Department of Electronic Systems at Aalborg University Helikoptere + billedbehandling Department of Agriculture and Ecology at University of Copenhagen Præcision landbrugetc. Nordic Beet Research Interaktion til markedet Green Support Services at University of Copenhagen Testområder og afgrøder

University of Copenhagen Præcision landbrugetc.

7 Eksempel scenarie (Sådan kunne det foregå) En roe mark i et tidligt stadie skal ukrudsbehandles. Landmanden kører udstyret i marken -en vogn med: 2 robot helikoptere 2 robot traktorer Trykker på start knappen og kører hjem/monitorere systemet.

Landmanden kører udstyret i marken -en vogn med: 2 robot

8 Eksempel scenarie Step 1: Tag billeder fra stor højde Analyser og identificer hot spots Analysen udføres konservativt

9 Eksempel scenarie Step 2: Nærstudere hot spots Automatisk klassificering af ukrudt

10 Eksempel scenarie Step 3: Behandle ukrudt med kørende robot

11 ASETA: Forskningsinddeling Interpretation (Fortolkning): Fortolkning af multi-skala billeder for at finde hot spots og identificer hvor der skal sættes ind. Tasks(Opgaver): Opgaver bliver genereret ved at nedbryde høj niveau beslutninger i små underopgaver Cooperation(Samarbejde): Samarbejde mellem robotter i at løse opgaven igennem planlægning, estimering og kontrol. Treatment(Behandling): Målrettet behandling af identificerede områder.

Tasks(Opgaver): Opgaver bliver genereret ved at nedbryde høj niveau beslutninger i små underopgaver

12 Behandling og fortolkning af billeder Overblik fra lav opløsnings billeder fra stor højde: Multi-spektralebilleder Lav opløsning kombineret med kendte kort giver hurtig beregning Detaljer ved interessante områder opnås hurtigt med helikopter Mål: Lavere beregningstid Højere identifikations sikkerhed Høj præcision med RTK og INS

hurtig beregning Detaljer ved interessante områder opnås hurtigt med helikopter

13 Opgave definering og allokering Billedbehandling resultere i generelle konklusioner: Undersøg det område nærmere Disse beslutninger nedbrydes i mindre opgaver som enkelte robotter kan byde ind på Når mange robotter skal samarbejde om den samme opgave er det ikke altid klart hvem der skal lave hvad. Mål: Effektivitets forbedring

opgaver som enkelte robotter kan byde ind på Når mange robotter skal samarbejde om

14 Samarbejdende robotter Scenariet fra tidligere kan udgøres simpelt Sekventielt -> ineffektivt Samarbejde og intelligens kan gøre processen mere effektiv Koncept: Hvordan gavner mine handlinger løsningen af den fælles opgave? Mål: Hurtigere og mere effektiv opgave udførsel

processen mere effektiv Koncept: Hvordan gavner mine handlinger

15 Plante behandling Ukrudtsbekæmpelse med enten sprøjtning eller mekanisk lugning En udfordring er lokal og robust identifikation af ukrudt Stereo vision 3D modellering Mål: Minimer brugen af pesticider og optimer hastigheden af ukrudtsbekæmpelsen

identifikation af ukrudt Stereo vision 3D modellering Mål:

16 Status Juni 2010: Første test flyvninger over marker April 2010: Første test kampagne: -Lige før såning -Enkelt helikopter -Visuel billede-tagning Juni 2010: Anden/tredje/fjerde kampagner: -Roer i 3 stadier -Enkelt helikopter -Multispektral kamera

helikopter -Visuel billede-tagning Juni 2010:

18 Trajectories from test flight in Taastrup, April 2011

20 Fremtiden August 2011: Første automatiske kortlægnings test i Tåstrup (enkelte robotter) Sommer 2012: Test i Tåstrup af (simpel samarbejde samt man-in-the-loop) Juni 2013: Endelig demonstration i Tåstrup

21 Projektleder: Anders la Cour-Harbo

Relaterede dokumenter

Kan droner bruges i økologisk planteavl? Jesper Rasmussen (jer@plen.ku.dk) Institut for Plante og Miljøvidenskab, KU

Kan droner bruges i økologisk planteavl? Jesper Rasmussen (jer@plen.ku.dk) Institut for Plante og Miljøvidenskab, KU Økologisk inspirationsdag 2015, Gefion, 10. november 2015 Succeskriterier Nemt og billigt