Tilbake til søkeresultatene

IKTPLUSS-IKT og digital innovasjon

ROBOFARMER - Safe and reliable sensing, learning and control of an autonomous multi-arm agri-robot platform

Alternativ tittel: ROBOFARMER - sensorikk, dyplæring og kontroll av en autonom multi-arm landbruksrobot

Tildelt: kr 12,0 mill.

For at autonome roboter skal kunne fungere robust i den virkelige verden er det ikke nok med kunstig intelligens; de trenger også pålitelige sensorer for å se i skiftende omgivelser, og robust styring av en fysisk robot plattform. For å oppnå slik fysisk intelligens, trengs det ny forskning innen både sensordesign, maskinlæring og robotstyring. Landbruksrobotikk er en spesielt krevende anvendelse, med store variasjoner over sesonger, ulike typer planter og vekstmiljø. En stor utfordring i dagens landbruk er arbeidsintensive operasjoner som må gjøres manuelt av sesongarbeidere, f.eks. tynning, luking og plukking. Disse oppgavene er veldig krevende å automatisere, og er ikke mulig å utføre med dagens robot- og sensorteknologi . Målet med dette prosjektet er å utvikle ny kunnskap og metoder som muliggjør robotisering av slike oppgaver i landbruket. Dette krever både nye 3D sensorer tilpasset krevende utendørs miljø, mer forklarbare og pålitelige metoder for dyplæring på 3D data, et nytt multi-arm robotsystem og nye metoder for å garantere sikkerheten og påliteligheten for den autonome plattformen. Prosjektet vil fokusere spesielt på hvordan man kan håndtere usikkerheten fra sensorer, lærings-baserte algoritmer og kontroll på en helhetlig måte. Metodene utviklet i prosjektet vil bli utviklet og testet på ekte planter og omgivelser fra helt tidlig i prosjektet, og vil også være relevante for andre anvendelser av robotikk og autonomi i varierende og krevende miljø.

To push the boundaries of human-like physical intelligence in robots by developing methods for safe and reliable sensing, learning and control of an autonomous multi-arm agri-robot platform – a step towards human-like physical intelligence. This project will move the research front within field robotics by developing new methods and knowledge in the cross section between 3D sensing, deep learning, control and safety assurance, which will enable robust and efficient interaction with agricultural crops. By working on real use-cases and data from the start, we ensure relevance for the industry and end-users, and are forced to focus on real-world challenges using sensor data and incorporating reliability measures. The project will do this through developing for new knowledge within the whole cycle from sensing to interaction; 1) Accurate 3D sensing in highly varying outdoor settings for moving platforms. 2) Learning-based 3D analysis for robotic interaction 3) Design and control of a compact multi-arm robotic system on a moving platform, and 4) Safety and reliability of the autonomous operation. In particular there is a need for new knowledge on how to combine uncertainty of sensors, learning-based components and control, to ensure the overall reliability of the system as a whole in an unstructured and changing environment. We will use an iterative approach with theoretical studies, simulations and proof-of-concept demonstrations and evaluations, and work on real crops and use-cases from the start to ensure relevant data collection and test-cases. Using agri-robot interaction as a proofing ground to develop methods that can be transferred to other applications and domains.

Budsjettformål:

IKTPLUSS-IKT og digital innovasjon