Maschinelle Beurteilung agronomischer Arbeitsqualität als Grundlage für die Verhaltensgenerierung automatisierter Landmaschinen

Hochautomatisierte Landmaschinen sind keine Fiktion mehr und werden in den nächsten Jahren marktreif verfügbar sein. Solche Landmaschinen sind im Betrieb nicht mehr auf den Menschen angewiesen und werden eigenständig Entscheidungen treffen und umsetzen. Betrachtet man das Aufgabenspektrum einer maschinenführenden Person bei der Ausführung der Feldarbeit, so lässt sich die Gesamtaufgabe in die Teilaufgaben „Fahren“ und „Steuern und Überwachen des Arbeitsprozesses“ unterteilen. In der vorliegenden Arbeit wird exemplarisch am ausgewählten Verfahren Grubbern ein Ansatz für die Automatisierung der angesprochenen Teilaufgabe „Steuern und Überwachen des Arbeitsprozesses“ erarbeitet. Durch Feldtests wird dessen Relevanz nachgewiesen. Der zentrale Punkt der Automatisierung der angesprochenen Teilaufgabe ist die agronomische Arbeitsqualität. Diese wird für das ausgewählte Verfahren zuerst systematisch untersucht. Auf dieser Grundlage wird eine für die vorliegende Arbeit gültige Definition des Begriffs „Arbeitsqualität“ vorgenommen. Hierbei handelt es sich um einen vom Menschen zu definierenden Bodenbedeckungsgrad von Ernteresten oder sonstiger Biomasse auf dem Feld. Ausgehend von einer systematischen Analyse der Aufgaben der maschinenführenden Person bei der Feldarbeit wird ein Modell zur Beschreibung der Gesamtarbeitsaufgabe erarbeitet. Darauf basierend wird ein technisches Grundgerüst für die Automatisierung der Teilaufgabe „Steuern und Überwachen des Arbeitsprozesses“ erarbeitet. Das technische Grundgerüst lässt sich weitergehend in eine zu erarbeitende Sensorik und ein zu erarbeitendes Regelungskonzept unterteilen. Für die zu erarbeitende Sensorik zur Messung des Bedeckungsgrades wird ein bildgebendes Verfahren mit einer monokularen Kamera ausgewählt. Hierbei werden Methoden des maschinellen Sehens und des maschinellen Lernens untersucht und miteinander verglichen. Ein Deep Learning Ansatz erweist sich in Tests als der geeignetste Ansatz. Zusätzlich wird noch ein einfaches Klassifizierungsverfahren zur Erkennung signifikanter Luftstaubkonzentrationen im Bild entwickelt, basierend auf Deep Learning. Im regelungstechnischen Teil wird das erarbeitete technische Grundgerüst weiter verfeinert und ein kaskadiertes Regelungskonstrukt entwickelt. Hierbei wird auf der Grundlage von Feldversuchen zur Charakterisierung der Regelstrecke ein Split-Range-Ansatz erarbeitet. Der Ansatz wird auf Stabilität untersucht und implementiert. Da zur Umsetzung des erarbeiteten technischen Grundgerüsts mehr Funktionen notwendig sind als nur der reine Regelkreis, beispielsweise für den Umgang mit signifikanten Konzentrationen von Luftstaub, wird ein gesamtheitliches Konzept zur „Verhaltensgenerierung“ entwickelt. Die entwickelten Deep Learning Modelle und das Konzept zur Verhaltensgenerierung werden abschließend in umfangreichen Feldversuchen auf verschiedenen Feldern mit unterschiedlichen Pflanzenarten erfolgreich getestet und verifiziert.