Proiectul și lucrarea care fac subiectul acestui articol se axează pe dezvoltarea unei platforme robotizate capabile să desfășoare activități agricole, cum ar fi recoltarea, prin valorificarea descoperirilor tehnologice din ultimii ani. Platforma este una mobilă, dotată cu un braț robotic și cu o cameră de adâncime, conectată la un procesor integrat. Astfel, pentru detectarea și localizarea recoltei sunt comparate rezultatele mai multor algoritmi specifici vederii informatizate, pentru robot fiind propus un sistem de percepție vizuală, care include o variantă îmbunătățită de rețea neuronală pentru detectarea obiectelor. Integrarea completă a sistemului amintit are ca rezultat prototipul unui robot de recoltare autonomă. Pentru comanda acestuia este utilizat sistemul de operare robot (ROS), iar pentru asigurarea autonomiei se folosesc algoritmi integrați caracteristici inteligenței artificiale.
Datorită sporirii continue a populației, cererea de produse alimentare la nivel mondial crește constant, ceea ce exercită o presiune din ce în ce mai mare asupra sistemelor de producție alimentară și asupra agriculturii. Conform previziunilor Organizației Națiunilor Unite, în ultimii 50 de ani, populația globului a crescut de la 3,85 miliarde de locuitori la 8 miliarde, iar în următorii 50 de ani va ajunge la 10,5 miliarde. În consecință, trebuie dublată actuala capacitate de producție alimentară, în condițiile în care posibilitățile de producere a hranei la nivel planetar sunt limitate. Aproximativ 38 % din suprafața terestră este deja dominată de terenurile arabile, însă luând în calcul pădurile, deșerturile și ariile protejate, șansa de extindere a terenurilor agricole rămâne redusă. Această problemă este abordată în cadrul conceptelor de "agricultură 4.0" și de "agricultură de precizie", care oferă soluții pentru un sistem de producție alimentară mai durabil și mai eficient.
Deși este crucială pentru satisfacerea cererii de produse alimentare la nivel mondial, agricultura industrializată presupune costuri uriașe de mediu, cum ar fi pierderea biodiversității și eroziunea solului, rezistența la antibiotice și defrișările, ceea ce antrenează o serie de schimbări climatice. De asemenea, mecanizarea agriculturii a contribuit la șomajul din mediul rural. S-au dezvoltat ferme mai mari, iar cele mai mici, întreținute în mod tradițional de familii, aproape că au încetat să mai existe, fapt care a dus la intensificarea procesului de urbanizare. Producția a devenit din ce în ce mai mecanizată, necesitând mai puține brațe de muncă. Cu toate acestea, forța de muncă umană este în continuare extrem de necesară, însă astăzi tot mai puțini oameni sunt dispuși să își dedice viața agriculturii. În plus, multe dintre activitățile agricole moderne necesită doar muncă sezonieră, ceea ce le creează fermierilor mari dificultăți. De aceea, sunt necesare noi metode și abordări pentru rezolvarea problemelor legate de deficitul forței de muncă și de lanțul de aprovizionare cu alimente, protejând, în același timp, mediul înconjurător.
Vederea informatizată este o parte importantă a agriculturii moderne, deoarece multe aplicații depind de un sistem de percepție vizuală, esențial pentru roboții utilizați, de exemplu, în activitatea de recoltare, întrucât îi ajută să detecteze și să localizeze culturile într-un spațiu tridimensional. În 1968, C. Schertz și G.Brown au identificat una dintre cele mai mari probleme întâlnite până azi în vederea artificială aplicată în agricultură, și anume schimbarea condițiilor de iluminare. Mulți cercetători au încercat să creeze un sistem eficient de percepție vizuală pentru recoltarea robotizată a culturilor, dar fără a descoperi ceva până la apariția - în 2012 - a rețelelor neuronale în spirală (CNN) utilizate în vederea informatizată. Odată cu rețelele neuronale în spirală bazate pe regiuni (R-CNN), a apărut și prima detectare eficientă a obiectelor. Pe lângă R-CNN, au fost create și alte variante bazate pe CNN și utilizate în zilele noastre, cum ar fi rețelele You Only Look Once (YOLO) și cele de tipul Single Shot MultiBox Detector (SSD). Andrew Howard a propus în 2017 MobileNet, una dintre primele rețele neuronale optimizate pentru dispozitive mobile și integrate.
În 2020 a fost realizat un robot de recoltare a ardeiului gras, denumit Sweeper. La baza sistemului de percepție a robotului se află un algoritm special creat, incluzând iluminarea controlată prin metoda flash-no-flash și rețeaua neuronală SSD.
După localizarea fructelor și a legumelor de către un sistem de percepție, acestea trebuie recoltate. În robotică, o soluție răspândită este utilizarea unui braț robotizat dotat cu un dispozitiv de prindere pentru manevrarea obiectelor, același concept fiind aplicat și în cazul recoltării automate. Însă, oamenii au marele avantaj că, datorită simțului tactil, își pot adapta forța cu care culeg produsele agricole. În schimb, efectorii terminali au o capacitate limitată, nefiind atât de flexibili și neavând același simț tactil ca omul. Prin urmare, în funcție de caracteristicile culturii, au putut fi aplicate diferite metode de prindere, fiind utilizate dispozitive special concepute pentru recoltarea diverselor culturi. În activitățile horticole sunt utilizați atât roboții cu un singur braț, cât și cei cu două brațe, gradele de libertate (DOF) ale roboților reprezentând, de asemenea, un aspect esențial, deoarece determină flexibilitatea și libertatea de mișcare a manipulatorului. Manipulatoarele cu un singur braț au, de obicei, 5 sau 6 DOF pentru a putea efectua mișcări complexe în timpul prinderii. Pentru prinderea fructelor, noi am folosit un manipulator cu 6 DOF, denumit Cyton Gamma 1500, prevăzut cu un prehensor paralel la care am atașat un vas pentru colectarea fructelor.
În ultimele decenii, s-a creat un număr de platforme mobile, cele mai multe dintre acestea fiind concepute să execute o sarcină precisă, precum plantarea, tratarea sau recoltarea unei anumite culturi. În funcție de metoda de cultivare utilizată, acești roboți trebuie să lucreze în aer liber, pe suprafețe de mărimea unui tractor sau în sere mai mici. Dar bazele mobile mai mari nu pot funcționa în interiorul unei sere, iar roboții mai mici nu dau randament pe terenurile agricole mai extinse. Un robot mobil interesant, denumit Di wheel și destinat tratării plantelor, a fost prezentat în 2017, fiind conceput ca o platformă modulară pe două roți. Acesta necesită mai puțin spațiu, este ușor de transportat și poate fi pilotat de un telefon inteligent.
Pe lângă o platformă mobilă fiabilă, este esențial ca un robot agricol să aibă și un sistem precis de navigare, acesta asigurându-i autonomia. Astfel, în funcție de mediul de lucru, se utilizează mai multe variante. Pentru aplicațiile în aer liber, cea mai convenabilă soluție este utilizarea unui modul RTK-GNSS, împreună cu un semnal de corecție, precum ROMPOS, unul dintre cele mai precise din România. Sistemul de navigare ar fi trebuit inițializat de către un operator uman care să ghideze robotul pe terenul agricol. Robotul memorează punctele traseului la fiecare 10 centimetri și le folosește ulterior ca repere în timpul deplasării. Pe de altă parte, sistemele globale de navigație prin satelit (GNSS) nu pot fi valorificate de aplicațiile pentru spațiile închise, în cazul roboților existând alte abordări referitoare la deplasare, și anume respectarea unui traseu predefinit sau utilizarea unor algoritmi de localizare și de cartografiere simultană. În exemplul prezentat de Zhao în 2016, conductele de încălzire a serelor au fost utilizate ca puncte de referință, robotul urmând traseul țevilor.
Prototipul robotului de recoltare descris în această lucrare se bazează parțial pe experiența dobândită în realizarea modelului nostru anterior prezentat în 2021. Noul sistem este mai simplu, hardware-ul utilizat fiind mai limitat. Obiectivul principal l-a constituit crearea unei platforme care ar putea fi folosită ulterior la testarea unor noi metode și abordări pentru identificarea, localizarea și protecția culturilor, utilizând procesoare integrate ieftine. În consecință, din cauza limitărilor de ordin fizic, robotul nu poate fi folosit în mod eficient la operațiunile concrete de recoltare. O ilustrare a sistemului asamblat este prezentată în figura din pagina următoare.
[fig: waffle]. Robotul Waffle în etapa de testare
Hardware-ul robotului are patru componente modulare: un manipulator, o bază mobilă, o cameră RGB-D și un senzor LIDAR. Manipulatorul este un braț robotic OpenManipulator-X, creat de ROBOTIS, fixat perpendicular pe baza mobilă (platforma Turtlebot3 Waffle). Dispozitivul de prindere al brațului este unul de tip paralel. Camera RGB-D este Intel Realsense D435i, fiind montată pe manipulator după o configurație de tip eye-in-hand. Drept urmare, camera vede întotdeauna mediul înconjurător din perspectiva efectorului terminal.
Pentru a comanda mecanismele de acționare a robotului este utilizat un microcontroler OpenCR, de 32 de biți, conectat la o placă de bază Jetson Nano (procesor integrat creat de Nvidia). Mișcarea robotului este asigurată de două servomotoare DYNAMIXEL și de roți. Brațul robotic este compus din alte patru servomotoare DYMAMIXEL, acestea fiind alimentate de la o simplă baterie Li-Po conectată la robot. Toate dispozitivele electronice sunt plasate la baza robotului, ceea ce face mai simplă comunicarea între acestea. Ansamblul este integrat în sistemul de operare robot (ROS), care include un pachet software pentru sincronizarea și comunicarea dintre diferite module hardware.
Robotul mobil este instalat în întregime pe platforma Turtlebot3 Waffle, dotată cu două roți comandate și o a treia situată în spate, fapt ce conferă stabilitate sistemului. Robotul nu are un sistem propriu de ghidaj, funcționarea acestuia datorându-se diferenței de viteză a roților comandate. Din cauza limitărilor de ordin material ale robotului, sunt luate în considerare ca potențiale medii operaționale doar spațiile închise, cum ar fi serele. Roboții folosiți în agricultură utilizează adesea pentru deplasare semnalele recepționate prin sistemul global de navigație prin satelit (GNSS), însă în cazul unei sere, acestea nu sunt suficient de puternice și de precise. În plus, distanța redusă dintre rândurile de plante nu permite nici cea mai mică eroare, care, altfel, ar conduce la deteriorarea culturii. Loc de testare și exemplu de rânduri apropiate de plante, în figura de mai jos.
În locul semnalelor GNSS, pentru deplasarea în spații închise, poate fi utilizat algoritmul de localizare și de cartografiere simultană (SLAM). Robotul are o lățime de 306 milimetri, fiind astfel potrivit pentru distanțele mici dintre rândurile de plante din seră; în schimb, înălțimea acestuia, de doar 143 milimetri, reduce semnificativ posibilitățile de recoltare a culturilor.
[fig: greenhouse] Testarea in-situ a roboților în Ditrău, România
Pentru deplasarea robotului folosind tehnica SLAM trebuie să se cartografieze mai întâi mediul operațional. Senzorul LDS-01 2D LIDAR este montat pe baza robotului și funcționează împreună cu codificatoarele servomotoarelor, codificatoare cu ajutorul cărora se estimează viteza și orientarea robotului; informațiile obținute sunt corelate cu datele furnizate de LIDAR, realizându-se astfel o hartă 2D cu ajutorul algoritmului GMapping SLAM. În timpul cartografierii, robotul este acționat de la distanță și teleghidat în zonele de lucru. Harta rezultată este salvată și utilizată ulterior de robot, fiind actualizată în permanență, cu noi obiecte, pe parcursul funcționării acestuia în mediul operațional. După crearea hărții, poziția aproximativă a robotului ar trebui să fie specificată de un operator uman, pentru ca apoi robotul să se poată localiza în permanență singur - într-un spațiu închis - pe baza datelor odometrice obținute de la codificator. Coordonatele punctelor de trecere pot fi fixate pe hartă, astfel încât robotul să le urmărească ulterior și să le verifice în timpul planificării traiectoriei.
În a doua parte a acestui articol, voi prezenta sistemul de percepție, modul cum se realizează manevrarea și prinderea obiectelor, arhitectura și comanda robotului precum și cum se realizează recoltarea și rezultatele obținute.
de Ovidiu Mățan
de Ovidiu Mățan
