Demonstratoren

Demonstratoren

Demonstrator 1: Bedarfsmengen- und punktgenaues Düngen und Applizieren von Pflanzenschutzmaßnahmen und flächenspezifische Plausibilisierung der Bodenfeuchte mit Hilfe von KI auf Acker- und Grünland

Im Rahmen des Projektes NaLamKI sollen innovative KI-Anwendungen entwickelt und auf den Flächen des Hofguts Neumühle praxisgerecht erprobt werden. Hier wird die echtzeitfähige Auswertung von Sensordaten unterschiedlichster Quellen mittels KI möglich, die dann wiederum in Echtzeit landwirtschaftliche Einsätze steuern können („KI in the loop“). Hierbei wird eine zumindest zweistufige, teilweise aber auch dreistufige Cloudinfrastruktur genutzt, die maschinenbezogene, betriebsbezogene und globale (GAIA-X) Datenverarbeitungs- und KI-Infrastruktur umfasst. Diese mehrstufige Implementierung soll die Kompatibilität mit etablierten IuK-Ökosystemen garantieren und die Marktakzeptanz verbessern, ohne dabei die Vorteile einer auf umfassenden Informationen beruhenden KI- und Datenverarbeitung zu verlieren. Hierzu werden KI-Methoden, wie Transfer- und föderiertes Lernen, sowie Modell-basierte KI eingesetzt und marktfähig (offene und spezifizierte Schnittstellen) demonstriert. Um Flächen optimal düngen und bewässern oder auch Pflanzenschutzmaßnahmen effizient und naturschonend mit (teil-)autonomen Landmaschinen durchführen zu können, ist eine feingranulare Auflösung bzw. Vermessung der jeweiligen Parzellen sowie eine „intelligente“ Aufgabenplanung notwendig. Ziel ist es, Feldsegmente einer Auflösung von bis zu 30cm x 30cm individuell bearbeiten zu können. Die Pfadplanung soll unter der Berücksichtigung von Anbaugeräten, wie z. B. Feldspritzen oder Düngerstreuern, zeit- und energieeffizient durchgeführt werden und ein Echtzeitabgleich zwischen Planungsdaten mit der Ist-Situation erfolgen, um Feinjustierungen vornehmen zu können. Hierbei sollen Eigenschaften des Feldes (3D Geometrie, statische Hindernisse, etc.) im Planungsprozess berücksichtigt werden. In die Planung sollen unterschiedliche Wissensquellen, wie Satelliteninformationen, Vermessungsdaten von Drohnen, Zustandsdaten der Historie des Feldes, sowie weitere Informationen über den Zustand der Feldsegmente (z.B. Bodenradar, Ertragskarte, Biomassekarten, etc.) einfließen.

Demonstrator 2: Fernerkundliche Detektion von Pflanzeninfektionen

Mit dem 2010 gegründeten Internationalen DLG-Pflanzenbauzentrum in Bernburg-Strenzfeld (IPZ) verfügt die DLG über großflächige Versuchsanlagen sowie eine einzigartige Kommunikationsplattform. So können für dieses Projekt geeignete Daten auf den Flächen des IPZ erhoben werden und Erkenntnisse gleichzeitig schnell und praxisorientiert in die Landwirtschaft kommuniziert werden. Der Pflanzenbau am Standort des IPZ, im mitteldeutschen Trockengebiet, leidet vornehmlich unter Wasserdefiziten. Über ein bereits bestehendes Projekt (EIP agri, IrriMode) können Bodenwasserzustände für die KI-basierte Weiterverarbeitung bereitgestellt werden. Eine reduzierte, gezielte und effiziente Applikation von Pflanzenschutzmitteln oder die Wahl von Alternativen ist definiertes Ziel in der landwirtschaftlichen Produktion. Die Auswahl verbesserter Methoden steht und fällt mit der rechtzeitigen Erkennung und Klassifikation von Schadorganismen im Pflanzenbestand. Am DLG IPZ werden im Zuge von NaLamKI Exaktversuche als Referenz für drohnen- bzw. satellitenbasierte fernerkundlich detektierte Pflanzeninfektionen bereitgestellt und Realdaten zur Entwicklung entsprechender Modelle erhoben.

Demonstrator 3: Inspektion von Obstplantagen

Ziel ist eine aussagekräftige Repräsentation der Baumanlagen einer Obstplantage aufzubauen. Hierfür werden während der Durchfahrt eines (semi-)autonomen Roboters durch eine Plantage, Daten mit verschiedenen Sensoren, wie Lage- und Positionssensoren, LIDAR, RGB- und Multispektralkameras erfasst, analysiert und zusammengeführt (Sensorfusion). Zusätzlich werden Daten anderer Agenten bspw. der Drohnen und Informationen aus der Cloud mit verwendet werden. Ebenfalls werden Ansätze der verteilten KI so in das lokale System integriert werden können. So soll eine integrierte Repräsentation erstellt werden, die u.a. die Anzahl und den Reifegrad der Früchte, den Stammdurchmesser der Pflanzen, den Zustand der einzelnen Pflanzen und des umgebenden Bodens, oder auch Hindernisse, insbesondere Lebewesen in hohem Bewuchs im Fahrweg detektieren kann. Ziel ist die Daten während der Durchfahrt durch die Plantage auszuwerten. Die so gewonnenen Informationen werden mit der Karte des Obstbaumbestandes fusioniert und in einer Objektkarte repräsentiert. Basierend auf diesen Daten wird eine Dokumentation für den Landwirt erstellt.

Demonstrator 4: Verteile Inspektion von Kartoffel- und Salatfeldern

Es sollen mehrere Fahrzeuge bzw. (Kleinst-)Traktoren eingesetzt werden, um Kartoffel- und Salatfelder zu inspizieren. Die Mechatronik der Traktoren wird von Johne Deere zur Verfügung gestellt. Die TU Kaiserslautern entwickelt ein verhaltensbasiertes Steuerungskonzept, das eine präzise Steuerung des Traktors durch die Reihenkulturen ermöglicht. Hierzu müssen die Reihen erkannt werden. Die Position der Pflanzen in der Reihe wird mittels D-GPS, und über das Zählen der Pflanzen in der Reihe bestimmt. Mittels unterschiedlicher Sensoren (z.B. Spektralkamera, Stereo-Kamera und weitere Sensoren wie z.B. einem Bodenradar) soll eine Zustandsbestimmung der Pflanzen sowie des Bodens vorgenommen werden. Um die Inspektion eines Feldes möglichst schnell durchführen zu können, sollen mehrere Agenten, wie Fahrzeuge, ggf. Drohnen oder Agentenverbände zum Einsatz kommen, die koordiniert unterschiedliche Bereiche des Feldes abfahren bzw. abfliegen.

Demonstrator 5: GAIA-X konforme Cloud Infrastruktur für KI-gestützte Software as a Service Lösungen im Landwirtschaftsbereich

Im Rahmen von NaLamKI wird der Datenaustausch für Bestandsmodelle und deren Datenquellen auf offenen Standards beruhen. Dies betrifft die Schnittstellen zu den KI-Verfahren und zu den integrierten bestehenden SW-Lösungen für den Agrarsektor. Die Daten, KI-Verfahren (Algorithmen) und die SaaS Plattform werden dezentral mit Hilfe von Web-Diensten auf Basis der GAIA-X Referenzarchitektur zur Verfügung gestellt und vernetzt. Damit wird der europäische Datenschutz eingehalten und Datensouveränität für die Stakeholder gewährleistet. Der Projektpartner German Edge Cloud besitzt dabei umfangreiche Erfahrung in der Entwicklung, Aufbau und Betrieb von Open Source basierten Datenplattformen. Hervorhebend sei hier zu erwähnen, dass die GEC ein Founding Member der GAIA-X Koalition ist, und die Referenzarchitektur maßgeblich mitentwickelt hat. Diese Arbeitsfortschritte aus den GAIA-X Arbeitskreisen werden in NaLamKI mit einfließen und weiterentwickelt.

Demonstrator 6: Multi-Skalige Informationsgewinnung mit Fernerkundung

Die Anzahl verfügbarer Fernerkundungssensoren steigt kontinuierlich an. Mit dem Europäischen Copernicus Programm sind zeitlich und spektral hochauflösende Systeme wie zum Beispiel Sentinel-1 (Radar) und Sentinel-2 (Optisch) mit einer Bodenauflösung von 10×10 m verfügbar. Die Satelliten des Partners Planet liefern tägliche Überflüge mit einer räumlichen Auflösung von ca. 4 m. Mit UAV (Unmanned Aerial Vehicle) Systemen sind theoretisch beliebig detaillierte Aufnahmen mit einer Bodenauflösung im Sub-Zentimeterbereich möglich. Auch spektral sind mittlerweile operationell multispektrale Systeme mit 10 und mehr Spektralkanälen für UAVs verfügbar. In dem Demonstrator soll die Eignung der verschiedenen Systeme zur quantitativen Bestimmung von Vegetationsparametern (z.B. Frisch- und Trockenmasse, Blattflächenindex, Chlorophyllgehalt) untersucht werden. Insbesondere die Skaleneffekte zwischen Satelliten (z.B. Sentinel), Nano Satelliten (Planet), UAV und Bodensystemen (UGV) soll untersucht werden. Zeitreihen regionaler Flächendatensätze zur Bestandsentwicklung werden auf der Grundlage von Radar- und optischen Satellitenbildinformationen abgeleitet. Die dafür anzuwendenden Algorithmen (Phasenkoherenzableitung oder raum-zeitliche Datenfusion) sind extrem rechenaufwändig und können operationell nur mit Großrechnern und Cloud Computing Systemen durchgeführt werden. Gerade vor dem Hintergrund der häufigen Bewölkung in Mitteleuropa ist die Nutzung von Radarsatelliten für ein operationelles landwirtschaftliches Monitoring unerlässlich. In dem Demonstrator sollen Fernerkundungsinformationen in allen Skalenebenen vom Exaktversuch über Einzel- und Teilschläge, über komplette Betriebe, bis hin zu Bundesländern gewonnen werden. Anschließend sollen die gewonnenen Daten GAIA-X-konform verarbeitet und in aufbereiteter Form unter Betrachtung der Datensouveränität über GAIA-X Webservices verfügbar gemacht werden.

Demonstrator 7: Landwirt-Dashboard zur Visualisierung der Projektdaten

Entwicklung einer Visualisierungs-Bibliothek für ein interaktives webbasiertes Dashboard für Landwirte zur Integration in Farm-Management-Information-Systems (FMIS). Die Sensordaten, Karten, offene Daten sowie KI-Auswertungen der Projektpartner werden visualisiert, in einem Dashboard gesammelt, aggregiert und den Nutzern im Rahmen eines Landwirt-Dashboards zur Verfügung gestellt. Dazu werden GAIA-X konforme „Beispiel“-Datensätze von mehreren Projektpartnern von NaLamKI für eine fiktive landwirtschaftliche Fläche visualisiert und aufbereitet. Der Landwirt kann je nach Use Case seine Daten zur Anzeige und Auswertung auswählen, um das Management seiner landwirtschaftlichen Flächen in Bezug auf die Nachhaltigkeit und Wirtschaftlichkeit zu optimieren.

Demonstrator 8: 5G Sidelink-Kommunikation zwischen Drohnen und Bodenfahrzeugen

Die Vernetzung von Fahrzeugen im landwirtschaftlichen Kontext zwischen Traktoren, Drohnen und Bodenstationen wird im AP5 untersucht. Im Rahmen dieses Demonstrators sollen die Schlüsselkomponenten der 5G-Vernetzung für den Anwendungsfall von einer mit einem Bodenradar ausgestattete Drohne, die die gesammelten Daten an eine Bodenstation bzw. Bodenfahrzeug sendet, im Rahmen des 5G Berlin Testbeds demonstriert werden. Hierzu soll eine direkte Kommunikation zwischen mehreren Teilnehmern im lizensierten Spektrum der 5G Campusnetze verwendet werden. Durch die 5G-Sidelink Kommunikation können die landwirtschaftlichen Fahrzeuge und Drohnen innerhalb ihrer Reichweite untereinander kommunizieren, entweder koordiniert durch eine Basisstation oder, falls keine 4G/5G Verbindung vorhanden ist, durch eines der Fahrzeuge aus dem Verbund. Zur Erhöhung der Robustheit und Datenrate der Sidelink-Kommunikation sollen sogenannte Massive-MIMO Verfahren auf der Seite der Bodenstation bzw. des Bodenfahrzeugs zum Einsatz kommen. Darüber hinaus können die Kommunikationsteilnehmer außerhalb des Abdeckungsbereiches von Basisstation und Sidelink zur zuverlässigen Übermittlung geringer Datenmengen, wie Steuerungs- und Positionsdaten oder aggregierten Vorhersagen und Entscheidungen auf Basis der eingesetzten KI-Technologie, auf öffentlichen C2-Mobilfunk-Sprachkanäle zurückgreifen (Verfügbarkeit von Sprachkanälen bei >99%). Die dafür nötigen Kommunikationselemente werden vom HHI entwickelt und sollen hier zu einem Demonstrator kombiniert werden.