Robotik und Sensortechnik

Der Einsatz innovativer Technologien wird häufig als Ansatz zur Gestaltung einer nachhaltigeren Landwirtschaft angesehen. Dies betrifft eine Reihe globaler und lokaler Aspekte wie die Ernährung und Energieversorgung, negative Umweltauswirkungen, den Klimawandel, die Landschaftspflege oder Arbeitsplätze der Zukunft.

Die aktuellen Entwicklungen in der Landwirtschaft zeigen diese Potenziale auf [1], neue Technologien spielen in der Landtechnik eine zentrale Rolle und werden als Innovationstreiber angesehen, die Neuheiten von Agrartechnik-Messen wie die „Agritechnica“ belegen diese Einschätzung. Die vielfältigen Innovationen – in Themenbereichen wie Elektronik, Kommunikation, Sensorik, Datenmanagement, Dateninterpretation (inklusive künstlicher Intelligenz) bis hin zu mechatronischen Systemen – werden häufig als „Digitale Technologien“ und deren Einführung in die Praxis als „Digitalisierung“ bezeichnet. Dabei ist der Einsatz von Technologien einerseits – trotz des hohen Potenzials – nur ein Hilfsmittel und stellt daher nicht per se eine Lösung für ein Umweltproblem (als Beispiel) dar. Die bloße Digitalisierung eines nichtnachhaltigen Verfahrens kann sogar negative Auswirkungen haben. Die Nachhaltigkeit einer „digitalen Transformation“ kann daher nur durch die enge Verzahnung der technologischen Aspekte mit einer Reihe nichttechnologischer, interdisziplinärer Aspekte umgesetzt werden. Die Potenziale dieser Transformation wurden und werden in zahlreichen Arbeiten und Praxistests aufgezeigt, auch wenn dabei Rebound-Effekte (z. B. die Ausweitung bewässerter Flächen durch effizientere Bewässerungstechnologien) zu beachtende Risiken darstellen [2].

Der praktische Nutzen der digitalen Transformation ist jedoch aufgrund der Komplexität der landwirtschaftlichen Verfahren, verbesserungswürdiger Interoperabilitäten und Transferprozesse von der Forschung in die Praxis kaum quantifizierbar. Die hohe Variabilität zahlreicher Störgrößen auf dem landwirtschaftlichen Feld erfordert einen hohen Entwicklungsaufwand für robuste Lösungen. Die Nutzung von Lösungen aus industriellen Anwendungen oder dem Automotive-Bereich ist limitiert, da Landmaschinen (z. B. in einer Erntekette) sowohl mobil sind als auch arbeiten.

Die technologischen Fortschritte, die zunehmend intensivere Zusammenarbeit verschiedener Fachdisziplinen und insbesondere eine praxisorientiertere Forschung und Entwicklung haben eine erfolgreiche digitale Transformation für eine nachhaltigere und resiliente landwirtschaftliche Produktion wahrscheinlicher gemacht [3]. Zentrale technologische „Enabler“ stellen die Robotik und Sensorik dar. Insbesondere bildgebende Sensorsysteme stellen durch die hohe zeitliche und räumliche Auflösung der Daten die Grundlage für selektive und automatisierte Prozesse dar. In Verbindung mit Fortbewegungssystemen, Computer-Vision-Algorithmen/künstlicher Intelligenz und Kommunikationstechnologien werden Sensoren als zentrale Technologien für die Agrarrobotik angesehen [4].

Die Anforderungen an Sensorsysteme für Anwendungen im landwirtschaftlichen Pflanzenbau sind angesichts der Wetter‑, Feld- und Umgebungsbedingungen erheblich. Die Variabilität dieser Einflussgrößen betrifft beispielsweise Sonnenlicht, Schatten, Regen, Feuchtigkeit, Nebel, Wind, Temperatur, Bodeneigenschaften (Unebenheiten, Bodenart, Feuchte), Wachstumsstadien der Nutzpflanzen und Unkräuter oder Einflüsse der Landmaschinen. Da in vielen Fällen für landwirtschaftliche Verfahren wachstums- und wetterbedingt nur kurze Zeitfenster infrage kommen, ist die Robustheit der Systeme im Außenbereich ein zentraler Zugang zur Nutzung der Systeme in der Praxis.

Die Qualität der Rohdaten ist ein zentraler Punkt, ebenso die – meist unterschätzte – Sensorkonfiguration und die Dateninterpretation. Hier bieten sich neben klassischen Kalibriermethoden aufgrund der hohen Variabilität der Einflussgrößen Verfahren der künstlichen Intelligenz an und werden typischerweise zur Interpretation eingesetzt [3, 5, 6]. Allerdings erfordern diese aufgrund der oben dargestellten zahlreichen variablen Stör- und Einflussgrößen eine erhebliche Anzahl gelabelter Daten, sodass insbesondere die Rohdatenqualität eine maßgebliche Rolle für die Anwendbarkeit der Lösungen hat [3], ähnliches gilt für die Sensorkonfiguration. Die überwiegend nichtsensorunabhängigen KI(Künstliche Intelligenz)-Lösungen, die Label-Qualität und -Quantität sowie der Blackbox-Charakter erfordern weitere Entwicklungsarbeiten für die breitere Verwendung der vielversprechenden ersten Ansätze. Die Arbeiten zur „Explainable Artificial Intelligence“ (XAI) oder zur Generierung künstlicher digitaler Umgebungen (Labeln durch Design) sind hierfür Beispiele.

Abb. 1 zeigt jeweils ein Beispiel für nichtbildgebende und bildgebende Sensorik für landwirtschaftliche Verfahren. Der Düngesensor auf dem Traktor (Abb. 1a) misst die spektrale Signatur eines Pflanzenbereichs, die zusammen mit weiteren Daten online die variable ausgebrachte Düngermenge für Arbeitsbreiten im Bereich von einigen 10 Metern steuert. Für eine mechanische Unkrautregulierung innerhalb der Reihen sind räumlich und zeitlich hochaufgelöste bildgebende Daten erforderlich, sodass in dem Beispiel von Abb. 1b Kamerasysteme eingesetzt werden.

Der Einsatz photonischer (berührungsloser) Sensorik hat – so die Prognosen in der Roadmap 2021–2027 [7] – erhebliches Potenzial für die Landwirtschaft der Zukunft. Dabei werden insbesondere das Monitoring (Boden, Pflanzen, Umfeld) als auch die Maschinenoperationen für neue Managementmethoden gesehen.

Abb. 2 zeigt Beispiele für bildgebende photonische Sensoren, die sich im Übergangsbereich der Forschung in die Praxis befinden.

Bildgebende Lichtschattensensoren (Lichtgitter) besitzen eine hohe Robustheit und ermöglichen durch den seitlichen Blick auf Pflanzen neue Anwendungsbereiche (z. B. in der Pflanzenzüchtung); die technologischen Potenziale durch variable Schwellwerteinstellungen der Lichtschranken ermöglichen beispielsweise die feldbasierte Grannen-Detektion von Getreide (Abb. 2a; [8]). Weiter verbreitet ist bereits der Einsatz von „Hyperspectral Imaging“, welches eine pixelweise Spektralanalyse ermöglicht, allerdings sind die Komplexität und das Datenvolumen der Methoden zu beachten. Abb. 2b [9] zeigt eine feldbasierte Applikation zur Feuchtigkeitsbestimmung von Pflanzen durch einen Wasserindex (Verhältnis der Reflexionsintensitäten von 1450 nm und 1050 nm). Mit den Daten kann beispielsweise eine einzelpflanzenbasierte Bewässerung realisiert werden.

Für die Pflanzenzüchtung sind die Eigenschaften der Pflanzen auf dem Feld zentrale Qualitätsparameter zur Markteinführung. Der Einsatz verschiedener (überwiegend bildgebender) Sensorsysteme auf dem Feld, das Datenmanagement und die nachfolgende Interpretation der Daten im Sinne von Pflanzenparametern („Phänotypisierung“) schließt die bisherige Lücke im Züchtungsprozess („Phenotyping Bottleneck“). Durch den Einsatz von Multisensor-Systemen (Abb. 3a; Konzept „BreedVision“) werden sowohl monosensorische Interpretationen ermöglicht als auch Verfahren der Sensor-Daten-Fusion, Beispiele sind die Biomasse, die Anzahl der Ähren oder Bestandshöhen. Abb. 3b zeigt die Mensch-Maschine-Schnittstelle auf dem Trägerfahrzeug, der die Datenaufnahme und die Funktionalität der ca. 20 Sensoren prüft. Die Rohdaten und Ergebnisse (Abb. 3c) können in „digitalen“ Spaziergängen auf dem Feld bis herab zur Einzelpflanze betrachtet und interpretiert werden, inklusive räumlich zugeordneter Kameraaufnahmen [8, 10].

Sicherheitsrelevante Systementwicklungen spielen für Landmaschinen eine wichtige Rolle. Die „Funktionale Sicherheit“ ist für autonome Landmaschinen oder Feldroboter ein wesentlicher Aspekt zur Markteinführung („Enabler“). Daher spielen beim Transfer von Forschungsergebnissen in die Praxis die entsprechenden Normen und Regelungen zur Nutzung der Sensorsysteme eine wichtige Rolle. Abb. 4 zeigt einen im Rahmen des Forschungsprojekts Agro-Safety entwickelten dynamischen Teststand (in Kooperation mit dem TÜV), der unter variablen äußeren Bedingungen (24 h@365 Tagen) die Erkennung eines Testkörpers durch eine Vielzahl kommerziell verfügbarer bildgebender Sensorsysteme misst. Die Umsetzung erfolgreicher Sensorkonzepte auf eine autonome Landmaschine (hier: Futtermischwagen) ist das Ziel [11, 12].

Die äußeren Rahmenbedingungen für autonome Feldroboter sind zwar auf dem landwirtschaftlichen Betrieb und dem Feld eingeschränkter im Vergleich zu Automotive-Lösungen im Stadtverkehr, dennoch ist die Komplexität aufgrund der Vielfalt der Feld- und Umgebungsbedingungen für die Autonomie erheblich. Wie oben beschrieben nehmen bildgebende Sensorsysteme und die Interpretation der Daten eine zentrale Rolle für die Feldroboter dar. Dies betrifft sowohl die Navigation als auch die landwirtschaftlichen Arbeiten und die Sicherheit. Da die landwirtschaftlichen Einzelprozesse auf spezifischen Pflanzenkulturen und Maschinen basieren, ist eine applikationsspezifische Sensorentwicklung unter Berücksichtigung der zahlreichen variablen Störgrößen erforderlich (siehe z. B. [5] für die robotergestützte Unkrautregulierung). Die Vielfalt der Situationen im Feld und der Maschine lässt sich in der Praxis kaum durch verfahrenstechnische Experimente und Labeln von Bildern abdecken. Relevante Parameter für die Integration der Sensorsysteme sind beispielsweise deren Position, räumliche und zeitliche Auflösungen in Relation zu den Latenzzeiten der Verfahren, Dynamik der Messwerte oder Auswirkungen der variablen Störgrößen inklusive Hindernissen. Eine möglichst ganzheitliche realistische Simulation des landwirtschaftlichen Verfahrens ist daher ein Wunsch zur Reduktion der Zahl der Versuche, zur Auswahl erfolgversprechender Konfigurationen und Parameter und damit zur Reduktion von Entwicklungszeiten für robuste Produkte. Die aktuellen „Digitalen Zwillinge“ in der Landwirtschaft decken zwar nur einen (überwiegend technologischen) Teil der Verfahren ab, sind aber mittlerweile in der Feldrobotik unverzichtbare technologische Werkzeuge. Abb. 5 zeigt verschiedene Applikationsbeispiele, wobei jeweils die reale Maschine und die Simulation illustriert sind: die kooperative Zusammenarbeit von zwei Feldrobotern der Forschungsplattform BoniRob, die Navigation und Applikation zum Pflanzenschutz im Wein- und Obstbau (Plattform elWObot), den studentischen Feldroboter Cornholio der Hochschule Osnabrück (Teilnahme am International Field Robot Event) sowie der autonome Futtermischwagen Verti‑Q der Firma Strautmann [11, 13].

Die Melkroboter stellten die ersten Robotik-Lösungen in der Landwirtschaft dar, mittlerweile sind im Bereich der Fütterung mobile Systeme bereits im Markt (oder stehen vor einer Einführung), so zeigt Abb. 6a das Beispiel eines autonomen Roboters zur Futteranschiebung. Diese im Vergleich zu einem Futtermischwagen kleinen Systeme stellen Neuentwicklungen von Fahrzeugplattformen dar, während die Autonomisierung eines vorhandenen personengebundenen Fahrzeugs eine Alternative darstellt. Diese Lösung ist in Abb. 6b für einen autonomen Futtermischwagen dargestellt, der die Einzelprozesse Futterentnahme im Silo, Navigation auf dem landwirtschaftlichen Betrieb und Ausbringung des Futters im Stall übernimmt. Hierdurch ergibt sich bei einem Ausfall der Autonomiefunktionen die Rückfallebene des personengebundenen Betriebs.

Beide mobile Alternativen – neue autonome Feldroboter und die Autonomisierung vorhandener personengebundener Maschinen – gibt es auch im Pflanzenbau. Betrachtet man die Kategorien für einzelne Maschinen für landwirtschaftliche Prozesse, so kann man diese grob in Komplettsysteme (meist „Selbstfahrer“ genannt), Implement(Anbaugerät)-basierte und App-basierte Lösungen kategorisieren. Die Komplettsysteme stellen ein Fahrzeug dar, welches sowohl den Antrieb als auch die landwirtschaftliche Applikationstechnik enthält. Implement-basierte Lösungen bestehen aus zwei Einheiten, einer applikationsunabhängigen Antriebseinheit (wie ein Traktor) und ein applikationsspezifisches Implement. App-basierte Lösungen ähneln dem Implement-basierten Ansatz, jedoch wird das Applikationsmodul in einem Freiraum der applikationsunabhängigen Antriebseinheit untergebracht. Alle in Abb. 7 dargestellten Lösungen sind autonome Systeme, die entweder als Produkt angeboten werden oder sich in einem fortgeschrittenen Entwicklungsstand befinden. Mittlerweile gibt es zahlreiche Lösungsansätze für einzelne Maschinen von Forschungseinrichtungen, Landtechnikunternehmen und Start-ups für die in Abb. 7 dargestellten Kategorien. Aufgrund langjähriger Erfahrungen im Bereich der mechanischen Unkrautregulierung im Ökologischen Landbau und naheliegender Umsetzungsoptionen für autonome Systeme gibt es dort einen Schwerpunkt an Praxislösungen und kommerziell verfügbaren Feldrobotern [14], jedoch noch keinen Durchbruch im Markt.

Die Entwicklung der Robotik-Lösungen zeigt zunehmend den modularen Charakter der technologischen Entwicklungen. So wurde ein Forschungsroboter ecoRobotix (siehe Abb. 8b) mit einer selektiven chemischen Unkrautregulierung entwickelt, dessen Kerntechnologie (Spotsprayer, Kamera, KI) in ein Implement mit 6 Metern Arbeitsbreite und 156 Düsen transformiert und in den Markt gebracht wurde (Abb. 8a; [15]). Ähnliche Entwicklungen sind in der anwendungsorientierten Forschung erkennbar, so wurde beispielsweise ein Modul zur selektiven Unkrautbekämpfung innerhalb der Nutzpflanzenreihe (Mais) mit einem Multistempelsystem, einer Spektral/3D-Kamera (MWLP: „Multi-wavelength laser line profiling“) und KI in die Forschungsplattform BoniRob integriert und mehrere Module als Implement an einem Traktor angebracht (Abb. 8c, rotes Implement; [6]).

Für verfahrenstechnische Lösungen mit autonomen Systemen werden Optionen mit Feldroboter-Schwärmen (siehe als Beispiel Abb. 8b) oder die Kooperation von personengebundenen Maschinen mit autonomen Feldrobotern (wie in Abb. 8c illustriert) betrachtet. Hierzu besteht sowohl Bedarf für Wissen und Technologieentwicklungen als auch für differenzierte und umfangreichere Praxisversuche beim Einsatz solcher Kombinationen. Dieser komplexe Übergang vom einzelnen Feldroboter zur Feldrobotik stellt daher alleine bei der Umsetzung in den landwirtschaftlichen Prozess eine große Herausforderung dar [16, 17]. Der Übergang kann auch mit Paradigmenwechseln einhergehen. So könnten Lösungen mit langsameren kleinen autonomen Maschinen wirtschaftlicher sein als große schnelle Maschinen, d. h. der aktuell angenommene direkte Zusammenhang von Geschwindigkeit und Wirtschaftlichkeit muss nicht zwangsläufig für alle Lösungen gelten. Der Rasenmähroboter aus dem Consumer-Bereich kann hierfür ein Beispiel sein: Er fährt langsam, hat eine kleine Arbeitsbreite und keinen Grasfangkorb, auch fallen andere Tätigkeiten im Vergleich zu einem klassischen Handrasenmäher an.

Der wesentliche Punkt zur Akzeptanz innovativer Lösungsansätze ist der erkennbare qualitative und/oder quantitative Nutzen. Es sollten daher weniger die technologischen Aspekte zur Sensorik, Feldrobotik oder KI in den Vordergrund gestellt werden, sondern der Nutzen für die Anwendung. Die Verbindung zeitlich und räumlich hochaufgelöster Sensorik in Verbindung mit dem Wissen über die landwirtschaftlichen Prozesse hat das Potenzial ökologisch und ökonomisch nachhaltigere Lösungen im Vergleich zu heute mitzugestalten. Dies gilt in ähnlicher Weise für die mechatronischen Systeme, d. h. insbesondere für die Feldrobotik. Der zunehmend modulare Charakter der Werkzeuge und die damit verbundene Reduktion der Maschinenzentriertheit können für die heterogenen Rahmenbedingungen landwirtschaftlicher Betriebe positive Auswirkungen generieren. Auch betriebsspezifisch konfigurierte Kombinationen von personengebundenen und autonomen Systemen bieten Gestaltungsspielräume.

Der Übergang vom Status quo zur Nutzung autonomer Agrarsysteme ist Gegenstand der vom Bundesministerium für Ernährung und Landwirtschaft (BMEL) geförderten „Digitalen Experimentierfelder“, die sich auf die Praxistauglichkeit der Technologien für Pflanzenbau und Tierhaltung fokussieren. Eine Arbeitsgruppe aus diesem Umfeld hat das Positionspapier „Adaptive autonome Agrarsysteme“ erstellt, um zielführende Übergangsszenarien aufzuzeigen [18].

Zur Markteinführung der Feldrobotik ist das Zusammenwirken vieler Fachdisziplinen erforderlich, hierzu gehören neben Landwirtschaft, Technik und Betriebswirtschaft weitere wichtige Bereiche wie juristische Fragestellungen, Arbeitswissenschaften, Service, Weiterbildung oder gesellschaftliche Aspekte. So stellen sich Fragen, wie landwirtschaftliche Betriebe bei der Bewältigung von Herausforderungen durch den Einsatz von KI reifegradbasiert Nutzen stiftend unterstützt werden können, d. h. in Abhängigkeit ihres jeweiligen personellen und technologischen Entwicklungsstands [19].

Die in diesem Beitrag beschriebenen Herausforderungen zur Integration der Feldrobotik in den landwirtschaftlichen Betrieb erfordern insbesondere in der Weiterbildung und im Service große Anstrengungen. Es gibt Einschätzungen, nach denen die Transformation der Robotik in die Arbeitsprozesse der Beteiligten eine komplexere Aufgabe darstellt als die Robotik selbst [20].