AIGreenBot

Le défi principal considéré par l'unité dans ce projet consiste à améliorer la capacité des robots à naviguer et à s’adapter à des terrains variés, en tenant compte de facteurs tels que l’humidité du sol, les conditions d’adhérence et la topographie. Cette action se concentre sur la fusion des données locales — recueillies par des capteurs embarqués — et des données environnementales à l’échelle du paysage, provenant de drones, de satellites et de stations météorologiques. En combinant ces sources de données, les robots pourront développer une compréhension complète de leur environnement, ce qui améliorera la précision des tâches et la prise de décision dans les opérations agricoles autonomes.

Il s'agit de développer un environnement capable d'intégrer des données multi-modales issues de diverses sources. Les drones et les satellites fourniront des perspectives aériennes, tandis que les capteurs au sol captureront les conditions environnementales locales, telles que l’humidité et la température du sol. Ces données seront combinées dans des cartes sémantiques qui classifient différentes zones du champ, permettant aux robots de prendre des décisions éclairées sur la planification des tâches et leur adaptation. Le robot utilisera ces informations pour naviguer, gérer les obstacles et évaluer la pertinence de l’environnement pour des tâches spécifiques, garantissant une exécution sûre et efficace.

De plus, les travaux aborderont l’intégration de données à l’échelle du paysage, telles que les prévisions météorologiques et les cartes topographiques, afin de compléter les données locales du robot. L’objectif est de permettre aux robots de s’adapter en temps réel aux changements environnementaux, en ajustant les paramètres de navigation ou les algorithmes de contrôle en conséquence. Par exemple, un robot pourra modifier son itinéraire ou retarder une opération si l’humidité du sol est trop élevée, évitant ainsi d’endommager les cultures ou l’équipement.

Un des défis clés de cette recherche sera le développement de modèles d’apprentissage automatique capables de traiter et d’intégrer efficacement les données issues de ces systèmes de capteurs variés. Des techniques d’apprentissage profond seront explorées pour gérer les dimensions spatiales, spectrales et temporelles des données.

Enfin, l’efficacité de ce cadre multi-capteurs sera validée par des essais expérimentaux sur le terrain. Ces tests évalueront dans quelle mesure les robots peuvent naviguer, planifier des tâches et s’adapter aux changements environnementaux dans des contextes agricoles réels. En intégrant à la fois des données locales et des données à l’échelle du paysage, les robots démontreront des capacités d’autonomie et de prise de décision améliorées, facilitant ainsi la transition vers un modèle agricole plus durable et axé sur les données.