Agrarroboter auf dem Feld müssen in jedem Moment nicht nur auf der Basis von aktuellen Messdaten, sondern auch unter Berücksichtigung von Pflanzenbauwissen, Gesetzen, Verordnungen und Vorgaben des Landwirtschaftsbetriebs entscheiden, welche Aktion sie ausführen. Solche Entscheidungen automatisch einerseits aus schnell wechselnden, oft unvollständigen oder fehlerbehafteten Sensordaten und andererseits aus stabilem, lang vorhandenem, aber im Kontext interpretationsbedürftigem Wissen zu treffen, führe KI-Systeme an den Rand des heute technisch Möglichen, so das Deutsche Forschungszentrum für Künstliche Intelligenz (DFKI) und das französische Institut national de recherche en informatique et en automatique (INRIA)
R4Agri (Reasoning on Agricultural Data) betreibe Grundlagenforschung zu neuen Methoden, Algorithmen und Softwarearchitekturen. Damit sollen komplexe Abhängigkeiten berechnet, Schlüsse daraus gezogen und zur Umsetzung vorgeschlagen werden können. Das System greife dafür auf hochgradig verschiedene Arten von Daten wie Sensordaten aus den Landmaschinen, Satelliten- und Wetterdaten sowie Wissensquellen wie Pflanzendatenbanken zurück, werte sie aus und setze sie zueinander in Beziehung. Gesamtziel sei es, einen Rahmen für qualitative und logische Schlussfolgerungen über Wissen auf der Grundlage heterogener Daten zu schaffen.
„Das besondere an R4Agri ist nicht nur die unmittelbare länderübergreifende Zusammenarbeit zweier Forschungseinrichtungen, sondern auch die für ein Projekt der Grundlagenforschung außergewöhnlich enge Kooperation mit den Anwendernetzwerken. Sie unterstützen uns bei der Spezifizierung der Einsatzszenarien und der Auswahl der erforderlichen Daten. Das beschleunigt die Transferstrecke von der Forschung über die Evaluierung bis zur Anwendung erheblich“, sagt DFKI-Projektleiter Prof. Dr. Joachim Hertzberg, Leiter des Forschungsbereichs Planbasierte Robotersteuerung.
Ob ein Landwirt einen Traktor steuere, ein Agrarproduzent eine optimierte Ausbringungskarte berechne oder ein zukünftiger Agrarroboter ökonomisch und ökologisch nachhaltig autonom agieren solle – sie alle müssen sich an fachliche und rechtliche Regeln halten, die auch im Einklang mit der aktuellen Gesetzgebung in vielen europäischen Ländern und Regionen stehen. Diese Regeln in einem Entscheidungshilfesystem oder einer autonomen Robotersteuerung erklärbar und nachweisbar umzusetzen, sei beim heutigen Stand der Technik eine große Herausforderung. Die Unterscheidung zwischen schädlichen und harmlosen Unkräutern, die zur Förderung der Pflanzenvielfalt geschont werden sollen, übersteige die heutigen technologischen Möglichkeiten. Weder können autonome Systeme Pflanzen anhand von Sensordaten robust identifizieren, noch können sie wissen, welche Pflanzensorte für eine bestimmte Kultur in einem bestimmten Zustand ein harmloses Unkraut ist und welche nicht. Es gebe zwar eine Fülle von KI-Literatur über qualitative räumliche Beziehungskalküle, aber die Begründung einer qualitativen räumlichen Beziehung wie 'nah' in Sensordaten und Kontext sei weitgehend unerforscht.
„Die Interpretation von Sensordaten in einer logischen Sprache, die es ermöglicht, live über die Welt, wie sie ist, zu urteilen, ist eine der ewigen großen Herausforderungen der KI“, erklärt Dr. Ansgar Bernardi, stellv. Leiter im DFKI-Forschungsbereich Smarte Daten und Wissensdienste.
R4Agri adressiere diese Herausforderung, indem es die Technologiethemen Sensordateninterpretation, Schlussfolgern, Wissensrepräsentation und Datenmanagement in einem Rahmen zusammenbringe. Die Landwirtschaft empfehle sich dabei als Anwendungsdomäne, da hier Sensordaten z.B. für den Austausch von Daten zwischen Traktor und Gerät standardisiert vorliegen.
