Collecte de données à l'aide d'UGV et de charges utiles de capteurs modulaires

Problème (Avant): Les clients de AgrifoodTEF (par exemple, les développeurs de robotique agricole/IA, les entreprises d'agriculture de précision ou les chercheurs) n'ont souvent pas accès à des ensembles de données de haute qualité, annotés et réels provenant d'environnements agricoles dynamiques (par exemple, vignobles, vergers). Sans cela, ils ont du mal à: - Construire des systèmes d’IA robustes et des cas d’utilisation (par exemple, pour la surveillance des cultures, la récolte robotisée ou la navigation autonome). - Valider les performances du système dans des conditions réalistes et variables (par exemple, terrain inégal, changement de lumière/météo). - Comparer leurs solutions aux normes de l'industrie ou aux concurrents. Solution (après): En déployant la charge utile du capteur pour collecter et étiqueter les données dans des paramètres réels, le service permet aux clients de: 1. Construire efficacement des modèles d'IA avec divers ensembles de données riches en contexte (par exemple, des images étiquetées de grappes de fruits, des cartes de terrain 3D). 2. Valider la fiabilité du système en testant les solutions par rapport à des critères de référence (par exemple, «Après avoir utilisé le service, le taux d’erreur d’une moissonneuse-batteuse robotisée pour détecter les chutes de fruits mûrs passe de 25 % à 8 % dans des conditions de verger encombré»). 3. Identifier et corriger les faiblesses (par exemple, un algorithme de navigation échoue dans les lignes refusées par GNSS; le service fournit des données UWB/IMU pour affiner la localisation). 4. Comparer les performances par rapport aux concurrents en utilisant des mesures standardisées (par exemple, « Notre robot de désherbage atteint une précision de 95% par rapport à la moyenne de l'industrie de 82%"). Ce service peut être fourni comme une première étape avant d'autres services.

Prestation de services et logistique 1. Comment le service est-il fourni? Modèle de déploiement:- Exécution sur site: Une charge utile équipée de capteurs (modulaire, montée sur véhicule/robot) est déployée sur le site agricole du client (par exemple, vignoble, verger) ou dans les fermes d’essai partenaires. - Répétitions: La collecte de données peut être effectuée sous la forme d'une campagne unique ou de séances récurrentes (p. ex. cycles saisonniers, stades de croissance) afin de saisir la variabilité (p. ex. périodes de floraison par rapport aux périodes de récolte). 2. Quand le service peut-il être fourni? - Programmation: Nécessite une réservation à l’avance (par exemple, 4 à 8 semaines) pour le déploiement de la charge utile et la préparation du site. 3. Combien de temps dure l'exécution? - Déploiement sur site: 1 à 2 semaines par campagne (ajustable en fonction de la taille de l’exploitation et de la densité des données). - Post-traitement: 2 à 3 semaines supplémentaires pour l’étiquetage et la génération de rapports. - Calendrier total: ~4 à 8 semaines entre le déploiement et la livraison. Emplacement et exigences du client 4. Où le service est-il exécuté? - Site du client: Fermes, vergers ou vignobles. - Fermes d'essai partenaires: Nœuds satellites TEF agroalimentaires préapprouvés (par exemple, champs d’essai normalisés pour l’analyse comparative). 5. Exigences de localisation du client: - Axe régional: Donne la priorité aux régions dotées d’infrastructures agroalimentaires (par exemple, dans un premier temps, l’UE). - Accès global: Possible via des partenariats avec des nœuds locaux (des frais logistiques supplémentaires peuvent s'appliquer). Produits livrables pour les clients 6. Qu'est-ce que le client reçoit? Réalisations:- Ensembles de données bruts et étiquetés: Données structurées et horodatées des capteurs (nuages de points Lidar, images de caméras stéréo, trajectoires GNSS/IMU) dans des formats compatibles avec l’IA (par exemple, sacs ROS, COCO JSON). - Documentation : Métadonnées (spécifications du capteur, conditions environnementales), lignes directrices d'annotation et certificats de conformité. - Rapport de synthèse: Informations exploitables (par exemple, «Luttes systémiques dans des conditions de faible luminosité; recommander d’augmenter l’entraînement grâce aux données radar du crépuscule»). Obligations du client 7. Que doit fournir le client? - Accès au site: Champs opérationnels sûrs pour le déploiement (par exemple, lignes dégagées pour la mobilité des robots/capteurs). - Spécifications du cas d'utilisation: métriques cibles (par exemple, «Collect data on apple cluster density in rows 5–10»). - Exigences relatives à l’IA/au système (par exemple, «Annoter les étiquettes de maturité des fruits pour la formation YOLO»). - Conformité éthique/légale: Autorisations pour la collecte de données (si nécessaire).

Configuration du capteur: Les clients peuvent sélectionner des capteurs spécifiques à partir d'une liste prédéfinie de capteurs candidats pour la charge utile (par exemple, privilégier les caméras Lidar + stéréo pour la cartographie 3D, désactiver le GNSS pour les tests en intérieur). Annotation des données: - Choisissez des formats d'annotation à partir d'une liste prédéfinie (par exemple, des boîtes de délimitation, des masques de segmentation sémantique) compatibles avec leurs pipelines d'IA. Flexibilité temporelle/saisonnière: - Planifier des campagnes récurrentes (p. ex. collecte hebdomadaire de données pendant la saison des récoltes, études phénologiques pluriannuelles). Restrictions saisonnières: - S'aligne sur les périodes de végétation (par exemple, pas de gel/pluie pour certains capteurs; un calendrier optimal pour les données spécifiques aux cultures, telles que la maturité des fruits dans les vergers). - Exemple: collecte de données sur les vignobles limitée à la saison de croissance (avril-octobre dans les climats de l’UE). Ce que les clients devraient savoir à l'avance - Préparation du site: Les clients doivent fournir des cartes de terrain, des calendriers d'irrigation et des protocoles de sécurité. - Propriété des données: Les données brutes sont partagées avec le client, mais AgrifoodTEF peut utiliser des données agrégées et anonymisées pour la R&D interne. - Incidences sur les coûts: Les campagnes récurrentes ou les capteurs à ultra-haute résolution entraînent des frais plus élevés. - Post-traitement des annotations complexes (par exemple, étiquetage 3D des nuages de points) facturé séparément