Gromadzenie danych przy użyciu UGV i modułowych ładunków czujników

Problem (przed): Klienci AgrifoodTEF (np. deweloperzy robotyki rolniczej/AI, przedsiębiorstwa rolnictwa precyzyjnego lub badacze) często nie mają dostępu do wysokiej jakości, opatrzonych uwagami, rzeczywistych zbiorów danych z dynamicznych środowisk rolniczych (np. winnic, sadów). Bez tego walczą o: Budowanie solidnych systemów sztucznej inteligencji i przypadków użycia (np. do monitorowania upraw, zrobotyzowanego zbioru lub autonomicznej nawigacji). Potwierdź wydajność systemu w realistycznych, zmiennych warunkach (np. nierówny teren, zmieniające się światło/pogoda). Porównaj swoje rozwiązania ze standardami branżowymi lub konkurentami. Rozwiązanie (po): Wdrażając ładunek czujnika do zbierania i etykietowania danych w warunkach rzeczywistych, usługa umożliwia klientom: 1. Efektywne budowanie modeli sztucznej inteligencji za pomocą różnorodnych, bogatych w kontekst zbiorów danych (np. oznakowanych obrazów klastrów owoców, trójwymiarowych map terenu). 2. Potwierdź niezawodność systemu, testując rozwiązania pod kątem poziomów odniesienia (np. „Po skorzystaniu z usługi poziom błędu robota kombajnu w wykrywaniu dojrzałych owoców spada z 25 % do 8 % w zagraconych warunkach sadowniczych”). 3. Identyfikacja i naprawa słabych punktów (np. błąd algorytmu nawigacyjnego w wierszach odrzuconych przez GNSS; usługa dostarcza danych UWB/IMU w celu udoskonalenia lokalizacji). 4. Porównaj wydajność z konkurencją za pomocą standardowych wskaźników (np. "Nasz robot odchwaszczający osiąga dokładność 95% w porównaniu ze średnią branżową wynoszącą 82%"). Ta usługa może być dostarczona jako pierwszy krok przed innymi usługami.

Dostawa usług i logistyka 1. W jaki sposób usługa jest świadczona? Model wdrożenia:- Wykonanie na miejscu: Wyposażona w czujniki ładowność (modułowa, zamontowana w pojeździe/robotze) jest rozmieszczana na terenie rolniczym klienta (np. w winnicy, sadzie) lub w partnerskich gospodarstwach badawczych. Powtórzenia: Gromadzenie danych może odbywać się jako pojedyncza kampania lub powtarzające się sesje (np. cykle sezonowe, etapy wzrostu) w celu uchwycenia zmienności (np. okres kwitnienia w porównaniu z okresami zbiorów). 2. Kiedy usługa może zostać dostarczona? Harmonogram: Wymaga wcześniejszej rezerwacji (np. 4–8 tygodni) na rozmieszczenie ładunku i przygotowanie terenu. 3. Jak długo trwa egzekucja? Rozmieszczenie na miejscu: 1–2 tygodnie na kampanię (regulowane na podstawie wielkości gospodarstwa i gęstości danych). Przetwarzanie końcowe: Dodatkowe 2–3 tygodnie na etykietowanie i generowanie sprawozdań. Całkowity harmonogram: ~4–8 tygodni od rozmieszczenia do dostarczenia. Lokalizacja i wymagania klienta 4. Gdzie usługa jest wykonywana? Strona własna klienta: Gospodarstwa, sady lub winnice. Partnerskie gospodarstwa badawcze: Wstępnie zatwierdzone węzły satelitarne rolno-spożywczeTEF (np. znormalizowane pola testowe do celów analizy porównawczej). 5. Wymagania dotyczące lokalizacji klienta: ukierunkowanie regionalne: Priorytetowo traktuje regiony posiadające infrastrukturę rolno-spożywcząTEF (np. początkowo UE). Globalny dostęp: Możliwe poprzez partnerstwa z lokalnymi węzłami (mogą obowiązywać dodatkowe opłaty logistyczne). Rezultaty dla klientów 6. Co otrzymuje klient? Wyjścia: - Surowe i oznaczone zbiory danych: Ustrukturyzowane, oznaczone znacznikami czasu dane z czujników (chmury punktów Lidar, obrazy z kamer stereo, trajektorie GNSS/IMU) w formatach gotowych do użycia przez sztuczną inteligencję (np. worki ROS, COCO JSON). Dokumentacja: Metadane (specyfikacje czujników, warunki środowiskowe), wytyczne dotyczące adnotacji i certyfikaty zgodności. Sprawozdanie podsumowujące: praktyczne spostrzeżenia (np. „System struggles in low-light conditions; zalecić rozszerzenie szkolenia o dane radarowe ze zmierzchu”). Obowiązki klienta 7. Co musi dostarczyć klient? Dostęp do strony: Bezpieczne pola operacyjne do wdrożenia (np. wyczyszczone wiersze dotyczące mobilności robotów/czujników). Specyfikacje przypadków użycia: – Wskaźniki docelowe (np. „Zbierz dane dotyczące gęstości skupisk jabłek w wierszach 5–10”). wymogi dotyczące sztucznej inteligencji/systemu (np. „Oznacz etykiety dotyczące dojrzałości owoców na potrzeby szkolenia YOLO”). Zgodność etyczna/prawna: Pozwolenia na gromadzenie danych (jeżeli są wymagane).

Konfiguracja czujnika: Klienci mogą wybrać określone czujniki z wstępnie zdefiniowanej listy potencjalnych czujników dla ładunku (np. priorytet Lidar + kamery stereo do mapowania 3D, wyłączenie GNSS do testów wewnętrznych). Adnotacja dotycząca danych: Wybierz formaty adnotacji ze wstępnie zdefiniowanej listy (np. pola ograniczające, maski segmentacji semantycznej) kompatybilne z ich potokami AI. Elastyczność czasowa/sezonowa: Harmonogram powtarzających się kampanii (np. cotygodniowe gromadzenie danych w sezonie zbiorów, wieloletnie badania fenologiczne). Ograniczenia sezonowe: - Dostosowuje się do okresów wegetacji (np. brak mrozu/deszczu w przypadku niektórych czujników; optymalny czas dla danych specyficznych dla poszczególnych upraw, takich jak dojrzałość owoców w sadach). Przykład: Gromadzenie danych dotyczących winnic ograniczone do sezonu wegetacyjnego (kwiecień–październik w klimatach UE). Co klienci powinni wiedzieć z wyprzedzeniem Przygotowanie terenu: Klienci muszą dostarczyć mapy pól, harmonogramy nawadniania i protokoły bezpieczeństwa. Własność danych: Surowe dane są udostępniane klientowi, ale agrifoodTEF może wykorzystywać zagregowane, zanonimizowane dane do wewnętrznych prac badawczo-rozwojowych. Konsekwencje kosztowe: Powtarzające się kampanie lub czujniki o ultrawysokiej rozdzielczości pociągają za sobą wyższe opłaty. Przetwarzanie końcowe złożonych adnotacji (np. etykietowanie w chmurze punktów 3D) rozliczanych oddzielnie