Автономне керування сільгосптехнікою: CV, CAN-шина, MLOps

Автономне керування сільськогосподарською технікою на основі ШІ

Уявіть: поле кукурудзи після зливи — рядки зміщені, GPS показує одне, а реальне положення рослин інше. Оператор змушений постійно коригувати кермо, знижуючи швидкість і втрачаючи врожайність. Або нічна зміна: втома водія призводить до пропусків і перекриттів. AI-система автоматичного керування вирішує ці проблеми, забезпечуючи точне землеробство та точне слідування по рядках 24/7. Ми розробляємо такі системи під ключ для автономних тракторів. Комп'ютерний зір (Computer Vision) для сільського господарства на базі нейромереж (YOLOv8, SegFormer) у поєднанні з RTK-GNSS дозволяє витримувати точність ±2.5 см навіть у складних умовах: затінення, пил, дощ. Система не лише веде по рядах, але й автоматично детектує перешкоди — людей, тварин, каміння — з mAP50 >0.93. Це відповідає вимогам ISO 18497 і дозволяє вивести техніку на рівень автономності SAE 3-4. Оцінимо ваш проект за 2-3 дні. У цій статті розберемо ключові технічні проблеми та їх рішення.

Які проблеми вирішує AI-система керування сільгосптехнікою?

Є різниця між GNSS-автопілотом (рівень SAE 1–2) і повністю автономною машиною (рівень 4–5). Комп'ютерний зір критичний починаючи з рівня 3:

• Рівень 2 (GNSS + рульове керування): CV не потрібен для навігації, але потрібен для безпеки — детекція людей і перешкод.
• Рівень 3 (умовна автономія): CV доповнює GNSS — візуальне слідування по рядках культури (row guidance), детекція кінця ряду для автоматичного розвороту, коригування за видимими ознаками.
• Рівень 4 (висока автономія): Візуальна одометрія + Lidar SLAM для карти перешкод, семантична сегментація для розуміння типу поверхні, передбачення прохідності.

Як AI-система керування сільгосптехнікою підвищує точність навігації?

Завдання навігації по полю та рядах кукурудзи або соняшнику — хороший приклад, де CV працює краще чистого GPS. Комп'ютерний зір працює в 3 рази точніше чистого GPS при зміщенні рядків. Причина: ширина рядка закріплена на GPS-карті, але реальні рослини зміщуються через вітер, нерівномірне проростання, зсув при обробці ґрунту. CV адаптується в реальному часі.

Класичний підхід

Hough Transform для детекції ліній рядків на RGB-зображенні. Працює добре при хорошому освітленні та чітких рядах. Падає при забрудненні об'єктива, сильному боковому світлі, нерівномірному проростанні.

Сучасний підхід

Семантична сегментація SegFormer або Mask2Former з класами «рядок» / «міжряддя» / «ґрунт» / «перешкода». Backbone — попередньо навчений на ImageNet, fine-tuning на 3 000–5 000 агрознімків. Стійкий до складних умов, але потребує GPU на борту.

Компроміс для серійної техніки

Легка сегментація на FPGA або NPU: BiSeNetV2 або DDRNet-23-Slim дають mIoU > 0.82 при inference time < 15 ms на Hailo-8 (26 TOPS, 2.5W).

Які алгоритми використовуються для навігації по рядах?

Детекція перешкод — вимоги безпеки

Згідно з ISO 18497 система детекції перешкод повинна зупиняти машину при об'єкті висотою > 25 см на відстані до 3× гальмівного шляху. Для цього застосовуємо stereo vision (два об'єктиви, базис 30–60 см) або Lidar + камера fusion. Stereo дешевший в 2 рази, Lidar надійніший в умовах пилу та прямого сонця. На практиці: Lidar Ouster OS0-32 + RGB-камера, fusion через early fusion у 3D точковій хмарі або late fusion на рівні bounding boxes.

Критичні класи: людина, інша машина, тварина, великий камінь. mAP50 на цих класах повинен бути > 0.93 при recall > 0.97 — вимоги жорсткіші, ніж для стандартного CV.

Що входить у розробку AI-системи?

1. Технічне завдання та прототипування: вибір стереокамери/лідара, симуляція в CARLA/Gazebo.
2. Збір та розмітка датасету: від 5 000 кадрів з анотаціями bounding boxes та семантичною сегментацією.
3. Навчання моделей: YOLOv8 для детекції, SegFormer для сегментації, оптимізація до TensorRT/ONNX.
4. Розробка middleware на ROS 2 Humble з інтеграцією ISOBUS (ISO 11783).
5. Інтеграція з бортовою платформою (Jetson/FPGA) та стендові випробування.
6. Пілотне впровадження на 2-3 одиницях техніки з супроводом 1 місяць.

Обчислювальна платформа на борту машини

Вимоги жорсткі: вібрація, температура −30°C до +65°C, пил (IP67), живлення від бортової мережі 12/24V. Поширені рішення:

• NVIDIA Jetson AGX Orin — флагман за продуктивністю (275 TOPS), споживання 15–60W, є версія Industrial.
• Hailo-8L / Hailo-10H — спеціалізований inference accelerator, <5W.
• Xilinx Kria KV260 — FPGA-платформа для детермінованих завдань керування реального часу.

Стек ПЗ: ROS 2 (Humble/Iron) як middleware, Isaac ROS для інтеграції з Jetson, OpenCV + TensorRT для inference. Для планування траєкторії використовуємо model predictive control (MPC). Оцінка стану машини виконується за допомогою розширеного фільтру Калмана (EKF). Ми впроваджуємо MLOps для агросектору, що дозволяє автоматизувати цикл навчання та розгортання моделей.

Терміни та етапи робіт

Наш досвід та метрики

За більш ніж 10 років у AI/ML для агропрому ми реалізували понад 15 проектів: від систем обходу перешкод для John Deere 8R до повного автономного водіння для Claas Axion. Впровадження показують зниження витрат пального на 15-20% та збільшення продуктивності на 25% за рахунок цілодобової роботи без втоми оператора. Середня вартість впровадження — $25 000, окупність 8 місяців. Ми надаємо гарантію 12 місяців та сертифікат відповідності ISO 18497. Окупність системи становить менше одного сезону за рахунок економії пального та зростання врожайності.

Готові оцінити ваш проект? Отримайте консультацію наших інженерів — ми підберемо оптимальне рішення під ваш бюджет і парк техніки.