Projekte in den Förderprogrammen des BMEL, betreut durch den Projektträger BLE (PT BLE)
Ergebnis der Suche
| Titel: | QUAD-AV - Ambient Awareness for Autonomous Agricultural Vehicles |
|---|---|
| Beschreibung (dt.): | In der Landwirtschaft werden zunehmend autonome Fahrzeuge eingesetzt, um die Produktivität und Effizienz zu erhöhen. Damit so ein Fahrzeug sicher funktioniert, muss es Fähigkeiten zur Umweltwahrnehmung und -interpretation besitzen. Das Projekt zielt auf die Entwicklung von Methoden zur Sensordatenverarbeitung, die ein autonomes landwirtschaftliches Fahrzeug mit einer solchen Fähigkeit ausstatten. Die vorgeschlagenen Methoden und Systeme dienen zur Erhöhung des allgemeinen Sicherheitsniveaus eines autonomen landwirtschaftlichen Fahrzeugs in Bezug auf sich selbst, auf Menschen und Tiere sowie auf fremdes Eigentum. Darüber hinaus steigert ein höheres Maß an Umgebungsbewusstsein des Roboters (bzw. des Traktors) die Genauigkeit, mit der das Fahrzeug gesteuert werden kann. Dies ist wiederum eine Voraussetzung für effizientere, umweltfreundlichere Verfahren des 'Precision Farming'. Das Projekt untersucht das Potenzial von vier Sensortypen: (Stereo-)Vision, Radar, LADAR und Thermografie. Existierende Sensoren, davon einige von den Partnern selbst entwickelt, werden modifiziert und mit einer Schnittstelle versehen, so dass sie in einem landwirtschaftlichen Kontext demonstriert werden können. Der deutsche Partner Fraunhofer IAIS trägt zum Projekt durch die Anpassung seines LADAR Sensors 3DLS einschließlich der Entwicklung der entsprechenden Software zur Hinderniserkennung bei. |
| Ergebnis (dt.): | In dem Projekt wurde das Potenzial von vier Sensor-Technologien untersucht: (Stereo)-Vision, Radar, Ladar und Thermografie. Bei den Partnern vorhandene state-of-the-art-Sensoren wurden angepasst und mit Schnittstellen versehen, um sie in einem landwirtschaftlichen Kontext verwenden zu können. Die Sensoren wurden auf einen Traktor montiert; in Feldexperimenten wurden damit Sensordaten in zuvor ausgewählten landwirtschaftlich relevanten Testszenarien gesammelt. Die Forschungsarbeiten konzentrierten sich auf Merkmalsextraktion und Klassifikation unter Verwendung der verschiedenen sensorischen Eingänge. 3D-Modellierung auf Basis von Stereo-Vision (SV) erwies sich als der vielseitigste Ansatz zur Hinderniserkennung. SV liefert nicht nur eine Punktwolke, sondern auch Farbe und Textur. Durch Hinzufügen eines Thermografie-Sensors kann man sogar 3D, Farbe, Textur und Temperatur auf einmal erfassen. Darüber hinaus ist SV hochgradig anpassbar bzgl. Anzahl der Kameras, Grundlinie und Auflösung. Im Vergleich zu anderen 3D-Sensoren liefert SV einen Schnappschuss des gesamten Sichtfelds und funktioniert unter allen Lichtverhältnissen. Wenn es kein Licht gibt, kann für Beleuchtung gesorgt werden; andererseits ist SV nicht auf ein Signal angewiesen, das von der Sonne überstahlt werden könnte. Mehr Informationen findet man auf der Website: http://www.dti.dk/quad-av/33174 |
| Ergebnis (engl.): | Autonomous vehicles are being increasingly adopted in agriculture to improve productivity and efficiency. For an autonomous agricultural vehicle to operate safely, environment perception and interpretation capabilities are fundamental requirements. The QUAD-AV project focused on the evaluation of sensors and sensor processing methods to provide an autonomous agricultural vehicle with such ambient awareness. The "obstacle detection" problem has been specifically addressed. The obstacles that might be encountered in the field can be separated into four overall categories: positive obstacles, negative obstacles, moving people/animals/obstacles, and difficult terrain. The project investigated the potential of four sensor technologies: (stereo) vision, radar, ladar, and thermography. Existing state-of-the-art sensors, some previously developed by the partners themselves, have been modified and interfaced in such a way that they could be used in an agricultural context. The sensors were mounted on a tractor; sensor data from a previously selected set of agriculturally relevant test scenarios were collected in field experiments. Research focused on feature extraction and on classifier design, using the different sensorial inputs. Stereo vision based 3D modeling appeared as the most versatile approach to obstacle detection. It does not only give a point cloud, but also color and texture. And in the case of QUAD-AV one could add other imaging sensors like thermography and get 3D, color, texture and temperature at once. Furthermore, it is highly customizable in the number of cameras, baseline, and resolution. Compared to other 3D sensors it takes snapshots of the entire field of view in one timeslot and works in all light conditions. If there is no light, it can be helped with light projection, and it does not rely on a signal that can be overtaken by sunlight. More information can be found at the project’s web site: http://www.dti.dk/quad-av/33174 |
| Laufzeit: | Beginn: 01.04.2011 / Ende: 31.12.2012 |
| Ausf. Einrichtung: | Fraunhofer-Institut für Intelligente Analyse- und Informationssysteme (IAIS), Sankt Augustin |
| Themenfelder: | Pflanzenbau, crop production |
| Förderprogramme: | EU-Forschung |
| Schlagworte: | Landtechnik, agricultural engineering, Präzise Landwirtschaft, precision farming |
| Förderkennzeichen: | 2810ERA093 |
| Dokument zum Download: | 10ERA093.pdf (4,6 MB) |
Kontakt: |
Benutzen Sie unser Kontaktformular
oder E-Mail an projekttraeger-agrarforschung@ble.de |
Erweiterte Suche
Hier gibt es die Möglichkeit, nach Stichworten, Themenfeldern, Projektstatus, Förderprogrammen, Laufzeiten und Einrichtungen zu suchen:
