Ausgangspunkt und Ziel des Beitrags

Agrarrobotik ist seit langem ein Thema in der Forschung zu Landtechnik: [1; 2] geben ausführliche Rückblicke von 2016, bzw. 2021 aus; [3, Kap. 3.4] aktualisiert diese Perspektive auf 2024. Robotik-Technologie umfasst Hardware-Komponenten wie Sensorik und Aktuatorik bis hin zu kompletten Roboterplattformen rollend oder laufend am Boden, als fliegende Drohnen in der Luft oder auch – für Agraranwendungen weniger plausibel – schwimmend und tauchend im Wasser. Die Technologie umfasst aber auch Software zur Steuerung all dieser Robotervarianten, einschließlich der Auswertung und Interpretation von Sensordatenströmen während des Robotereinsatzes. Das Gebiet Robotik insgesamt ist technisch vielfältig und voluminös, mit einem klaren historischen wie praktischen Schwerpunkt in Anwendungen in der industriellen Fertigung (vgl. [4] für einen breiten Überblick).

Robotik-Anwendungen im Ackerbau stellen an Hardware- wie Softwarekomponenten spezielle, von Anwendungen in der klassischen industriellen Fertigung stark unterschiedene Anforderungen. Robotereinsatz in der Industrie kann durch rigide Strukturierung und Kontrolle des Roboterumfelds unterstützt werden: Schließlich sind klassische „Industrieroboter“ Komponenten in hoch strukturierten, „automations-affinen“ Fertigungsprozessen, bis hin zu vollautomatisierten Fertigungsstraßen, in die einzelne Roboter integriert sind. Für einen Agrarroboter im Ackerbau sind die Randbedingungen komplett anders. Zwar hat auch ein Acker Struktur; die Varianz der Umgebung (z.B. Beleuchtung, Wetter, Bodenverhältnisse) und der „Werkstücke“ (z.B. Nutzpflanzen, Ackerbegleitflora, Schädlinge) ist aber unvergleichlich höher und nicht beliebig reduzierbar – bis dahin, dass ihr Ort (wo wächst Unkraut?) und ihre aktuelle Morphologie (wie ist das Erscheinungsbild einer Pflanze?) a priori unbekannt oder wenigstens unsicher sind: Ein Acker ist „automations-avers“. Die Prinzipien von Software zur Steuerung von „Industrierobotern“, nämlich primär prozessabhängig, nicht umgebungsabhängig, sind in Agrarrobotern schlicht nicht anwendbar. Agrarroboter sind in dieser Hinsicht vollautomatisierten („autonomen“) PKW im innerstädtischen Straßenverkehr ähnlicher als Fertigungsrobotern im industriellen Prozess – und solche autonomen PKW sind trotz großer Anstrengungen der Hersteller derzeit bekanntlich noch nicht zu Anwendungs- und Marktreife gediehen.

Forschungsarbeiten zur Agrarrobotik entsprachen folgerichtig von Beginn an dem Verständnis von Robotern, das seit den 1960er Jahren in der Künstlichen Intelligenz (KI) leitend war, nämlich als Maschinen, „die auf Basis von Umgebungssensordaten in geschlossener Regelung in Umgebungen agier[en], die zur Zeit der Programmierung nicht genau bekannt und/oder dynamisch und/oder nicht vollständig erfassbar sind“ [5, S. 3]. „Autonome“ Agrarroboter, analog zu „autonomen“ PKW, wären dann nach dem Sprachgebrauch in der KI Agrarroboter, die über lange Dauer vollautomatisch, also ohne Eingriff von Menschen agieren unter der Randbedingung, dass ihre automatischen Aktionen jederzeit von der vorab nicht genau bekannten und nicht präzise messbaren aktuellen Situation abhängen müssen, in der sie sich zu jedem Zeitpunkt finden und die als Teil der Steuerung zunächst sensorisch erfasst und interpretiert werden muss, um dann bestmöglich entsprechend dem aktuell verfolgten Prozess (z.B. Unkrautbehandlung, Pflügen) zu agieren.

Es gibt viele Argumente, warum autonome Agrarroboter grundsätzlich interessant für die Anwendung in der Landwirtschaft sind [1; 2]: Ressourcenschonung, Ersatz für immer weniger verfügbares qualifiziertes Personal, generell Nachhaltigkeitserwägungen in allen Dimensionen ökonomisch, ökologisch und sozial werden immer wieder angeführt. Entsprechend sind erste autonome Agrarroboter seit einiger Zeit auf dem Markt und die Zahl der Anbieter und der Exemplare steigt. Für diesen Text sollen autonome Roboter zur Unkrautbehandlung als laufendes Anwendungsbeispiel dienen. ([3, Kap. 2.2] gibt einen skizzenhaften, [6] einen ausführlichen Überblick, Bild 1 zeigt beispielhaft kommerziell verfügbare Exemplare.)

Gerade weil autonome Agrarroboter sich nun zu verbreiten beginnen, wird es aber umso wichtiger, eine sichere Intuition für ihre technischen und organisatorischen Möglichkeiten und ihre aktuellen Grenzen zu entwickeln. Dabei soll dieser Text mit seinem Fokus auf aktuelle technische Herausforderungen beim Bau autonomer Agrarroboter helfen. Weiterhin soll er in der Forschung das Augenmerk auf wichtige noch offene Themen lenken.

Im Folgenden skizzieren wir zunächst Randbedingungen technischer und nicht-technischer, Art, die für erfolgreiche Anwendung autonomer Agrarroboter gegeben sein müssen – das ist nicht der Fokus des vorliegenden Textes, ist als Hintergrund aber wichtig. Dann kommen wir in separaten Abschnitten zu den drei zentralen technischen Herausforderungen: Selbstmonitoring und -diagnose, Prozessmonitoring und -diagnose und schließlich Langzeitautonomie. Eine Zusammenfassung schließt diesen Text.

Bild 1: Beispiele kommerziell verfügbarer autonomer Unkrautbearbeitungsroboter, übernommen aus [6], Fig. 4. (a): ecorobotics AVO; (b): Farming GT; (c): Laser Weeder.

Figure 1: Examples of commercially available autonomous weeding robots, taken from [6], Fig. 4. (a): ecorobotics AVO; (b): Farming GT; (c): Laser Weeder.

Randbedingungen für vollautomatische Prozesse durch Autonome Agrarroboter

Einen autonomen Agrarroboter zu betreiben, heißt, einen Ackerbauprozess (z.B. Unkrautbehandlung) vollautomatisch, also komplett oder weitgehend ohne Eingriff durch Menschen bearbeiten zu wollen. Der Roboter ist eine Komponente im Prozess; die Bewertung seines Nutzens ergibt sich als Teil der Bewertung des Prozess-Ergebnisses; eine Entscheidung für einen Agrarroboter im Prozess setzt voraus, dass dieser das beste Kosten-Nutzen-Verhältnis unter allen Alternativen aufzuweisen verspricht. Aus dieser wenig überraschenden Tatsache ergeben sich Konsequenzen für den Betrieb eines autonomen Agrarroboters.

Wie oben dargestellt, erlaubt Ackerbau als automations-averse Umgebung nicht, die Szenerie so rigide vorzustrukturieren, dass auf umgebungsabhängige Anteile in der Robotersteuerung verzichtet werden kann. Das bedeutet aber nicht, dass mögliche Strukturierungen im Prozess nicht vorgenommen werden dürften oder sogar sollten [7]. exemplifiziert am Beispiel eines autonomen Fütterungsroboters das Konzept „Readiness for Autonomy“ (R4A). Das ist ein Bewertungsschema für die Geeignetheit der Einsatzumgebung (im Fütterungsbeispiel in [7] etwa der Hofstelle), des Bedienpersonals (Wissen und Schulung etwa hinsichtlich erwarteter Zuarbeit für den Roboter bei der Bereitstellung von Ressourcen und hinsichtlich Behebung auftretender technischer Probleme) und des Roboters selber (etwa Statistiken über erfolgreiche und nicht erfolgreiche Einsätze dokumentierter Maschinenversionen in dokumentierten Umgebungen – im Beispiel Unkrautbehandlung etwa Ergebnisse wie in [8]). Ziel ist es dabei letztlich, die Abstimmung zwischen Roboter und Anwendungskontext durch Setzen beeinflussbarer Umgebungsparameter systematisch zu verbessern, um die Prozessqualität insgesamt zu erhöhen.

Das R4A-Schema in [7] ist exemplarisch gemeint; für jeden Prozess, in dem ein autonomer Agrarroboter eingesetzt werden soll, müssten die drei Dimensionen Einsatzumgebung, Bedienpersonal und Roboter prozessabhängig adaptiert werden. Weitere Dimensionen, wie etwa Prüfung der Einhaltung rechtlicher Rahmenbedingungen für den Einsatz eines autonomen Agrarroboters könnten oder sollten dazu kommen. Der Punkt ist: Auch in einer grundsätzlich automations-aversen Umgebung können und sollen kontrollierbare Prozessparameter im Sinne der erzielbaren Prozessqualität kontrolliert werden. Das kann auch ein Weg sein, solche Roboter bereits sinnvoll einsetzen zu können, bevor sie einen „perfekten“ Entwicklungsstand erreicht haben. Zu technischen Herausforderungen, die aus der grundsätzlichen Unkontrollierbarkeit von Parametern resultieren, kommen wir nun.

Selbstmonitoring und -diagnose

Aktuelle lernbasierte Sensordateninterpretationsverfahren, etwa zur Objektklassifizierung auf Basis tiefer neuronaler Netze (convolutional neural networks, CNN), zusammen mit passend leistungsfähiger Rechner- und Kamerahardware, haben die Möglichkeiten zur detailreichen Echtzeit-Erfassung des Roboterumfelds auf einem Acker in kurzer Zeit drastisch verbessert. Diese neuen Möglichkeiten sind in Forschung und Praxis zweifellos ein Grund für das deutlich gestiegene Interesse an Anwendungen autonomer Roboter in der Landwirtschaft.

[3, Kap. 3.1] fasst den Stand solcher Verfahren zusammen, die im Sinne der erforderlichen umgebungsabhängigen Robotersteuerung im Prozess eine Basis bieten. Im Beispiel autonomer Unkrautroboter bieten solche Verfahren für die Unterscheidung von Nutz- und Begleitpflanzen (bis hin zur laufenden Bestimmung unterschiedlicher Arten von Ackerbegleitflora und ihrer unterschiedlichen Behandlungen [9]) einen realistischen Ausgangspunkt und marktverfügbare autonome Roboter setzen bereits darauf auf. Auch für Umfelderfassung etwa im Sinne funktionaler Sicherheit autonomer Agrarroboter bieten solche Verfahren einen Ansatzpunkt [10], auch wenn hier noch nicht alle erforderlichen Normen vorliegen. Auch der Forschung stellen sich Folgefragen, etwa nach Trainingsdatensätzen ausreichender Qualität und Varianz [3, Kap. 3.1.2]. Die Entwicklungsgeschwindigkeit des Themas war in den letzten Jahren jedoch beeindruckend und lässt baldige Fortschritte erwarten.

Im Kontext des Einsatzes autonomer Agrarroboter, die über lange Dauer vollautomatisch ohne Eingriff von Menschen agieren können sollen, bietet Sensordateninterpretation jedoch ein Beispiel für eine Herausforderung, die durch die genannten Arbeiten aktuell nicht gelöst wird. Bild 2 exemplifiziert den Punkt. Das Kamerabild der Umgebung (Bild 2 links) ist offensichtlich stark gestört. Der Erkennungsalgorithmus (hier trainiert auf Menschen im Maschinenumfeld) erkennt dennoch korrekt einen Menschen an der richtigen Stelle (Bild 2 rechts). Was ist dann das Problem?

Bild 2: links: Foto einer Kamera (ZED2i) mit Regentropfen auf der Optik und von innen beschlagener Optik (Feuchtigkeit eingedrungen). Die Szene zeigt eine Norm-Puppe auf niedrig bewachsenem Grünland. rechts: Klassifikation der Objekte im Bild. (ResNet-101 Panoptic FPN [14], Gewichte von Training mit CoCo-Datensatz aus [15]) Die Puppe wird erkannt, die restlichen Zuordnungen sind völlig falsch (Himmel überstrahlt, Wasser kommt in der Szene nicht vor).

Figure 2: left: Photo of a camera (ZED2i) with raindrops on the lens and the lens fogged up from the inside (moisture has penetrated). The scene shows a standard mannequin on grassland with low vegetation. right: Classification of the objects in the image. (ResNet-101 Panoptic FPN [14], weights from training with CoCo dataset from [15]) The doll is recognized, the remaining classifications are completely wrong (sky is outshined, water does not occur in the scene).

Das Problem ist, dass autonome Agrarroboter für eine hohe Prozessqualität (im Beispiel für Erkennung von Menschen im Maschinenumfeld sogar für funktionale Sicherheit!) parallel zu ihrer Arbeit am Agrarprozess immer einen internen Monitoringprozess zur Erkennung und möglichst Diagnose potenzieller Störungen ihrer selbst ausführen müssen. Dafür gibt es triviale Beispiele, wie etwa die Überwachung des Batterieladezustands: Sowie ein definierter kritischer Wert unterschritten ist, unterbrich geordnet den Agrarprozess und fahre zur Ladestation – das beherrscht jeder Rasenmäh-Heimroboter. Das Problem in Bild 2 liegt aber komplexer. Für die Erkennung der eigentlichen Störung (Regenwasser auf und in der Kamera) gibt es keine spezifische Sensorik. Die Störung muss stattdessen aus dem Kamerabild erschlossen werden. Die trainierten Erkennungsalgorithmen (etwa für Unkräuter oder für Menschen im Maschinenumfeld) sind hierauf nicht eingerichtet und ohne erheblichen Aufwand auch nicht ausbaubar; Literatur und erprobte Methoden zur Selbstdiagnose sogar von absehbaren Störungen von Sensorwerten (etwa durch Regen, Staub, Schmutz, Schlag) liegen allenfalls vereinzelt vor. Auch Störungen in seiner Mechanik und Elektronik müsste der Roboter selber erkennen; hier liegen wenigstens von Arbeiten aus dem Bereich predictive maintenance vor, die einen Ansatz bieten könnten (aktueller Überblick: [11]). In Summe aber sehen aktuelle autonome Agrarroboter kein hinreichend umfassendes Selbstmonitoring vor, das andererseits ein notwendiger Bestandteil eines autonomen Roboters wäre.

Selbstmonitoring oder Einschätzung der eigenen Kompetenz durch autonome Systeme ist eine klassische Fragestellung, seit in der KI solche Systeme in Hardware oder Software gebaut wurden. [12] ist ein Beispiel aus der Hoch-Zeit der Wissensbasierten Systeme (1980er und 1990er Jahre); im Organic Computing in den 2000er Jahren [13] war Selbstmonitoring eine mögliche Funktion der „Selbst-X-Eigenschaften“ Organischer Systeme, wie selbst-konfigurierend, selbst-optimierend, selbst-heilend und andere. Für autonome Roboter insgesamt ist diese Fragestellung zwar eigentlich zentral, aber bis auf einfache Einzelfunktionen (vgl. Batterieladung) in der Forschung weitgehend unbearbeitet. Das gilt auch für Agrarroboter.

Prozessmonitoring und -diagnose

Die zweite Herausforderung ist wie die erste eine Variante von Selbst-Monitoring der Roboterfunktion – nun aber hinsichtlich des erzielten Prozess-Ergebnisses. Hier weist der Stand der Wissenschaft und Technik eine überraschende Lücke auf. Wie eingangs beschrieben, besteht der Sinn, einen autonomen Agrarroboter einzusetzen, darin, einen Prozess mit gutem Erfolg durchzuführen, also z.B. Unkraut effektiv zu behandeln. Wenn also der Roboter selbst jederzeit seine eigene Arbeitsqualität überprüfen können soll, muss es ein Maß für die Prozessqualität geben. Dieses Maß muss natürlich aus der Domäne des Prozesses stammen, also z.B. aus dem Pflanzenbau; die Umsetzung in die Robotersteuerung in Abhängigkeit der Umgebungswahrnehmung („Sieht der Schlag nach Bearbeitung durch den Roboter hinreichend gut aus?“) und gegebenenfalls Anpassung von Steuerungsparametern oder z.B. Entscheidung für Wartungsbedarf ist dann Sache der autonomen Robotersteuerung. Das ist nichts anderes als das, was der erfahrene Maschinenbediener heutzutage macht, der regelmäßig auf die gerade bearbeitete Reihe schaut und auf seinen Befund entsprechend reagiert.

Es gibt inzwischen einige Studien wie z.B. [8,16], die mit unterschiedlicher Methodik und unterschiedlichem Erkenntnisinteresse die Qualität der Arbeit von autonomen Robotern zur Unkrautbehandlung evaluieren, und diese Evaluation ist sinnvoll und richtig. Verblüffenderweise scheint aber keine dieser Studien oder Nachfolgearbeiten den nächsten Schritt zu betrachten: Wie soll ein Roboter mit Sensorik, Auswertungssoftware und einem operationalisierten Qualitätsmaß für den intendierten Unkrautbehandlungsprozess (z.B. Hacken, Spritzen, Lasern; Art von Nutzpflanzen) selber zu einem vergleichbaren Urteil kommen, die möglichen Ursachen für suboptimale Arbeitsqualität diagnostizieren und diese ab sofort entsprechend verbessern?

Die Lösung besteht vermutlich nicht darin, interne Sensorik für alle einzelnen Komponenten auf dem Roboter selber zu installieren, also gewissermaßen das Prozessmonitoring als eine Variante von Selbstmonitoring zu realisieren: Vermutlich ist der Aufwand für diese zusätzliche Sensorik (im Extremfall einschließlich einer Ausfallsensorik für diese Sensorik) zu hoch. Möglicherweise ist es realistischer, direkt das Arbeitsergebnis auf dem Schlag zu erfassen und zu interpretieren. Wie auch immer: Eine solche Steuerungsfunktion mit vertretbarem Aufwand (Sensorik, Rechenleistung) auf einem autonomen Roboter auf Basis eines für die Endanwendung plausiblen Qualitätsmaßes robust zu implementieren, ist ein hartes Problem. Nehmen wir aber das Ziel ernst, dass autonome Roboter auf automations-aversen Ackerflächen vollautomatisch und mit hoher Qualität Prozesse (Unkrautbehandlung oder andere) mit hohem Nutzen dauerhaft ausführen sollen, scheint es gar keinen Weg darum herum zu geben, dieses harte Problem anzugehen.

Langzeitautonomie

Wenn in der Landtechnik von autonomen Agrarrobotern als potenziell praktisch einsetzbaren Geräten die Rede ist, sind in der Terminologie der Robotikforschung langzeitautonome Roboter gemeint, also solche Roboter, die ihre vollautomatische Arbeitsleistung für den vorgegebenen Prozess nicht nur über kurze Dauer verrichten, nach denen jeweils ein Eingriff durch Menschen erfolgt – in welchem Fall ihre (kurzzeitige) Autonomie für den Betrieb nur geringen Nutzen hätte, weil Intervention durch den Menschen eben doch laufend erforderlich wäre. Langzeitautonomie adressiert dagegen eine lange Dauer des vollautomatischen Betriebs. Wie lang „lang“ ist, ist nicht sinnvoll zu quantifizieren, weil es vom konkreten Prozess und dem Einsatzkontext des Roboters abhängt: Roboter auf dem Mars oder in der Tiefsee müssen sicherlich längere Zeitspannen überbrücken können als ein Agrarroboter, den aufzusuchen grundsätzlich jederzeit möglich, wenngleich lästig wäre. Langzeitautonomie ist in der Robotikforschung ein seit langem bearbeitetes Konzept [17].

Dauerhafte völlige Unabhängigkeit der Arbeit eines autonomen Roboters von Interaktion mit Menschen dürfte im Agrar-Kontext praktisch nie angestrebt sein. Mindestens im Rahmen eines Wartungsintervalls (z.B. Ersatz von Verschleißteilen), oft auch für die Versorgung mit Arbeitsmedien (z.B. Spritzmittel), dürften Interaktionen mit Menschen planmäßig vorgesehen sein. Es ergeben sich also Episoden von erwarteter Autonomie zwischen den plangemäßen Interaktionen, sowie zusätzliche, ungeplante Interventionen von Menschen in Fällen, in denen das Selbstmonitoring des Roboters signalisiert, dass dieser ansonsten nicht weiterarbeiten kann. Langzeitautonomie eines Agrarroboters meint dann Autonomie zwischen diesen Zeitpunkten (und der Roboter, der alle paar Minuten ein Hilfe!-Signal des Selbstmonitorings absetzt, ist von sich aus oder im Kontext seines Einsatzumfelds nicht „ready for autonomy“, s.o.).

Forschung zu autonomen Agrarrobotern muss auch hier in enger Abstimmung zwischen Robotik/KI und Agrarwissenschaft arbeiten, um einerseits die planmäßigen Autonomie-Episoden aus Sicht des Agrarprozesses sinnvoll zu definieren und andererseits die Robustheit des autonomen Roboterhandelns innerhalb dieser Episoden zu erhöhen. Zu diesem essenziellen Thema gibt es aktuell nur wenige Forschungsarbeiten. Ein Beispiel ist [18], worin Anforderungen an die Robustheit der autonomen Roboterfunktion innerhalb der Episoden systematisiert werden und diese Robustheit durch Methoden der Ausführungsüberwachung (Execution Monitoring) erhöht werden soll. Der Überschaubarkeit aktueller Forschung zum Trotz, bleibt Langzeitautonomie im genannten Sinn eine offensichtlich essenzielle Eigenschaft für autonome Agrarroboter.

Zusammenfassung

Auf dem Weg zu autonomen Agrarrobotern haben wir in den letzten Jahren deutliche Fortschritte gesehen – sowohl hinsichtlich der Entwicklung marktfähiger Produkte, als auch im Ausbau des methodischen wissenschaftlichen Hintergrunds dafür in KI und Robotik. Dieser Text hat argumentiert, dass es für die weitere Entwicklung solcher Agrarroboter aktuell Forschungs- und Entwicklungsbedarf bei drei Themen gibt: Selbstmonitoring und -diagnose, Prozessmonitoring und -diagnose und – als Integration all dessen – Langzeitautonomie. Alle drei Themen haben systemischen Charakter und sind interdisziplinär in dem Sinn, dass sie einerseits Informationstechnik/KI/Robotik-Anteile und andererseits Anteile aus dem Anwendungsgebiet, hier also Ackerbau, integrieren müssen, um ans Ziel zu kommen. Beides ist erfahrungsgemäß kompliziert für Forschungsthemen. Wenn die Argumentation stimmt, werden wir für den Bau praktisch erfolgreicher Agrarroboter um diese Themen aber nicht herumkommen.

Literatur

[1]     Bergerman, M.; Billingsley, J.; Reid, J.; van Henten, E.: Robotics in Agriculture and Forestry. In: Siciliano, B.; Khatib, O. (Hrsg.): Springer Handbook of Robotics. Berlin, Springer 2016, S. 1463–1492.

[2]     Jin, Y.C.; Liu, J.Z.; Xu, Z.J.; Yuan, S.Q.; Li, P.P.; Wang, J.Z.: Development status and trend of agricultural robot technology. Int. J. Agric. & Biol. Eng. (2021) Bd. 14(4), S. 1–19.

[3]     Kisliuk, B.; Müller, H.; Krause, J.C.; Meemken, H.; Saborío Morales, J.C.; Hertzberg, J.: AI in Current and Future Agriculture: An Introductory Overview. KI – Künstliche Intelli­genz (2023) Bd. 37, S. 117–132. URL: DOI: doi.org/10.1007/s13218-023-00826-5.

[4]     Siciliano, B.; Khatib, O. (Hrsg.): Springer Handbook of Robotics. Berlin, Springer 2016.

[5]     Hertzberg, J.; Lingemann, K.; Nüchter, A. (2012): Mobile Roboter – Eine Einführung aus Sicht der Informatik. Berlin, Springer, 2012. DOI: doi.org/10.1007/978-3-642-01726-1.

[6]     Lytridis, C.; Pachidis, T.: Recent Advances in Agricultural Robots for Automated Weeding. AgriEngineering 2024, 6, 3279–3296. DOI: doi.org/10.3390/agriengineering6030187.

[7]     Pamornnak, B.; Scholz, C.; Gode, E.; Sommer, K.; Novak, T.; Hellermann, S.; Wegmann, B.; Ruckelshausen, A.: “Ready for Autonomy (R4A)”: concept and application for autonomous feeding. 43. GIL-Jahrestagung, Resiliente Agri-Food-Systeme, 2023, S. 441-446. URL: https://dl.gi.de/items/45fe7714-2bf9-421d-a1e3-745ba97ade05.

[8]     Scholz, C.; Pamornnak, B.; Becker, S.; Ruckelshausen, A.: Practice of autonomous field robotics compared to a tractor-implement-combination for the example of mechanical weed control, 79th Intl. Conf. LAND.TECHNIK - Agricultural Engineering (AgEng) 2022, S. 111-116.

[9]     Niemeyer, M.; Renz, M.; Pukrop, M.; Hagemann, D.; Zurheide, T.; Di Marco, D.; Höferlin, M.; Stark, P.; Rahe, F.; Igelbrink, M.; Jenz, M.; Jarmer, T.; Trautz, D.; Stiene, S.; Hertzberg, J.: Cognitive Weeding: An Approach to Single-Plant Specific Weed Regulation. KI – Künstliche Intelligenz 37 (2023), S. 175-181, DOI: doi.org/10.1007/s13218-023-00825-6.

[10]   Krause, J.C.; Martinez, J.; Gennet, H.; Urban, M.; Herbers, J.; Menke, S.; Röttgermann, S.; Hertzberg, J.; Ruckelshausen, A.: Konzeption und Realisierung einer feldbasierten landwirtschaftlichen Versuchsumgebung zur dynamischen Umgebungswahrnehmung. 43. GIL-Jahrestagung, Resiliente Agri-Food-Systeme, 2023, S. 381-386. URL: https://dl.gi.de/server/api/core/bitstreams/d2542d27-0f45-4969-84ba-b6494d670f3d/content.

[11]   Zhu, T; Ran, Y.; Zhou, X.; Wen, Y.: A Survey of Predictive Maintenance: Systems, Purposes and Approaches. arXiv:1912.07383v2, 2024.

[12]   Voß, A.; Karbach, W.; Drouven, U.; Lorek, D.: Competence Assessment in Configuration Tasks. AI Communications 3(3), S. 107-114, 1990. DOI: 10.3233/AIC-1990-3301.

[13]    Würtz, R.P. (Hrsg.): Organic Computing. Berlin, Springer, 2008. DOI: doi.org/10.1007/978-3-540-77657-4.

[14]   Kirillov, A.; Girshick, R.; He, K.; Dollár, P.: Panoptic Feature Pyramid Networks. 2019 IEEE/CVF Conf. Comp. Vis. Patt. Reco. (CVPR), Long Beach, CA, USA, 2019, S. 6392-6401, DOI: 10.1109/CVPR.2019.00656.

[15]   Facebookresearch: Detectron2. URL: github.com/facebookresearch/detectron2, Letzter Zugriff am: 8.1.2025.

[16]   Palva, R.; Kaila, E.; García Pascual, B.; Bloch, V.: Assessment of the Performance of a Field Weeding Location-Based Robot Using YOLOv8. Agronomy 2024, 14, S. 2215. DOI: doi.org/10.3390/agronomy14102215.

[17]   Kunze, L.; Hawes, N.; Duckett, T.; Hanheide, M.; Krajník, T.: Artificial intelligence for long-term robot autonomy: a survey. IEEE Robot Autom. Lett. 3(4) (2018), S. 4023-4030, DOI: https://doi.org/10.1109/LRA.2018.2860628.

[18]   Bohne, T.; Kisliuk, B.: Execution Monitoring for Long-Term Autonomous Mobile Robots in Outdoor Scenarios. In: In: ICRA-2023 Workshop on Robot Execution Failures and Failure Management Strategies, Ma/Juni 2023. URL: www.dfki.de/fileadmin/user_upload/import/13364_bohne_ICRA_2023.pdf.