IP2: Verwendung wiederholter Datenerfassungen für ein verbessertes langfristiges Monitoring

• Antragsteller: Professor Dr. Cyrill Stachniss
• Fachliche Zuordnung: Pflanzenbau, Pflanzenernährung, Agrartechnik ; Bild- und Sprachverarbeitung, Computergraphik und Visualisierung, Human Computer Interaction, Ubiquitous und Wearable Computing
• Förderung: Förderung seit 2022
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 459376902

Im Agrarbereich werden sowohl landwirtschaftlich genutzte Felder als auch Anbauflächen im Gartenbau immer wieder überwacht, um den Status quo der Pflanzen zu beurteilen, Entscheidungen zu treffen und Managementaktionen anzustoßen. Zur Beurteilung des Wachstumszustands oder der Erfassung phänotypischer Parameter der Pflanze(n) spielt die genaue 3D Geometrie sowie weitergehende, semantische Information eine zentrale Rolle. Daher ist bei der automatisierten Erfassung von Pflanzen die Schätzung von geometrischen-semantischen Modellen eine wichtige Aufgabe. Die meisten sensorbasierten Messsysteme gehen jedoch davon aus, dass die Sensorplattform bei jedem Start des Datenerfassungsprozesses eine neue Szene beobachtet. Nur wenige Ansätze können zuvor gebaute Karten berücksichtigen, um Modelle zu erweitern oder Änderungen wie das Wachstum über die Zeit automatisch zu verfolgen. Oftmals wird die Tatsache, dass die gleiche Szene/Objekte nach einigen Änderungen erneut betrachtet werden, nicht in vollem Umfang ausgenutzt. Dieses Projekt wird sich dieser Herausforderung annehmen und die zentrale Fragestellung beantworten: ``Wie kann man genaue Pflanzenmodelle automatisch erstellen und dabei die Tatsache ausnutzen, dass die gleichen, jedoch wachsenden und sich ändernden Objekte wiederholt beobachtet werden, um (i) die Modellierung in der räumlichen und zeitlichen Dimension (4D) zu verbessern, (ii) semantische Informationen über die Zeit genauer und konsistenter schätzen und (iii) die beteiligten Lernansätze auf selbstüberwachte oder unüberwachte Weise mittels Vorwissen über die Szene zu optimieren?'' Dieses Projekt entwickelt neue Ansätze und erweitert aktuelle Systeme für Kartenbau/SLAM mit mobilen Plattformen, Filteransätze für den Umgang mit Veränderungen sowie kontrastives Lernen in Kombination mit tiefen neuronalen Netzen, um die oben genannte Forschungsfragestellung anzugehen.

• DFG-Verfahren: Forschungsgruppen
• Teilprojekt zu: FOR 5351: KI-FOR Automatisierung und künstliche Intelligenz zur Überwachung und Entscheidungsfindung bei Gartenbaukulturen (AID4Crops)