DEVELOPMENT OF AN INTELLIGENT ROBOTIC HARVESTING SYSTEM
Abstract
In the context of the need to ensure food security, the tasks of optimizing production processes in the agricultural sector are becoming relevant. For example, given the shortage of labor in agriculture, it is necessary to develop and implement robotic systems to automate the processes of plant care, harvesting and processing. The article presents the results of the development of an autonomous robot for picking apples, created on the basis of a universal anthropomorphic robot developed at the Kabardino-BalkarianScientific Center of the Russian Academy of Sciences. The robot is equipped with two multi-link manipulators similar to human hands, which allows it to perform complex harvesting tasks. To ensure intelligent control of the entire system, a multi-agent neurocognitive architecture is used, which imitates the work of the human brain and allows the robot to adapt to changing environmental conditions. The robot is equipped with a set of sensors, including video cameras, ultrasonic and infrared rangefinders, lidar and encoders on the manipulator drives. This allows it to accurately determine the location of apples, assess their ripeness and plan the trajectory of the manipulators. Particular attention is paid to the development of a gripper that imitates a human hand and allows you to adjust the squeezing force, which minimizes the risk of damage to the fruit. A multi-agent neurocognitive architecture is used to control the robot, which provides autonomous decision-making based on sensor data. The system is able to build a map of the area, determine the position of the robot and plan a route, as well as recognize apples and assess their condition. The article also considers the problems associated with the automation of harvesting in agriculture, including a lack of labor and crop losses due to improper operation of equipment. The authors emphasize that automation and robotization of harvesting processes have great potential, especially for crops that require an individual approach, such as fruits and vegetables. The presented robot demonstrates high efficiency in solving these problems, which is confirmed by the results of field tests. The developed system can be adapted to work with other crops, which makes it a universal solution for the agricultural industry
References
1. Wysokiński M, Domagała J, Gromada A, Golonko M, Trębska P. Economic and energy efficiency of agriculture
// Agric. Econ. – Czech. – 2020. – 66 (8). – P. 355-364. – DOI: 10.17221/170/2020-AGRICECON.
2. Wang F., Urquizo R.C., Roberts P. et al. Biologically inspired robotic perception-action for soft fruit
harvesting in vertical growing environments // Precision Agric. – 2023. – 24. – P. 1072-1096. – DOI:
https://doi.org/10.1007/s11119-023-10000-4.
3. Shaikh T. A., Rasool T., Lone F. R. Towards leveraging the role of machine learning and artificial intelligence
in precision agriculture and smart farming // Computers and Electronics in Agriculture.
– 2022. – Vol. 198. – P. 107119. – ISSN 0168-1699. – DOI: https://doi.org/10.1016/ j.compag.2022.107119.
4. Бураева Е.В. Цифровизация сельского хозяйства как детерминанта экономического роста в
аграрном секторе экономики // Вестник ОрелГАУ. – 2020. – № 2 (83).
5. Gupta N., Khosravy M., Patel N. et al. Economic data analytic AI technique on IoT edge devices for
health monitoring of agriculture machines // Appl. Intell. – 2020. – 50. – P. 3990-4016.
– https://doi.org/10.1007/s10489-020-01744-x.
6. Скворцов Е.А. Перспективы применения технологий искусственного интеллекта в сельском
хозяйстве региона // Экономика региона. – 2020. – № 2.
7. Сологуб Н.Н., Уланова О.И., Остробородова Н.И., Остробородова Д.А. Проблемы и перспек-
тивы цифровых технологий в сельском хозяйстве // МСХ. – 2021. – № 4.
8. Li X., Zhang Y., Sorourkhah A. et al. Introducing Antifragility Analysis Algorithm for Assessing Digitalization
Strategies of the Agricultural Economy in the Small Farming Section // J. Knowl. Econ.
– 2024. – 15. – P. 12191-12215. – https://doi.org/10.1007/s13132-023-01558-5.
9. Антонов М.А., Анисимов А.А., Каширо С.Е. Об автоматизации сельского хозяйства // Известия
ТулГУ. Технические науки. – 2022. – № 9.
10. Бадмаева М.Х. К вопросу об особенностях и проблемах применения систем искусственного
интеллекта в сельском хозяйстве // Вестник БГУ. – 2022. – № 3.
11. El Jarroudi, M., Kouadio, L., Delfosse, P. et al. Leveraging edge artificial intelligence for sustainable
agriculture // Nat Sustain. – 2024. – 7. – P. 846-854. – https://doi.org/10.1038/s41893-024-01352-4.
12. Шитухин А.М., Калугина В.В. Развитие сельскохозяйственных бизнес-систем и применение
технологических инноваций // ЕГИ. – 2021. – № 6 (38).
13. Федосов А.Ю., Меньших А.М., Фартуков В.А., Зборовская М.И., Васильев Д.М. Применение
искусственного интеллекта при оптимизации орошения и применении гербицидов // Экономика
строительства. – 2023. – № 2.
14. Liu S.Y. Artificial Intelligence (AI) in Agriculture // IT Professional. – 2020. – Vol. 22, No. 3. – P. 14-15.
– DOI: 10.1109/MITP.2020.2986121.
15. Shaikh F.K., Memon M.A., Mahoto N.A., Zeadally S., Nebhen J. Artificial intelligence best practices in smart
agriculture // IEEE Micro. – 2022. – Vol. 42, No. 1. – P. 17-24. – DOI: 10.1109/MM.2021.3121279.
16. Рыбаков А.В., Выборнов Н.А., Рыбаков И.А. Анализ методов компьютерного зрения, перспек-
тивных для применения в агропромышленном комплексе // Прикаспийский журнал: управление
и высокие технологии. – 2022. – № 1 (57).
17. Бжихатлов К.Ч., Пшенокова И.А., Макоев А.Р. Концепция создания системы управления муль-
тиагентной робототехнической системой сельскохозяйственного назначения на базе нейроког-
нитивных алгоритмов // Известия ЮФУ. Технические науки. – 2024. – № 3. – С. 6-18. – DOI:
https://doi.org/10.18522/2311-3103-2024-3-6-18.
18. Бжихатлов К., Пшенокова И., Нагоева О., Мамбетов И. Мультиагентный алгоритм ориента-
ции и навигации автономных роботов в горной местности // XV Международная научная кон-
ференция «INTERAGROMASH 2022» / под ред. А. Бескопыльного, М. Шамцяна, В. Артюха.
INTERAGROMASH 2022. Lecture Notes in Networks and Systems. Т. 574. – Springer, Cham, 2023.
– DOI: 10.1007/978-3-031-21432-5_204.
19. Нагоев З.В., Пшенокова И.А., Бжихатлов К.Ч., Канкулов С.А. Имитационная модель интеллекту-
альной системы управления схватом сельскохозяйственного манипулятора на основе обучения
мультиагентных нейрокогнитивных архитектур // Известия КБНЦ РАН. – 2021. – № 4 (102).
20. Бжихатлов К.Ч., Пшенокова И.А., Канкулов С.А., Ксалов А.М. Концепция системы распознава-
ния образов для интеллектуальной системы защиты растений // Цифровая трансформация нау-
ки и образования: Сб. научных трудов III Всероссийской научно-практичсекой конференции с
международным участием, Нальчик, 09–14 июля 2022 года. – Нальчик: Кабардино-Балкарский
государственный университет им. Х.М. Бербекова, 2022. – С. 151-160. – EDN BQBKDM.
