Meyve bahçelerinde değişken düzeyli ilaçlama için otonom tarım aracı tasarımı

Abstract

Son yıllarda tarımsal üreticiler; tarımsal işçi erişiminin belirsizliği, güvenli, erişilebilir ve yüksek kaliteli tarımsal ürünler konusunda artarak devam eden müşteri talebi, uluslarası üreticilerle olan rekabet ve karbon ayak izinin azaltılması ihtiyacı nedeniyle önemli zorluklarla karşı karşıyadır. Üreticilerin rekabetçi ve karlı üretimi devam ettirebilmeleri teknolojiye yatırım yaparak işçi maliyetlerini düşürüp, verimi arttırmalarından geçmektedir. Otonom tarımsal araçlar meyve bahçelerinde proseslerin otonom hale getirilmesi, verimliliğin arttırılması, bahçe yönetimi konusunda alınan kararlar için gerekli verilerin toplanması, işletme giderlerinin ve karbon ayak izinin azaltılması konularında önemlidir. Bu çalışmada meyve bahçelerinde değişken düzeyli ilaçlama sistemini taşımak için otonom araç tasarımı ve simülasyonu yapılmıştır. Meyve bahçelerinde odometri ve LIDAR sensörlerinden gelen verileri kullanarak meyve bahçesinin engel haritasını çıkarabilen, adaptif monte karlo lokalizasyon yöntemi ile LIDAR ve odometri sensörlerinden gelen verileri harita ile karşılaştırarak otonom aracın harita üzerindeki konumunu doğru olarak belirleyebilen, aracın harita üzerinde istenilen noktalara otonom olarak gitmesini sağlayan ve bulunduğu noktadan hedef noktaya giderken karşısına çıkan engellerden dinamik pencere yaklaşımı algoritmasını kullanarak sakınabilen bir yazılım geliştirilmiştir. Tasarlanan otonom araç değişken düzeyli ilaçlama sisteminin sadece istenilen lokasyon içerisinde ilaçlama yapmasını sağlamak için ilaçlama makinasını çalıştırma ve durdurma komutlarını verebilmektedir. Çalışmada tasarlanan otonom araç, GPS' in doğru şekilde çalışamayacağı üstü örtülü meyve bahçelerinde, çalışacak olması nedeniyle özgün bir çalışmadır. Ayrıca dışarıdan GPS verisi gibi herhangi bir veriye ihtiyaç duymayacağı için tam otonom bir araçtır. Elde edilen tasarımdan uygulamada daha az çevre kirliliği, daha az işletme gideri ve daha az iş gücü kullanılmasını sağlayarak daha yüksek verim elde edilmesi beklenmektedir. Haritalama uygulamasının başarısı, haritanın ne kadar yer değiştirme yapıldıktan sonra güncelleneceğine ve haritalamada kullanılan parçacık sayısına bağlıdır. Robotun 50 cm yer değiştirmesi ile haritanın güncellenmesi ve 30 parçacık kullanılması durumunda gerekli işlem gücü ve performans bakımından en uygun olan 3,03 entropi değeri elde edilmiştir. Lokalizasyon, robottaki sensörlerden alınan verilerin ve harita bilgisinin adaptif monte karlo lokalizasyon algoritması kullanılarak karşılaştırılması ile sağlanmıştır. Lokalizasyon başarısı, robota ait pozisyonun ne kadarlık yer değiştirme sonucu güncelleneceğine ve lokalizasyonda kullanılan parçacık sayısına bağlıdır. Konum güncellemesinin robotun 2 cm yer değiştirmesi ile yapıldığında ve minimum 500, maksimum 2000 parçacık kullanımında gerekli işlem gücü ve performans bakımından en uygun olan 3,50 cm ortalama hata elde edilmiştir. Rota planlama uygulaması, harita üzerinde lokalizasyonu sağlanmış robotun bulunduğu noktadan istenilen noktaya gidebilmesi için geliştirilmiştir. Rota planlama için Dijkstra algoritması kullanılmış, planlama global ve lokal planlama olarak iki aşamada yapılmıştır. Lokal planlamada kullanılan dinamik pencere yaklaşımı ile robotun önüne çıkan engellerden kaçabilmesi sağlanmıştır.

In recent years, agricultural producers have faced significant challenges due to the uncertainty of access to the agricultural labor force, the growing demand for safe, accessible and high-quality agricultural products, a high level of competition with international producers, and an increasing need to reduce their carbon footprint. The fact that producers can continue their competitive and profitable production only by reducing labor costs means they have to invest in technology and increase efficiency. Autonomous agricultural vehicles are important in autonomous processes in fruit orchards, increasing productivity, collecting necessary data for decisions on orchard management, reducing operating costs and carbon footprint. In this study, autonomous vehicle design and simulation were done in order to carry the variable level spraying system in the orchards. An autonomous vehicle can map the orchards by using the data from the odometry and LIDAR sensors, then accurately determine the position of the autonomous vehicle on the map by using the adaptive Monte Carlo localization method to compare data from the LIDAR and odometry sensors with the map. An autonomous vehicle can avoid obstacles by using the dynamic window approach algorithm. The designed autonomous vehicle is able to give commands for starting and stopping the spraying machine to ensure that the variable-level spraying system is sprayed only within the desired locations. The autonomous vehicle designed in the study is an original study because it will work in covered orchards where GPS cannot work properly. It is also a fully autonomous tool because it does not need any data, such as external GPS data. It is expected that higher efficiency will be achieved by providing less environmental pollution, lower operating expense and less labor force in practice. The success of the mapping application depends on the map being updated after the position displacement and the number of particles used in the mapping. When the map is updated with the 50 cm displacement of the robot and 30 particles are used, 3,03 entropy value was obtained which are the most suitable for the required processing power and performance. The localization is achieved by comparing the robot sensors' data and map information through an adaptive Monte Carlo localization algorithm. The localization success depends on a position update after the amount of displacement of the robot and the number of particles used in the localization. When the position update was made with the displacement of the robot by 2 cm and the minimum 500, maximum 2000 particles were used, a mean error of 3,50 cm was obtained which was optimal in terms of the required processing power and performance. The path planning application has been developed in order to reach the desired point from the location of the robot, which is localized on the map. Dijkstra algorithm was used for path planning, planning was done in two stages as global and local planning. The dynamic window approach used in local planning allows the robot to escape obstacles.