Сравнительный анализ роботов для сбора яблок

Сельское хозяйство является одной из важнейших отраслей производства, поскольку обеспечивает человечество незаменимым ресурсом – продуктами питания. Однако проблема рентабельности сельскохозяйственного производства по-прежнему не решена, и если бы не субсидии и государственная поддержка, то в большинстве стран эта отрасль экономики находилась бы в упадке из-за своей убыточности. Причин для этого много, прежде всего, сильная зависимость от климатических и погодных условий, приводящая к регулярным непредвиденным потерям из-за неблагоприятных условий окружающей среды, а также необходимость взаимодействия с живыми организмами (растениями и животными), которые, в отличие от неживой природы, подвержены риску заболеваний и смерти, и чьим поведением гораздо труднее управлять, чем технологическими процессами в промышленном производстве. Еще одной проблемой является сезонность, которая приводит к неравномерности использования трудовых ресурсов в течение года. Лишь незначительная часть персонала занята в сельскохозяйственном производстве круглый год, остальные работники привлекаются, как правило, в момент уборки урожая и остаются без работы все остальное время. Поскольку доходность сельскохозяйственного производства низкая, то оплата труда также невысока, и наемные рабочие не имеют возможности обеспечить себе приемлемый годовой доход, работая лишь часть месяцев в году. Невозможность обеспечить полноценную занятость большинства работников в течение года приводит к оттоку кадров из отрасли, вследствие чего многие фермерские хозяйства оказываются необеспеченными трудовыми ресурсами и несут большие убытки из-за невыполненных вовремя работ, обычно это потеря значительной части урожая из-за несвоевременной уборки. Именно поэтому роботизация сельского хозяйства является задачей первостепенной важности.

Сбор урожая потенциально является одной из операций, легко поддающейся автоматизации, вследствие своей рутинности и высокого уровня повторяемости. Однако на сегодняшний день полностью автоматизированы процессы только для тех культур, которые убираются одновременно со всей посевной площади и не требуют индивидуальной оценки степени зрелости и пригодности для сбора – злаков, корнеплодов. Что касается фруктов и овощей сложной формы и разнообразного вида и окраски, то имеется ряд проблем, связанных в первую очередь с необходимостью применения интеллектуальных систем управления, способных обнаруживать и локализовывать плоды среди веток и листьев, оценивать готовность к сбору по внешнему виду и управлять движением манипулятора робота к месту обнаружения плода и его сбором без повреждения как самого плода, так и растения, с которого производится сбор урожая. То есть сложность представляет не разработка конструкции и обеспечение технических возможностей робота (в машиностроении уже широко применяется значительное количество манипуляторов, имеющих 3…6 степеней свободы и более и устройство управления усилием схвата), а именно управление роботом .

На сегодняшний день ведется разработка роботов для сборки различных овощей (огурцов, перцев, помидоров), фруктов (яблок, груш, слив, абрикосов, персиков, цитрусовых, гранатов, киви) и ягод (малины, клубники, голубики, ежевики). Каждая культура имеет свои особенности, требующие индивидуального подхода: ягоды имеют тонкую кожицу и нежную мякоть, поэтому могут легко повреждаться при сборе, зато системы компьютерного зрения достаточно легко обучаются отличать спелые ягоды от тех, которые еще не готовы к сбору; овощи отличаются большей прочностью по сравнению с ягодами, но если их цвет почти не отличается от цвета листьев, то роботу может быть трудно найти такой плод на растении; фрукты, как и овощи, труднее повреждаются при сборе, но растут на деревьях, среди веток и листьев, что затрудняет не только поиск плодов, но и доступ манипулятора к ним. Яблоки являются одним из самых популярных фруктов, выращиваемых практически во всех странах мира, общемировое производство достигает 100 млн тонн в год, однако большая часть сбора урожая до сих пор осуществляется вручную. В последнее десятилетие во многих странах мира, таких как США, Польша, Великобритания, все чаще наблюдается нехватка сезонных рабочих для сбора яблок, в результате чего производители несут огромные убытки.

В связи с этим появилось много исследовательских проектов, поддерживаемых как государственными грантами, так и частными инвесторами, направленных на разработку роботов для сборки яблок. Большинство роботов использует для обнаружения и оценки плодов цветные, спектральные, лазерные или тепловизионные камеры для обеспечения технологии компьютерного зрения. Спектральные камеры регистрируют интенсивность отраженного объектом излучения при разных длинах волн (в диапазоне от инфракрасного до ультрафиолетового), в отличие от цветных камер, использующих только три канала (красный, зеленый и синий). Это позволяет получать более полную и точную информацию об объекте, благодаря использованию текстурных характеристик (энтропия, гладкость, градиент), в частности для обнаружения объектов, которые имеют сходные спектральные характеристики с фоном. Однако если плод оказывается затенен другим плодом, листьями или ветками, то спектральные камеры плохо справляются со своей задачей. Исправить ситуацию можно при помощи тепловизионной камеры, фиксирующей температуру, которая, очевидно, отличается для плодов и фона. На этот метод влияют размер плода и воздействие на него прямых солнечных лучей. Обнаружение плодов в условиях переменной освещенности требует учета не только цвета, но и формы, текстуры, отражения, иначе полученной информации оказывается недостаточно для принятия правильного решения. Полученные тем или иным образом изображения подвергаются интеллектуальной обработке, чаще всего при помощи нейронных сетей или/и кластеризации (методами k-ближайших соседей KNN (k-Nearest Neighbors) или машины опорных векторов SVM (Support Vector Machine)).

Основными архитектурами нейронных сетей, используемыми для классификации, сегментации изображений и обнаружения на них каких-либо объектов, являются :

▪️ R-CNN (Region-based Convolutional Neural Networks) (R-CNN, Fast R-CNN, Faster R-CNN, Mask R-CNN) – для обнаружения объектов (выделяются в виде регионов (bounding boxes) на изображении) и отнесения их к какому-то классу из заданных, использует механизм, включающий явные циклы перебора по ограниченным регионам, что замедляет скорость обработки изображений;

▪️ P-CNN –для сегментации изображений, использует механизм накапливания внешних и локальных стимулов до динамического порога, приводящего к импульсному выходу, информация о входных изображениях содержится во временных сериях импульсных выходных данных, что обеспечивает устойчивость к шуму и независимость от геометрических изменений во входных шаблонах;

▪️ YOLO (You Only Look Once) – для распознавания объектов в режиме реального времени, например, на мобильных устройствах, использует механизм с коэффициентом перекрытия окон на сетке из заранее заданных окон, что позволяет не определять один и тот же объект многократно, достаточно одного прогона;

▪️ SSD (Single Shot MultiBox Detector) – для распознавания объектов в режиме реального времени, использует механизм, включающий использование заданной сетки окон, как в YOLO, но на пирамиде изображений, что позволяет за один прогон сети различать как большие, так и маленькие объекты.

Цель исследования – сравнительный анализ роботов для сбора яблок с целью выдачи рекомендаций по их использованию в агропромышленных предприятиях для автоматизации процесса сбора яблок.

Материалы и методы

В ходе сравнительного анализа роботов для сбора яблок было установлено, что все роботы данного типа можно условно разделить на две группы: исследовательские прототипы и коммерческие. Исследовательские прототипы роботов – это роботы, которые находятся на стадии их испытаний и исследований путей улучшения их параметров. В отличие от них коммерческие роботы уже используются в садах для сбора плодов. Проанализируем характеристики вначале исследовательских прототипов роботов, потом коммерческих в два этапа. На первом этапе рассмотрим роботы на описательном (вербальном) уровне с кратким обзором их достоинств и недостатков. На втором этапе с помощью математического аппарата, предложенного в методике принятия решений по выбору наилучшей технической системы по набору ее количественных и качественных характеристик, построим ранжированный ряд роботов и выберем наилучший из них. Методика позволяет принять решение по выбору наилучшего варианта робота для сбора яблок по совокупности их количественных и качественных характеристик, а также построить ранжированный ряд данных роботов на основе двух методов: МСА и МАИ. Расчеты были реализованы на Python с использованием библиотеки ahpy для МАИ и собственной программы для МСА.

Первый этап

В таблице 1 представлены основные технические характеристики исследовательских прототипов роботов для сбора яблок, разработанные на сегодняшний день.

Группа японских ученых из Ritsumeikan University предложила использовать цветную камеру (ZED (StereoLabs)) для определения двумерного положения плодов (обнаружение плодов) и стереокамеру, установленную на 0,5 м ниже манипулятора робота, для получения трехмерного изображения дерева снизу (для управления манипулятором робота). Для обработки изображений использовали нейросеть с архитектурой SSD. Эксперимент проводился в саду с яблонями V-образной формы, сорт яблок «Фудзи» (красные). Для сбора яблок была использована роботизированная рука с 6 степенями свободы UR3, выпускаемая компанией Universal Robots, а концевой эффектор представлял собой четырехпальцевый механический захват с регулируемой силой захвата.

Таблица 1. Технические характеристики исследовательских прототипов роботов для сбора яблок

Группа китайских ученых из Jiangsu University предложила использовать цветную CCD (Charge Coupled Devices) камеру для обнаружения яблок. Классификация яблок осуществлялась с учетом цвета и формы методом SVM с использованием радиальной базисной функции, что увеличивает время обнаружения плода из-за большого объема алгоритмических вычислений. Для сбора яблок была использована роботизированная рука с 5 степенями свободы, а концевой эффектор представлял собой ложку с пневматическим приводом. Концевой эффектор снабжен датчиками положения, столкновения и давления для предотвращения чрезмерного сдавливания плода и повреждения манипулятором при столкновении с плодом при сборе. Эксперимент проводился в саду с яблонями естественной формы, сорт яблок Фудзи (красные).

Группа американских ученых из Michigan State University разработала новую систему активного сканирования лазерной камерой (ALACS состоит из лазера с красной линией (Laserglow Technologies), цветной камеры RGB (Teledyne FLIR), внешней камеры RGB-D (Intel Real Sense D435i)) для точной трехмерной локализации плодов. Сначала камера RGB-D предоставляет информацию о глобальном виде сцены, включая цвет и глубину, что позволяет провести сегментацию изображения и идентифицировать плоды (для каждого определяется положение ограничивающих рамок). Затем ALACS направляет лазер на каждое яблоко и проводит лазерное сканирование для определения центроида каждого плода методом лазерного извлечения линий (Laser Line Extraction, LLE). Для сбора яблок была использована роботизированная рука с вакуумным захватом. Эксперимент проводился в саду с яблонями естественной формы на яблоках красного цвета.

Группа американских ученых из Washington State University предложила подход к обнаружению яблок на основе базового метода обработки цифровых изображений – кругового преобразования Хафа (Iterative Circular Hough Transform, CHT). Единая глобальная система камер, состоящая из цветной CCD камеры (Prosilica GC1290C) и 3Dкамеры (Time-of-flight, ToF) (Camcube 3.0), позволяет получать изображение однократно, что позволяет существенно сэкономить время, затраченное на идентификацию и локализацию плодов. Для сбора яблок была использована роботизированная рука с 6 степенями свободы, построенная на приводах Dynamixel Pro, выпускаемых компанией RobotisInc, а концевой эффектор представлял собой трехпальцевый механический захват с регулируемой силой захвата. Механический захват снабжен мягкими полиуретановыми накладками, что позволяет свести к минимуму смятие яблок и увеличивает силу трения при захвате. Кроме того, такой захват позволяет, в отличие, например, от вакуумного, осуществлять сбор плодов в стесненных условиях (рядом с препятствиями или в больших скоплениях яблок). Еще одной конструкционной особенностью захвата является его пассивная податливость, обеспечивающая устойчивость захвата к ошибкам при определении местоположения плода и уменьшающим повреждения при случайных столкновениях. Концевой эффектор не содержал никаких датчиков, а захват осуществлялся исключительно по принципу разомкнутого контура с прямым управлением, что позволило не только уменьшить сложность конструкции, но и увеличить скорость работы манипулятора. За счет снижения стоимости и упрощения конструкции отдельных частей робота удалось достичь стоимости меньше 15 тыс. долларов за один экземпляр (без учета стоимости автоматической самодвижущейся тележки). Эксперимент проводился в саду с яблонями естественной формы на яблоках красного цвета.

Совместный проект американских и японских ученых из University of Florida и Hokkaido University представляет собой цилиндрический манипулятор с шаговым электродвигателем и концевым эффектором с постоянным усилием захвата собственной разработки, снабженный цветной CCD камерой для получения изображений, путем сегментации которых определяется местонахождение плодов, и лазерный дальномер для определения расстояния до них. Идентификация плодов проводилась в несколько этапов: сегментация по методике собственной разработки на основе коэффициентов цветности, полученных расчетным путем для красного и зеленого цвета; обработка изображений с применением фильтров для устранения шумов; выделение границ плодов по совокупности признаков. Эксперимент проводился в саду с яблонями естественной формы, сорт яблок Фудзи (красные).

Группа китайских ученых из Tianjin University of Technology разработала прототип автономного робота для сбора яблок, оснащенного четырьмя роботизированными руками для повышения скорости уборки урожая. Идентификация плодов проводилась при помощи стереокамеры, полученные изображения обрабатывалось при помощи алгоритма локализации на основе многозадачности методом объединения нескольких ракурсов для получения глобальной карты плодов. Проблема оптимизации уборки урожая каждой роботизированной рукой и повышения эффективности решалась с использованием марковских игр. Эксперимент проводился в саду с яблонями веретенообразной формы на яблоках красного цвета.

Однако недостаток исследовательских прототипов заключается в значительной оторванности от реальных потребителей – фермерских хозяйств, что затрудняет внедрение разработок в массовое производство. Эта проблема частично решается за счет создания компаний, специализирующихся на разработке и внедрении коммерческих моделей роботов. Самой большой проблемой является привлечение капитала для развития и создания рентабельных моделей роботов. Ручной труд в сельском хозяйстве оплачивается невысоко, поэтому окупаемость таких проектов всегда находится под угрозой из-за реальной опасности низкой конкурентоспособности сложной дорогостоящей техники с дешевым неквалифицированным трудом.

В таблице 2 представлены технические характеристики основных коммерческих прототипов роботов для сбора яблок. Следует отметить, что компании-производители неохотно раскрывают детали функционирования роботов и их технические характеристики, информация носит в большей степени рекламный характер и не позволяет установить, каким именно методом проводилась идентификация плодов и каковы конструкционные новшества созданного прототипа. Демонстрация эффективности коммерческих прототипов всеми компаниями проводилась на красных яблоках, а системы распознавания образов включают различные камеры и датчики, детали не уточняются.

Таблица 2. Технические характеристики коммерческих прототипов роботов для сбора яблок

Американская компания Abundant Robots разработала прототип автономного робота для сбора яблок, оснащенного вакуумным захватом в качестве концевого эффектора роботизированной руки, передающим собранные фрукты по конвейеру в специальный бункер с трубчатыми амортизаторами, препятствующими повреждению собранных плодов. Несмотря на планы приступить к массовому производству, компания прекратила свое существование в 2021 году из-за финансовых проблем.

Израильская компания Tevel Aerobotics Technologies предложила конструкцию автономного робота, оснащенного квадрокоптерами (Flying Autonomous Robot, FAR), подключенного к платформе с помощью кабелей, с роботизированными руками, имеющими концевые эффекторы для сбора фруктов (трехпальцевый механический захват или мягкую вакуумную присоску). Робот пригоден для сбора яблок, персиков, нектаринов, абрикосов и слив (плоды массой от 50 до 700 г) в 2D-садах, с V-образных шпалер, в садах с разной геометрией и шириной дорожек. Роботы сдаются в аренду.

Еще одна израильская компания FFRobotics создала автономный робот, оснащенный роботизированными руками (от 4 до 12) с трехпальцевым механическим захватом для сбора яблок, цитрусовых, персиков, груш, манго и гранатов. Робот пригоден для работы в 2D-садах или на V-образных шпалерах и обладает высокой скоростью сбора плодов, а за счет большого количества манипуляторов и вместительного бункера для собранных фруктов значительно превосходит по производительности как аналоги, так и ручной труд. Стоимость робота составляет несколько сот тысяч долларов и зависимости от комплектации.

Российская разработка ФНАЦ ВИМ с методом распознавания плодов при помощи нейросетей, созданная при технологической поддержке Microsoft, представляет собой роботизированную руку с трехпальцевым механическим захватом, снабженную цветной камерой. Предложенный алгоритм распознавания образов позволил существенно увеличить точность распознавания и сбора плодов по сравнению с зарубежными аналогами. Эксперимент проводился на колоновидных яблонях с яблоками красного цвета в условиях лаборатории.

Австралийский проект университета Monash MARS (the Monash Apple Retrieving System) представляет собой автономную платформу, снабженную манипулятором, представляющим собой комбинацию механического четырехпальцевого и вакуумного захватов с мягкой присоской, и системой компьютерного зрения. Робот пригоден для автономной круглосуточной работы в 2D-саду. Роботы сдаются в аренду.

Еще один австралийский проект предложен компанией Ripe Robotics. Это автономный робот для сбора круглых фруктов (яблоки, сливы, апельсины) в 2D-садах или на V-образных шпалерах, оснащенный роботизированной рукой с концевым эффектором в виде вакуумного захвата с мягкой присоской, передающего собранные плоды по гибкому вакуумному шлангу на ленту конвейера, с которой они поступают в ящики. Компания разработала несколько прототипов роботов (BUZZ, CLIVE, EVE) и оказывает услуги по сбору фруктов за вознаграждение как у сезонного рабочего (оплата рассчитывается по массе собранных фруктов). В планах Ripe Robotics увеличение количества выполняемых операций (прореживание, обрезка, опрыскивание).

Второй этап анализа

Методика получения интегральной количественной оценки по каждому из вариантов роботов для сбора яблок и порядок построения ранжированного ряда их вариантов состоит из следующих этапов.

1. Определить набор количественных и качественных характеристик, предложенных для исследования моделей (вариантов) роботов для сбора яблок.

2. Упорядочить варианты роботов и их количественные характеристики с помощью МСА. На данном этапе получим ранжированные ряды рассматриваемых вариантов роботов и их количественных характеристик.

3. Нормировать ранжированный ряд вариантов роботов на базе процедуры МАИ. Получим вектор приоритетов вариантов роботов по их количественным характеристикам.

4. Упорядочить варианты роботов и их качественные характеристики с помощью МАИ. Получим вектор приоритетов качественных характеристик, вектор глобальных приоритетов и ранжированный ряд вариантов роботов.

5. Суммировать векторы приоритетов для количественных и качественных характеристик для каждого варианта робота.

6. Построить упорядоченный ряд вариантов роботов по сумме оценок п. 5 (от большей суммы к меньшей).

7. Проанализировать результаты и сделать выводы о наилучшем варианте робота (чем выше ранг, тем лучше вариант робота) и о важности той или иной характеристики в принятии решения.

Проведем расчеты по данному алгоритму вначале для исследовательских прототипов роботов для сбора яблок, а затем для коммерческих роботов для сбора яблок.

Результаты

Построение ранжированного ряда исследовательских прототипов роботов для сбора яблок Применим указанную методику поэтапно: вначале для исследовательских, затем для коммерческих роботов.

Исследовательские роботы

1. Количественные характеристики и выбранные для сравнения роботы приведены в таблице 1. Качественные характеристики будут рассмотрены позже при использовании МАИ.

2. На данном этапе получим ранжированные ряды рассматриваемых вариантов роботов и их количественных характеристик.

Результаты решения МСА. В результате вычислений был получен ранжированный ряд вариантов исследовательских прототипов роботов: Michigan State University, University of Florida, Hokkaido University, Япония, Washington State University, Tianjin University of Technology, Jiangsu University, Ritsumeikan University (итоговые показатели: 1; 0,8615; 0,7813; 0,7069; 0,6779; 0,6242).

При этом характеристики вариантов исследовательских прототипов роботов по важности в результате вычислений ранжируются следующим образом: «Доля собранных фруктов»; «Доля обнаруживаемых фруктов»; «Масса собранных плодов»; «Общее время сбора плода»; «Время обнаружения плода» (итоговые показатели: 1,00; 0,9869; 0,6419; 0,6162; 0,5782).

3. Нормировкой получим вектор приоритетов вариантов роботов по их количественным характеристикам: Michigan State University, University of Florida, Hokkaido University, Washington State University, Tianjin University of Technology, Jiangsu University, Ritsumeikan University (итоговые показатели: 0,2150; 0,1852; 0,1680; 0,1520; 0,1457; 0,1342).

4. На данном этапе проведем расчеты с помощью МАИ.

При рассмотрении роботов предложены следующие качественные характеристики, расположенные в последовательности по их важности (от более важных к менее важным): «Манипуляционные системы»; «Форма деревьев»; «Сенсорные устройства и видеокамеры»; «Метод распознавания фруктов»; «Способ отрыва яблок»; «Место укладки яблок»; «Подвижность»; «Финансовые условия».

Манипуляционные системы: тип манипулятора; тип концевого эффектора (захвата).

Форма деревьев: форма деревьев и их высота, с которыми могут работать роботы.

Сенсорные устройства и видеокамеры: тип детекторов на манипуляторе; тип видеокамер.

Метод распознавания фруктов: способ классификации и идентификации плодов фруктов; технологии обработки изображений плодов.

Способ отрыва яблок: не требует пояснения.

Место укладки яблок: куда укладываются собранные яблоки, наличие ящиков или другой тары.

Подвижность: возможность передвижения робота.

Финансовые условия: стоимость производства, возможность аренды экспериментального экземпляра, затраты на эксплуатацию, наличие нескольких образцов; комплектация.

Результаты решения МАИ. Вычислены вектор приоритетов качественных характеристик и вектор глобальных приоритетов роботов по их качественным характеристикам, на базе последнего получен ранжированный ряд вариантов роботов: Ritsumeikan University (0,225), Michigan State University (0,201), Tianjin University of Technology (0,170),Washington State University (0,158), Jiangsu University (0,136), University of Florida и Hokkaido University (0,109).

Вектор приоритетов качественных характеристик следующий: «Манипуляционные системы» (0,357), «Форма деревьев» (0,228), «Сенсорные устройства и видеокамеры» (0,172), «Метод распознавания фруктов» (0,094), «Способ отрыва яблок» (0,064), «Место укладки яблок» (0,04), «Подвижность» (0,026), «Финансовые условия» (0,019).

5. Суммируем векторы приоритетов для количественных и качественных характеристик для каждого варианта робота. Полученные обобщенные приоритеты дополнительно нормируются делением на 2. Полученные итоговые ранги роботов: Ritsumeikan University (2), Michigan State University (1), Tianjin University of Technology (4), Washington State University (3), Jiangsu University (6), University of Florida и Hokkaido University (5).

6. Построен упорядоченный ряд вариантов роботов по сумме оценок п. 5 (от большей суммы к меньшей). Michigan State University – 1 (0,2080); Ritsumeikan University – 2 (0,1796); Washington State University – 3 (0,1630); Tianjin University of Technology– 4 (0,1610); University of Florida, Hokkaido University – 5 (0,1471); Jiangsu University – 6 (0,1409).

7. По совокупности количественных и качественных характеристик наилучший робот – это робот Michigan State University. Более подробный анализ будет представлен в разделе «Обсуждение».

Построение ранжированного ряда коммерческих роботов для сбора яблок

1. Количественные характеристики и выбранные для сравнения роботы приведены в таблице 2. Качественные характеристики будут рассмотрены позже при использовании МАИ.

2. На данном этапе получим ранжированные ряды рассматриваемых вариантов роботов и их количественных характеристик.

Результаты решения МСА. Получен ранжированный ряд коммерческих роботов: Abundant Robotic, Ripe Robotics, Tevel Aerobotics Technologies, FFRobotics, ФНАЦ ВИМ, Monash University (итоговые показатели: 1; 0,8354; 0,7989; 0,7641; 0,7505; 0,7178).

При этом характеристики вариантов коммерческих роботов по важности в результате вычислений ранжируются следующим образом: «Доля обнаруживаемых фруктов»; «Доля собранных фруктов»; «Общее время сбора плода»; «Масса собранных плодов» (итоговые показатели: 1,00; 0,9516; 0,4277; 0,4110)

3. Нормировкой получим вектор приоритетов вариантов роботов по их количественным характеристикам: Abundant Robotics, Ripe Robotics, Tevel Aerobotics Technologies, FFRobotics, ФНАЦ ВИМ, Monash University (итоговые показатели: 0,2055; 0,1717; 0,1642; 0,1570; 0,1542; 0,1475).

4. На данном этапе проведем расчеты с помощью МАИ.

При рассмотрении роботов предложены следующие качественные характеристики, расположенные в последовательности по их важности: «Манипуляционные системы»; «Форма деревьев»; «Подвижность»; «Финансовые условия»; «Способ отрыва яблок»; «Возможность сбора других фруктов»; «Место укладки яблок».

Манипуляционные системы: тип манипулятора; тип концевого эффектора (захвата).

Форма деревьев: форма деревьев и их высота, с которыми могут работать роботы.

Подвижность: возможность передвижения робота.

Финансовые условия: стоимость робота, возможность аренды, возможность получения кредитов от банков на покупку (аренду); затраты на эксплуатацию, комплектация.

Способ отрыва яблок: не требует пояснения. Возможность сбора других фруктов: не требует пояснения.

Место укладки яблок: куда укладываются собранные яблоки, наличие ящиков или другой тары.

Результаты решения МАИ по коммерческим роботам. Вычислены вектор приоритетов качественных характеристик и вектор глобальных приоритетов вариантов роботов по их качественным характеристикам, на базе последнего получен ранжированный ряд вариантов роботов: Tevel Aerobotics Technologies (0,228), Monash University (0,224), Ripe Robotics (0,180), FFRobotics (0,154), ФНАЦ ВИМ (0,135), Abundant Robotics (0,080).

Вектор приоритетов качественных характеристик получен следующий: «Манипуляционные системы» (0,385), «Форма деревьев» (0,236), «Подвижность» (0,170), «Финансовые условия» (0,089), «Способ отрыва яблок» (0,059), «Возможность сбора других фруктов» (0,037), «Место укладки яблок» (0,024).

5. Суммируем векторы приоритетов для количественных и качественных характеристик для каждого робота. Полученные обобщенные приоритеты дополнительно нормируются делением на 2. Полученные итоговые ранги роботов: Tevel Aerobotics Technologies (1), Monash University (2), Ripe Robotics (3), FFRobotics (4), ФНАЦ ВИМ (5), Abundant Robotics (6).

6. Построен упорядоченный ряд роботов по сумме оценок п. 5 (от большей суммы к меньшей). Tevel Aerobotics Technologies – 1 (0,1961), Monash University – 2 (0,1858), Ripe Robotics – 3 (0,1759), FFRobotics – 4 (0,1555), ФНАЦ ВИМ – 5 (0,1446), Abundant Robotics – 6 (0,1428).

7. По совокупности количественных и качественных характеристик наилучший робот – это робот Tevel Aerobotics Technologies (Израиль). Более подробный анализ будет представлен в разделе «Обсуждение».

Обсуждение

При сравнении роботов для сбора яблок на вербальном уровне было затруднительно выделить лучшие образцы как исследовательских, так и коммерческих роботов. Применение методики принятия решений по выбору наилучшей технической системы по набору еѐ количественных и качественных характеристик для сравнительного анализа роботов для сбора яблок позволяет провести обоснованный, с помощью предложенного математического аппарата, анализ существующих роботов для сбора яблок.

Проанализируем полученные результаты по исследовательским роботам.

При оценке вариантов роботов только по количественным характеристикам (с помощью МСА) ранжированный ряд роботов следующий: Michigan State University, University of Florida, Hokkaido University, Washington State University, Tianjin University of Technology, Jiangs University, Ritsumeikan University. Наибольшее влияние на ранжирование оказали следующие характеристики: «Доля собранных фруктов»; «Доля обнаруживаемых фруктов», а «Масса собранных плодов»; «Общее время сбора плода»; «Время обнаружения» сыграли меньшую роль.

При построении ранжированного ряда роботов только по качественным характеристикам (с помощью МАИ) был получен следующий результат: Ritsumeikan University, Michigan State University, Tianjin University of Technology, Washington State University, Jiangsu University, University of Florida и Hokkaido University.

При этом на этот результат наибольшее влияние оказали такие качественные характеристики: «Манипуляционные системы», «Форма деревьев», «Сенсорные устройства и видеокамеры», «Метод распознавания фруктов», а характеристики «Способ отрыва яблок», «Место укладки яблок» оказали меньшее влияние, весомость же вклада в ранжирование характеристик «Подвижность» и «Финансовые условия» была совсем незначительной.

По совокупности количественных и качественных характеристик получен ранжированный ряд вариантов роботов: Michigan State University; Ritsumeikan University; Washington State University; Tianjin University of Technology; University of Florida и Hokkaido University; Jiangsu University.

Таким образом, на построение ранжированного ряда вариантов исследовательских роботов для сбора яблок по совокупности характеристик большее влияние оказали качественные характеристики, что привело к перемещению робота Ritsumeikan University, занимающего по количественным характеристикам 6-е место, на общее 2-е место, а робот University of Florida и Hokkaido University переместился с 2-го (по количественным характеристикам) – на общее 5-е место. Робот Washington State University, имея 3-е место по количественным характеристикам, остался на общем 3-м месте, хотя по качественным характеристикам занял 4-е место. Аналогично Tianjin University of Technology остался на общем 4-м месте. Суммарная общая оценка рангов данных роботов отличается незначительно: 3-е место – 0,1630, 4-е место – 0,1610, что указывает на эквивалентность данных роботов по совокупности представленных в открытой печати их характеристик. Наилучшим роботом оказался Michigan State University, худшим из рассмотренных роботов – Jiangsu University.

Проанализируем полученные результаты по коммерческим роботам.

При оценке вариантов роботов только по количественным характеристикам (с помощью МСА) ранжированный ряд коммерческих роботов следующий: Abundant Robotics, Ripe Robotics, Tevel Aerobotics Technologies, FFRobotics, ФНАЦ ВИМ, Monash University. Наибольшее влияние на ранжирование оказали следующие характеристики: «Доля обнаруживаемых фруктов» и «Доля собранных фруктов», а характеристики «Общее время сбора плода»; «Масса собранных плодов» оказали почти в два раза меньшее влияние.

При построении ранжированного ряда роботов только по качественным характеристикам (с помощью МАИ) был получен следующий результат: Tevel Aerobotics Technologies, Monash University, Ripe Robotics, FFRobotics, ФНАЦ ВИМ, Abundant Robotics.

При этом на этот результат наибольшее влияние оказали такие качественные характеристики: «Манипуляционные системы», «Форма деревьев», «Подвижность», характеристики «Финансовые условия» и «Способ отрыва яблок» оказали меньшее влияние, а «Возможность сбора других фруктов» и «Место укладки яблок» было совсем незначительным.

Таким образом, на построение ранжированного ряда вариантов коммерческих роботов для сбора яблок по совокупности характеристик большее влияние оказали качественные характеристики, что привело к перемещению робота Monash University, занимающего по количественным характеристикам 6-е место, на общее 2-е место, а робот Abundant Robotics переместился с 1-го (по количественным характеристикам) на общее последнее 6-е место, робот Tevel Aerobotics Technologies, имея 3-е место по количественным характеристикам, переместился с 3-го места (по количественным характеристикам) на общее 1-е место, за счет 1-го места по качественным характеристикам. Роботы FFRobotics и ФНАЦ ВИМ остались на своих местах, соответственно 4 и 5, т. к. ранги по количественным и качественным характеристикам у них совпали, 4 и 5. Робот Ripe Robotics перешел со 2-го места (по количественным характеристикам) на общее 3-е место. Наилучшим коммерческим роботом оказался Tevel Aerobotics Technologies, худшим из рассмотренных роботов – Abundant Robotics.

Итак, наибольшее влияние на построение полученного обобщенного ранжированного ряда роботов (как исследовательских, так и коммерческих) по совокупности количественных и качественных характеристик оказали качественные характеристики. Причем как для исследовательских, так и для коммерческих роботов наиболее важными качественными характеристиками являются: «Манипуляционные системы», «Форма деревьев». Характеристика «Место укладки яблок» не играет существенной роли. Не такое значительное влияние качественной характеристики «Финансовые условия» возможно обусловлено недостаточными данными, полученными из печати.

Этот анализ может быть использован руководителями агропромышленных предприятий и фермерами при автоматизации процесса сбора яблок за счет применения роботов.

Заключение

Сравнительный анализ исследовательских прототипов роботов и коммерческих роботов проведен в два этапа. Первый этап анализа позволил рассмотреть наиболее популярные модели роботов для сбора яблок, определить основные их характеристики, а также известные на сегодняшний день достоинства и недостатки роботов. Но он не дал ясной картины по выбору наилучшего как исследовательского, так и коммерческого роботов и не позволил построить ранжированный их ряд. Это затрудняет выдачу рекомендаций по использованию роботов для автоматизации процесса сбора яблок. Поэтому на втором этапе была применена методика принятия решений по выбору наилучшей технической системы по набору еѐ количественных и качественных характеристик. Она позволила получить интегральную количественную оценку по каждому из вариантов роботов для сбора яблок и построить ранжированные ряды вариантов исследовательских и коммерческих роботов. Методика основана на использовании совокупности двух методов: МСА и МАИ.

В результате первого этапа анализа были выбраны количественные и качественные характеристики роботов. На втором этапе алгоритм расчетов по указанной методике был реализован на Python. На основе расчетов установлено: наилучшим исследовательским роботом оказался Michigan State University, худшим – Jiangsu University; наилучшим коммерческим роботом оказался Tevel Aerobotics Technologies, худшим из рассмотренных роботов – Abundant Robotics. Лучшие роботы могут быть рекомендованы для использования в агрофирмах, занимающихся выращиванием яблок.

Кроме того, были построены ранжированные ряды исследовательских и коммерческих роботов, что также позволит руководителям агропромышленных предприятий выбрать наиболее устраивающий их вариант робота.

Анализ второго этапа также показал, что наибольшее влияние на построение полученного обобщенного ранжированного ряда роботов (как исследовательских, так и коммерческих) по совокупности количественных и качественных характеристик оказали качественные характеристики. Причем как для исследовательских, так и для коммерческих роботов наиболее важными качественными характеристиками являются: «Манипуляционные системы», «Форма деревьев». Характеристика «Место укладки яблок» не играет существенной роли. Знание наиболее важных характеристик может способствовать выбору робота для сбора яблок.

Проведенный сравнительный анализ может быть использован руководителями агропромышленных предприятий и фермерами при автоматизации процесса сбора яблок за счет применения роботов.

Подход к сравнительному анализу роботов для сбора яблок, предложенный в статье, пригоден для реализации не только данного типа роботов, но и роботов, предназначенных для сбора других плодов с целью автоматизации процесса их сбора.

Источник: Кафиев И.Р., Романов П. С., Романова И. П.,
Башкирский государственный аграрный университет, Уфа,
Коломенский институт (филиал) Московского политехнического университета, Коломна,
Московский университет им. С. Ю. Витте, г. Москва.

У нас можно купить метеорологический комплекс, датчик скорости ветра, датчик влажности и температуры почвы, датчик для метеостанции с доставкой по республике Крым, Краснодарскому краю, Ростовской области, Ставрополью, Дагестану и Северной Осетии.