Vous devez vous connecter pour ajouter cet article à vos favoris
Le robot se développe de façon exponentielle dans le secteur agricole. Selon Chambre d’agriculture France, le nombre de robots en élevage a augmenté de 80 % sur les cinq dernières années tandis que le nombre de robots des champs a été multiplié par 5 en 5 ans. La majorité des robots en élevage sont montés sur rails ou suivent des parcours filoguidés, mais quelques engins sont désormais capables d’évoluer en toute autonomie, à l’image de la mélangeuse Aura de Kuhn qui se rend toute seule au silo. Comme pour les robots des champs, cette autonomie totale est possible grâce à l’IA et en particulier au Deep Learning.
Traiter rapidement les informations des capteurs
En effet, la machine doit être capable d’identifier son environnement, de se géolocaliser et de modifier ses trajectoires en fonction des nouvelles instructions envoyées par l’agriculteur et des évènements survenant à proximité. Toutes les informations sont fournies en permanence par un ensemble de capteurs (GPS, Lidar, caméras, infrarouges…). L’IA est la seule technologie en mesure de traiter rapidement les informations des capteurs pour modifier le parcours de l’automate et adapter les réglages de l’outil, par exemple la profondeur de travail d’un déchaumeur. En revanche, pour arrêter le mouvement en cas d’obstacle, un simple détecteur mécanique est suffisant, par exemple avec un câble disposé tout autour de la machine comme sur les robots FarmDroïd. Pour le moment, les robots des champs les plus fréquemment adoptés sont affectés au désherbage mécanique voire au semis et n’utilisent que des informations simples pour se guider. Ils n’ont pas recours au Deep Learning.
Des applications coûteuses
Ce dernier n’est employé que sur les solutions très sophistiquées et là, la limite n’est pas la technologie mais le coût de celle-ci pour l’agriculteur. C’est le cas de la pulvérisation ciblée avec des solutions autonomes embarquant une rampe de buses PWM à 25 cm. L’IA est alors utilisée d’abord pour reconnaître les adventices et piloter les buses et la vitesse d’avancement du robot. La solution la plus coûteuse est celle de la récolte des fruits. Le robot évolue en ligne droite, ce qui limite les interventions de l’IA pour corriger sa direction. En revanche, elle doit piloter les bras et les pinces de ramassage des fruits, en fonction de la position et de la maturité détectées par les caméras. Le Deep Learning est ici sollicité et doit fournir les informations en une fraction de seconde. Le robot de ramassage de pommes de PeK Agroline dévoilé sur Agritechnica est l’héritier du robot Magali, créé en 1983 par des chercheurs français du Cemagref (devenu Inrae). Dopée à l’IA, la solution de PeK Agroline est nettement plus efficace que son ancêtre mais affiche un prix stratosphérique de plus de 500 000 euros. L’adoption dans tous les vergers n’est donc pas pour demain.
