BR102023001044A2

BR102023001044A2 - Sistema agrícola, e, método implantado por computador

Info

Publication number: BR102023001044A2
Application number: BR102023001044-0A
Authority: BR
Inventors: Nathan R. Vandike; Bhanu Kiran Reddy Palla; Duane M. Bomleny; Nathan E. Krehbiel; Troy M. Heims
Original assignee: Deere & Company
Priority date: 2022-04-05
Filing date: 2023-01-19
Publication date: 2023-10-17
Also published as: US20230309449A1; EP4260672A1

Abstract

sistema agrícola, e, método implantado por computador um mapa de informação é obtido por um sistema agrícola. o mapa de informação mapeia os valores de uma característica para diferentes localizações geográficas em um campo. um sensor in situ detecta os valores de configuração de máquina conforme uma máquina móvel se move pelo campo. um gerador de mapa preditivo gera um mapa preditivo que prevê a configuração de máquina em diferentes localizações no campo com base em uma relação entre os valores da característica e os valores de configuração de máquina detectados pelo sensor in situ. o mapa preditivo pode ser gerado e usado no controle de máquina automatizado.

Description

CAMPO DA DESCRIÇÃO

[001] A presente descrição refere-se a máquinas agrícolas, máquinas florestais, máquinas de construção e máquinas de gerenciamento de grama.

FUNDAMENTOS

[002] Existe uma grande variedade de diferentes tipos de máquinas agrícolas. Algumas máquinas agrícolas incluem colheitadeiras, como colheitadeiras combinadas, colheitadeiras de cana-de-açúcar, colheitadeiras de algodão, colheitadeiras de forragem autopropelidas e enfardadeiras. Algumas colheitadeiras também podem ser equipadas com diferentes tipos de cabeças para colher diferentes tipos de colheitas.

[003] A discussão acima é meramente provida para informações básicas gerais e não se destina a ser usada como uma ajuda na determinação do escopo da matéria reivindicada.

SUMÁRIO

[004] Um mapa de informação é obtido por um sistema agrícola. O mapa de informação mapeia os valores de uma característica para diferentes localizações geográficas em um campo. Um sensor in situ detecta os valores de configuração de máquina conforme uma máquina móvel se move pelo campo. Um gerador de mapa preditivo gera um mapa preditivo que prevê a configuração de máquina em diferentes localizações no campo com base em uma relação entre os valores da característica e os valores de configuração de máquina detectados pelo sensor in situ. O mapa preditivo pode ser gerado e usado no controle de máquina automatizado.

[005] O Exemplo 1 é um sistema agrícola que compreende: um sistema de comunicação que recebe um mapa de informação que mapeia os valores de uma característica para diferentes localizações geográficas no campo; um sensor de posição geográfica que detecta uma localização geográfica de uma máquina móvel; um sensor in situ que detecta um valor de configuração de máquina correspondente à localização geográfica; um gerador de modelo preditivo que gera um modelo preditivo de configuração de máquina indicativo de uma relação entre a característica e a configuração de máquina com base no valor de configuração de máquina detectado pelo sensor in situ correspondente à localização geográfica e um valor da característica no mapa de informação correspondente à localização geográfica; e um gerador de mapa preditivo que gera um mapa preditivo de configuração de máquina funcional do campo que mapeia valores preditivos de configuração de máquina para as diferentes localizações geográficas no campo com base nos valores da característica no mapa de informação e com base no modelo preditivo de configuração de máquina.

[006] O Exemplo 2 é o sistema agrícola de qualquer um ou de todos os exemplos anteriores, em que o gerador de mapa preditivo configura o mapa preditivo de configuração de máquina funcional para consumo por um sistema de controle que gera sinais de controle para controlar um subsistema controlável na máquina móvel com base no mapa preditivo de configuração de máquina funcional.

[007] O Exemplo 3 é o sistema agrícola de qualquer um ou de todos os exemplos anteriores, em que o sensor in situé um sensor de entrada que detecta, mediante detecção do valor de configuração de máquina, uma entrada em um mecanismo de entrada.

[008] O Exemplo 4 é o sistema agrícola de qualquer um ou de todos os exemplos anteriores, em que o sensor in situé um sensor de saída do sistema de controle que detecta, mediante detecção do valor de configuração de máquina, uma saída de um sistema de controle que controla a máquina móvel.

[009] O Exemplo 5 é o sistema agrícola de qualquer um ou de todos os exemplos anteriores, em que o valor de configuração de máquina é indicativo de um ponto de ajuste operacional comandado de um componente da máquina móvel.

[0010] O Exemplo 6 é o sistema agrícola de qualquer um ou de todos os exemplos anteriores, em que o mapa de informação é um dos seguintes: um mapa topográfico que mapeia, como valores da característica, valores de característica topográfica para as diferentes localizações geográficas no campo; um mapa de índice vegetativo que mapeia, como valores da característica, valores de índice vegetativo para as diferentes localizações geográficas no campo; um mapa óptico que mapeia, como os valores da característica, valores de característica óptica para as diferentes localizações geográficas no campo; um mapa de semeadura que mapeia, como os valores da característica, valores de característica de semeadura para as diferentes localizações geográficas no campo; um mapa de propriedades de solo que mapeia, como os valores da característica, os valores de propriedades de solo para as diferentes localizações geográficas no campo; um mapa de operação anterior que mapeia, como valores da característica, valores de característica de operação anterior para as diferentes localizações geográficas no campo; ou um mapa de configuração histórica que mapeia, como os valores da característica, valores de configuração histórica para as diferentes localizações geográficas no campo.

[0011] O Exemplo 7 é o sistema agrícola de qualquer um ou de todos os exemplos anteriores, em que o mapa de informação compreende dois ou mais mapas de informação, em que cada um dos dois ou mais mapas de informação mapeia valores de uma respectiva característica para as diferentes localizações geográficas no campo, em que o gerador de modelo preditivo gera, como o modelo preditivo de configuração de máquina, um modelo preditivo de configuração de máquina indicativo de uma relação entre as duas ou mais características respectivas e a configuração de máquina com base no valor de configuração de máquina detectado pelo sensor in situ correspondente às localizações geográficas e nos valores das duas ou mais características respectivas nos dois ou mais mapas de informação correspondentes à localização geográfica, e em que o gerador de mapa preditivo gera, como o mapa preditivo de configuração de máquina funcional, um mapa preditivo de configuração de máquina funcional que mapeia valores preditivos de configuração de máquina para as diferentes localizações geográficas no campo com base nos valores das duas características mais nos dois ou mais mapas de informação correspondentes às diferentes localizações geográficas e o modelo preditivo de configuração de máquina.

[0012] O Exemplo 8 é o sistema agrícola de qualquer um ou todos os exemplos anteriores, em que o sensor in situ detecta, como o valor de configuração de máquina, um valor de configuração de máquina correspondente a um primeiro componente da máquina móvel, em que o modelo preditivo gera, como o modelo preditivo de configuração de máquina, um modelo preditivo de configuração de máquina indicativo de uma relação entre a característica e a configuração de máquina correspondente ao primeiro componente da máquina móvel com base no valor de configuração de máquina correspondente ao primeiro componente detectado pelo sensor in situ correspondente à localização geográfica e um valor da característica no mapa de informação correspondente à localização geográfica, e em que o gerador de mapa preditivo gera, como o mapa preditivo de configuração de máquina funcional, um mapa preditivo de configuração de máquina funcional que mapeia valores preditivos de configuração de máquina correspondentes ao primeiro componente para as diferentes localizações geográficas no local de trabalho com base nos valores da característica no mapa de informação correspondente às diferentes localizações geográficas e com base no modelo preditivo de configuração de máquina.

[0013] O Exemplo 9 é o sistema agrícola de qualquer um ou todos os exemplos anteriores e que compreende adicionalmente: um sistema de controle que gera um sinal de controle para controlar um atuador correspondente a um segundo componente da máquina móvel com base no mapa preditivo de configuração de máquina funcional.

[0014] O Exemplo 10 é o sistema agrícola de qualquer um ou de todos os exemplos anteriores, em que o segundo componente da máquina móvel está a jusante do primeiro componente da máquina móvel.

[0015] O Exemplo 11 é um método implantado por computador que compreende: receber um mapa de informação que mapeia os valores de uma característica para diferentes localizações geográficas em um campo; obter dados de sensor in situ indicativos de um valor de uma configuração de máquina correspondente a uma localização geográfica no campo; gerar um modelo preditivo de configuração de máquina indicativo de uma relação entre a característica e a configuração de máquina; e controlar um gerador de mapa preditivo para gerar um mapa preditivo de configuração de máquina funcional do campo que mapeia valores preditivos de configuração de máquina para as diferentes localizações geográficas no campo com base nos valores da característica no mapa de informação e no modelo preditivo de configuração de máquina.

[0016] O Exemplo 12 é o método implantado por computador de qualquer um ou todos os exemplos anteriores e que compreende adicionalmente: configurar o mapa preditivo de configuração de máquina funcional para um sistema de controle que gera sinais de controle para controlar um subsistema controlável em uma máquina móvel com base no mapa preditivo de configuração de máquina funcional.

[0017] O Exemplo 13 é o método implantado por computador de qualquer um ou todos os exemplos anteriores e que compreende adicionalmente: controlar um subsistema controlável de uma máquina móvel com base no mapa preditivo de configuração de máquina funcional.

[0018] O Exemplo 14 é o método implantado por computador de qualquer um ou todos os exemplos anteriores, em que a obtenção de dados do sensor in situ indicativos do valor de configuração de máquina compreende a obtenção de dados do sensor in situ indicativos de um valor de configuração de máquina correspondente a um primeiro componente da máquina móvel, em que a geração do modelo preditivo de configuração de máquina compreende gerar um modelo preditivo de configuração de máquina indicativo de uma relação entre a característica e a configuração de máquina correspondente ao primeiro componente, e em que a geração do mapa preditivo de configuração de máquina funcional compreende gerar um mapa preditivo de configuração de máquina funcional que mapeia valores preditivos de configuração de máquina correspondentes ao primeiro componente para as diferentes localizações geográficas no campo com base nos valores da característica no mapa de informação e no modelo preditivo de máquina de configuração.

[0019] O Exemplo 15 é o método implantado por computador de qualquer um ou de todos os exemplos anteriores, em que controlar o subsistema controlável compreende controlar um subsistema controlável correspondente a um segundo componente com base no mapa preditivo de configuração de máquina funcional.

[0020] O Exemplo 16 é uma máquina agrícola móvel que compreende: um sistema de comunicação configurado para receber um mapa de informação que mapeia os valores de uma característica para diferentes localizações geográficas em um campo; um sensor de posição geográfica que está configurado para detectar uma localização geográfica da máquina agrícola móvel; um sensor in situ que é configurado para detectar um valor de configuração de máquina correspondente à localização geográfica; um gerador de modelo preditivo que é configurado para gerar um modelo preditivo de configuração de máquina indicativo de uma relação entre valores da característica e valores de configuração de máquina com base no valor de configuração de máquina detectado pelo sensor in situ correspondente à localização geográfica e um valor da característica no mapa topográfico da localização geográfica; e um gerador de mapa preditivo que é configurado para gerar um mapa preditivo de configuração de máquina funcional do campo, que mapeia valores preditivos de configuração de máquina para as diferentes localizações geográficas no campo, com base nos valores da característica no mapa de informação nas diferentes localizações geográficas e com base no modelo preditivo de configuração de máquina.

[0021] O Exemplo 17 é a máquina agrícola móvel de qualquer um ou todos os exemplos anteriores e que compreende adicionalmente: um sistema de controle que é configurado para gerar um sinal de controle para controlar um subsistema controlável com base no mapa preditivo de configuração de máquina funcional.

[0022] O Exemplo 18 é a máquina agrícola móvel de qualquer um ou de todos os exemplos anteriores, em que o subsistema controlável compreende um atuador que é atuável para ajustar a operação de um componente da máquina agrícola móvel.

[0023] O Exemplo 19 é a máquina agrícola móvel de qualquer um ou de todos os exemplos anteriores, em que os valores preditivos de configuração de máquina correspondem a um primeiro componente da máquina agrícola móvel e em que o atuador corresponde a um segundo componente da máquina agrícola móvel.

[0024] O Exemplo 20 é a máquina agrícola móvel de qualquer um ou de todos os exemplos anteriores, em que o sistema de controle gera um sinal de controle para controlar um mecanismo de interface para gerar uma exibição indicativa do mapa preditivo de configuração de máquina funcional.

[0025] Esta Descrição Resumida é provida para apresentar uma seleção de conceitos de forma simplificada que são descritos mais abaixo na Descrição Detalhada. Esta Descrição Resumida não se destina a identificar os principais recursos ou recursos essenciais do objeto reivindicado, nem deve ser usado como um auxílio na determinação do escopo do objeto reivindicado. A matéria reivindicada não se limita a exemplos que resolvem qualquer ou todas as desvantagens observadas nos fundamentos.

BREVE DESCRIÇÃO DOS DESENHOS

[0026] A Figura 1 é uma vista em perspectiva mostrando um exemplo de uma colheitadeira agrícola.

[0027] A Figura 2 é uma ilustração parcial pictórica, esquemática parcial de um exemplo de uma colheitadeira agrícola.

[0028] A Figura 3 é um diagrama de blocos mostrando algumas partes de um sistema agrícola, incluindo uma colheitadeira agrícola, em mais detalhes, de acordo com alguns exemplos da presente descrição.

[0029] A Figura 4 é um diagrama de blocos que mostra um exemplo de um gerador de modelo preditivo e um gerador de mapa preditivo.

[0030] As Figuras 5A-5B (coletivamente referidos no presente documento como Figura 5) mostra um diagrama de fluxo ilustrando um exemplo de operação de um gerador de modelo preditivo e gerador de mapa preditivo.

[0031] A Figura 6 é um diagrama de blocos que mostra um exemplo de uma colheitadeira agrícola em comunicação com um ambiente de servidor remoto.

[0032] As Figuras 7-9 mostram exemplos de dispositivos móveis que podem ser usados em um sistema agrícola, de acordo com alguns exemplos da presente descrição.

[0033] A Figura 10 é um diagrama de blocos que mostra um exemplo de um ambiente de computação que pode ser usado em um sistema agrícola e as arquiteturas ilustradas nas figuras anteriores.

DESCRIÇÃO DETALHADA

[0034] Com o objetivo de promover a compreensão dos princípios da presente descrição, será feita referência agora aos exemplos ilustrados nas figuras e será usada linguagem específica para descrever os mesmos. No entanto, será entendido que nenhuma limitação do escopo da descrição é pretendida. Quaisquer alterações e modificações adicionais aos dispositivos, sistemas, métodos descritos e qualquer aplicação adicional dos princípios da presente descrição são totalmente contemplados como ocorreria normalmente a um versado na técnica à qual a descrição se refere. Em particular, é totalmente contemplado que os recursos, componentes, e/ou etapas descritos em relação a um exemplo podem ser combinados com os recursos, componentes, e/ou etapas descritas em relação a outros exemplos da presente descrição.

[0035] Em um exemplo, a presente descrição se refere ao uso de dados in situ obtidos simultaneamente com uma operação, em combinação com dados anteriores ou previstos, como dados anteriores ou previstos representados em um mapa, para gerar um modelo preditivo e um mapa preditivo, como um modelo preditivo de configuração de máquina e um mapa preditivo de configuração de máquina. Em alguns exemplos, o mapa preditivo de configuração de máquina pode ser usado para controlar uma máquina móvel.

[0036] Em um exemplo, a presente descrição se refere à obtenção de um mapa, como um mapa topográfico. Um mapa topográfico mapeia ilustrativamente as características topográficas (por exemplo, elevação, declive, perfil do solo, etc.) em diferentes localizações geográficas em um campo de interesse. Como a inclinação do terreno é indicativa de uma mudança na elevação, ter dois ou mais valores de elevação permite o cálculo da inclinação nas áreas com valores de elevação conhecidos. Maior granularidade de inclinação pode ser alcançada por ter mais áreas com valores de elevação conhecidos. À medida que uma colheitadeira agrícola percorre o terreno em direções conhecidas, o passo e a rotação da colheitadeira agrícola podem ser determinados com base na inclinação do solo (isto é, áreas de elevação variável). As características topográficas, quando mencionadas abaixo, podem incluir, sem limitação, elevação, inclinação (por exemplo, incluindo a orientação da máquina em relação à inclinação) e perfil do solo (por exemplo, aspereza). O mapa topográfico pode ser derivado de levantamento aéreo do campo de interesse, como por veículos aéreos (por exemplo, satélites, drones, etc.) com um ou mais sensores (por exemplo, lidar) que detectam a elevação no local de trabalho. O mapa topográfico pode ser derivado dos dados do sensor durante as operações anteriores no campo. Por exemplo, a(s) máquina(s) que realiza(m) as operações anteriores pode(m) ser equipada(s) com um ou mais sensores que podem detectar as características topográficas do campo. Esses são apenas alguns exemplos. O mapa topográfico pode ser gerado de várias outras maneiras.

[0037] Em um exemplo, a presente descrição se refere à obtenção de um mapa, como um mapa de índice vegetativo (VI). Um mapa VI mapeia ilustrativamente os valores do índice vegetativo em diferentes localizações geográficas em um campo de interesse. Os valores de VI podem ser indicativos de crescimento vegetativo ou saúde da vegetação, ou ambos. Um exemplo de índice vegetativo inclui um índice de vegetação de diferença normalizada (NDVI). Existem muitos outros índices vegetativos que estão dentro do escopo da presente descrição, por exemplo, um índice de área foliar (LAI). Em alguns exemplos, um índice vegetativo pode ser derivado de leituras de sensores de uma ou mais bandas de radiação eletromagnética refletidas pelas plantas ou matéria vegetal. Sem limitações, essas bandas podem estar nas porções de micro-ondas, infravermelho, visível ou ultravioleta do espectro eletromagnético. Um mapa VI pode ser usado para identificar a presença e localização de vegetação (por exemplo, colheita, ervas daninhas, matéria vegetal, como resíduo, etc.). O mapa VI pode ser gerado com base em leituras de sensores durante operações anteriores no campo ou durante um levantamento aéreo do campo realizado por veículos aéreos. Esses são apenas alguns exemplos. O mapa VI pode ser gerado de várias outras maneiras.

[0038] Em um exemplo, a presente descrição se refere à obtenção de um mapa, como um mapa óptico. Um mapa óptico mapeia ilustrativamente valores de radiação eletromagnética (ou valores de característica óptica) em diferentes localizações geográficas em um campo de interesse. Os valores de radiação eletromagnética podem ser de todo o espectro eletromagnético. Esta descrição usa valores de radiação eletromagnética de infravermelho, luz visível e porções ultravioleta do espectro eletromagnético apenas como exemplos e outras porções do espectro também são previstas. Um mapa óptico pode mapear pontos de dados por comprimento de onda (por exemplo, um índice vegetativo). Em outros exemplos, um mapa óptico identifica texturas, padrões, cores, formas ou outras relações de pontos de dados. Texturas, padrões ou outras relações de pontos de dados podem ser indicativos da presença ou identificação de vegetação no campo (por exemplo, colheitas, ervas daninhas, matéria vegetal, como resíduos, etc.). Adicional ou alternativamente, um mapa óptico pode identificar a presença de água parada ou manchas molhadas no campo. O mapa óptico pode ser derivado usando imagens de satélite, sensores ópticos em veículos voadores, como UAVS, ou sensores ópticos em um sistema terrestre, como outra máquina operando no campo antes da operação atual. Em alguns exemplos, os mapas ópticos podem mapear valores tridimensionais, bem como a altura da vegetação quando uma câmera estéreo ou sistema lidar é usado para gerar o mapa. Esses são apenas alguns exemplos. O mapa óptico pode ser gerado de várias outras maneiras.

[0039] Em um exemplo, a presente descrição se refere à obtenção de um mapa, como um mapa de semeadura. Um mapa visual mapeia de forma ilustrativa os valores de característica de semeadura em diferentes localizações geográficas em um campo de interesse. As características de semeadura podem incluir a localização da semente, espaçamento da semente, população de semente, espaçamento entre linhas de semente, genótipo da semente (por exemplo, espécie, híbrido, cultivar, etc.), bem como várias outras características. O mapa de semeadura pode ser derivado de leituras de sensores durante uma operação de plantio realizada no campo de interesse na mesma época da operação atual. Em alguns exemplos, o mapa de semeadura pode ser derivado de um mapa de semeadura prescritivo que foi usado no controle de uma máquina de plantio durante uma operação de plantio na mesma estação. Esses são apenas alguns exemplos. O mapa de propagação pode ser gerado de várias outras maneiras.

[0040] Em um exemplo, a presente descrição se refere à obtenção de um mapa, como um mapa de propriedades de solo. Um mapa de propriedades de solo mapeia ilustrativamente os valores de propriedades de solo (que podem ser indicativos do tipo de solo, umidade do solo, estrutura do solo, bem como várias outras propriedades do solo) em diferentes localizações geográficas em um campo de interesse. Os mapas de propriedades de solo, portanto, proveem propriedades de solo georreferenciadas em um campo de interesse. O tipo de solo pode se referir a unidades taxonômicas na ciência do solo, em que cada tipo de solo inclui conjuntos definidos de propriedades compartilhadas. Os tipos de solo podem incluir, por exemplo, solo arenoso, solo argiloso, solo de silte, solo turfoso, solo calcário, solo argiloso e vários outros tipos de solo. A umidade de solo pode se referir à quantidade de água que é retida ou, de outro modo, contida no solo. A umidade de solo também pode ser referida como umidade de solo. A estrutura do solo pode se referir ao arranjo das partes sólidas do solo e ao espaço poroso localizado entre as partes sólidas do solo. A estrutura do solo pode incluir a maneira pela qual as partículas individuais, como partículas individuais de areia, silte e argila, são montadas. A estrutura do solo pode ser descrita em termos de grau (grau de agregação), classe (tamanho médio dos agregados) e forma (tipos de agregados), bem como uma variedade de outras descrições. Esses são apenas exemplos. Várias outras características e propriedades do solo podem ser mapeadas como valores de propriedades do solo em um mapa de propriedades de solo.

[0041] Esses mapas de propriedades do solo podem ser gerados com base em dados coletados durante outra operação correspondente ao campo de interesse, por exemplo, operações agrícolas anteriores na mesma colheita, como plantio ou pulverização, bem como operações agrícolas anteriores realizadas em colheitas passadas, como uma operação de colheita anterior. As máquinas agrícolas que realizam essas operações agrícolas podem ter sensores integrados que detectam características indicativas das propriedades do solo, por exemplo, características indicativas do tipo de solo, umidade do solo, cobertura do solo, estrutura do solo, bem como várias outras características indicativas de vários outros solos propriedades. Além disso, as características operacionais, configurações da máquina ou características de desempenho da máquina das máquinas agrícolas durante as operações anteriores, juntamente com outros dados, podem ser usadas para gerar um mapa de propriedades de solo. Por exemplo, dados de altura de coletor indicativos da altura do coletor de uma colheitadeira agrícola em diferentes localizações geográficas no campo de interesse durante uma operação de colheita anterior, juntamente com dados meteorológicos que indicam condições climáticas, como dados de precipitação ou dados de vento durante um período intermediário (como o período desde o momento da operação de colheita anterior e a geração do mapa de propriedades de solo) podem ser usados para gerar um mapa de umidade de solo. Por exemplo, conhecendo a altura do coletor, a quantidade de resíduos vegetais remanescentes, como talos de colheita, pode ser conhecida ou estimada e, junto com os dados de precipitação, um nível de umidade de solo pode ser previsto. Esse é apenas um exemplo.

[0042] Em outros exemplos, os levantamentos do campo de interesse podem ser realizados, seja por várias máquinas com sensores, como sistemas de imagem, seja por seres humanos. Os dados coletados durante esses levantamentos podem ser usados para gerar um mapa de propriedades de solo. Por exemplo, levantamentos aéreos do campo de interesse podem ser realizados em que imagens do campo são realizadas e, com base nos dados da imagem, um mapa de propriedades de solo pode ser gerado. Em outro exemplo, um ser humano pode ir ao campo para coletar vários dados ou amostras, com ou sem a ajuda de dispositivos como sensores e, com base nos dados ou amostras, um mapa de propriedades de solo do campo pode ser gerado. Por exemplo, um ser humano pode coletar uma amostra central em vários locais geográficos em todo o campo de interesse. Essas amostras de núcleo podem ser usadas para gerar mapas de propriedades de solo do campo. Em outros exemplos, os mapas de propriedades de solo podem ser baseados na entrada do usuário ou operador, como uma entrada de um gerente de fazenda, que pode prover vários dados coletados ou observados pelo usuário ou operador.

[0043] Além disso, o mapa de propriedades de solo pode ser obtido de fontes remotas, como provedores de serviços terceirizados ou agências governamentais, por exemplo, o USDA Natural Resources Conservation Service (NRCS), o United States Geological Survey (USGS), bem como de várias outras fontes remotas.

[0044] Em alguns exemplos, um mapa de propriedades de solo pode ser derivado de leituras de sensores de uma ou mais bandas de radiação eletromagnética refletidas pelo solo (ou superfície do campo). Sem limitação, essas bandas podem estar nas porções de micro-ondas, infravermelho, visível ou ultravioleta do espectro eletromagnético.

[0045] O mapa de propriedades de solo pode ser gerado de várias outras maneiras.

[0046] Em um exemplo, a presente descrição se refere à obtenção de um mapa, como um mapa de operação anterior. O mapa de operação anterior inclui valores geolocalizados de características de operação anterior em diferentes localizações geográficas em um campo de interesse. As características de operação anteriores podem incluir características detectadas por sensores durante operações anteriores no campo, como características do campo, características da vegetação no campo, características do ambiente, bem como parâmetros operacionais das máquinas que executam as operações anteriores. Em outros exemplos, o mapa de operação anterior pode ser baseado em dados providos por um operador ou usuário. Esses são apenas alguns exemplos. O mapa de operação anterior pode ser gerado de várias outras maneiras.

[0047] Em um exemplo, a presente descrição se refere à obtenção de um mapa, como um mapa de cenário histórico. O mapa de configuração histórica inclui valores históricos de configuração de máquina geolocalizados em diferentes localizações geográficas em um campo de interesse. Os valores históricos de configuração de máquina podem ser os valores dos parâmetros operacionais do ponto de ajuste de itens de uma máquina móvel. Por exemplo, no caso de colheitadeiras, os valores históricos de configuração de máquina podem incluir os valores históricos de ponto de ajuste da velocidade de deslocamento, os valores históricos de ponto de ajuste do coletor (por exemplo, os valores históricos de ponto de ajuste da altura, os valores históricos de ponto de ajuste da inclinação, os valores históricos de ponto de ajuste da rotação), os valores históricos de ponto de ajuste do espaçamento da placa do convés, os valores históricos de ponto de ajuste da velocidade da corrente de coleta, os valores históricos de ponto de ajuste da velocidade dos rolos da haste, os valores históricos de ponto de ajuste da posição do mecanismo de transporte, os valores históricos de ponto de ajuste da velocidade do mecanismo de transporte, os valores históricos de ponto de ajuste da velocidade do rotor, valores históricos de ponto de ajuste da folga do côncavo, valores históricos de ponto de ajuste da velocidade do ventilador de limpeza, valores históricos de ponto de ajuste da velocidade do picador, valores históricos de ponto de ajuste da posição da contra-faca do picador, valores históricos de ponto de ajuste da posição do separador de palha (por exemplo, o tamanho das aberturas da peneira), os valores do ponto de ajuste da posição da peneira (por exemplo, o tamanho das aberturas da peneira), bem como valores históricos de pontos de ajuste de vários outros itens da colheitadeira. Será entendido que outras máquinas podem ter itens diferentes. Assim, em outros exemplos, o mapa de configuração histórica pode ter valores de pontos de ajuste históricos que correspondem aos itens específicos das máquinas. Por exemplo, para uma colheitadeira com um tipo diferente de coletor, como coletor do tipo bobina, o mapa de configuração histórica também pode incluir valores históricos de pontos de ajuste da posição da bobina (por exemplo, valores históricos de altura da bobina e valores históricos de posição da bobina para a frente), valores históricos de ponto de ajuste da velocidade do molinete e valores históricos de ponto de ajuste da posição do dedo do molinete. O mapa de configuração histórica pode ser derivado das leituras do sensor durante uma operação anterior no campo. Por exemplo, uma máquina que executa uma operação anterior no campo pode ser equipada com sensores de configuração de máquina que detectam valores de configuração de vários itens da máquina. Esses são apenas alguns exemplos. O mapa de configuração histórica pode ser gerado de várias outras maneiras.

[0048] Embora os vários exemplos descritos no presente documento prossigam em relação a certos mapas de exemplo, será reconhecido que vários outros tipos de mapas que mapeiam vários outros tipos de características são no presente documento contemplados e são aplicáveis com os sistemas e métodos descritos no presente documento.

[0049] A presente discussão prossegue, assim, com relação a sistemas que recebem um ou mais mapas de um campo e também usam um sensor in situ para detectar um valor indicativo de uma característica, como um ajuste de máquina, durante uma operação. Os sistemas geram um modelo que modela uma relação entre uma ou mais características derivadas de um ou mais mapas e os valores de saída do sensor in situ. O modelo é usado para gerar um mapa preditivo funcional que prevê a característica (ou um valor de saída do sensor in situ) em diferentes localizações no campo, como um mapa preditivo funcional de configuração de máquina que prevê a configuração de máquina (ou um valor de saída do sensor de configuração de máquina in situ) em diferentes localizações no campo. O mapa preditivo funcional, gerado durante a operação, pode ser utilizado no controle automático de uma máquina móvel, como uma colheitadeira agrícola, durante uma operação.

[0050] Embora os vários exemplos descritos no presente documento sejam relativos a certos exemplos de máquinas agrícolas, como colheitadeiras agrícolas, será reconhecido que os sistemas e métodos descritos no presente documento são aplicáveis a vários outros tipos de máquinas, incluindo vários outros tipos de máquinas agrícolas.

[0051] Agora será feita referência às Figuras 1-2 que mostram um exemplo de colheitadeira agrícola 100. No exemplo ilustrado, a colheitadeira agrícola 100 é uma colheitadeira combinada. Além disso, embora colheitadeiras sejam providas como exemplos ao longo da presente descrição, será reconhecido que a presente descrição também é aplicável a outros tipos de colheitadeiras, como colheitadeiras de algodão, colheitadeiras de cana-de- açúcar, colheitadeiras de forragem autopropelidas, ceifadeiras ou outras colheitadeiras agrícolas máquinas de trabalho. Consequentemente, a presente descrição se destina a abranger os vários tipos de colheitadeiras descritos e, portanto, não está limitada a colheitadeiras combinadas. Além disso, a presente descrição é direcionada a outros tipos de máquinas de trabalho, tais como máquinas de plantio agrícola, pulverizadores agrícolas, máquinas de lavoura agrícola, equipamentos de construção, equipamentos florestais e equipamentos de gerenciamento de grama onde a geração de um mapa preditivo pode ser aplicável. Consequentemente, a presente descrição se destina a abranger esses vários tipos de colheitadeiras e outras máquinas de trabalho e, portanto, não está limitada a colheitadeiras combinadas.

[0052] Conforme ilustrado, a colheitadeira agrícola 100 inclui ilustrativamente um compartimento do operador 101, que pode ter uma variedade de diferentes mecanismos de interface do operador, para controlar a colheitadeira agrícola 100, bem como para interagir com vários itens. A colheitadeira agrícola 100 inclui equipamento frontal, como um coletor 102. O coletor 102, no exemplo ilustrado, é um coletor de milho. Embora, em outros exemplos, outros tipos de coletores, como coletores do tipo bobina, coletores de esteiras, etc. possam ser usados. O coletor 102 inclui unidades divisoras de linha 104 e um mecanismo de transporte 109, ilustrativamente um sem-fim transversal, que é atuável (por exemplo, rotativo) para transportar o material colhido para o alimentador 106.

[0053] Cada unidade divisora de linha 104 inclui um subsistema de manuseio de colheita que inclui correntes de coleta, placas de convés e rolos de haste. Cada unidade divisora de linha 104 inclui uma corrente de coleta esquerda e direita, placa de convés e rolo de haste, com exceção da esquerda (como mostrado na Figura 1) unidade divisora de linha final 104-1 (que inclui apenas uma única corrente de coleta, placa de convés e rolo de haste no lado direito) e direita (como mostrado na Figura 1) unidade divisora de final de linha final 104-2 (que inclui apenas uma única corrente de coleta, placa de convés e rolo de haste no lado esquerdo). As unidades divisoras de linha 104 são espaçadas e definem um canal entre as mesmas que é configurado para receber linhas de colheita. Cada unidade divisora de linha 104 opera em conjunto com outra unidade divisora de linha 104 para processar a colheita. Por exemplo, a corrente de coleta direita de uma unidade divisora de linha 104 opera em conjunto com a corrente de coleta esquerda de uma unidade divisora de linha adjacente 104 para reunir a colheita nas placas do convés. A placa de convés direito de uma unidade divisora de linha 104 é espaçada da placa de convés esquerda de uma unidade divisora de linha adjacente 104 para permitir o talo da cultura entre as placas de convés. A haste da colheita é puxada para baixo pelo rolo de haste direito de uma unidade divisora de linha 104 e o rolo de haste esquerdo de uma unidade divisora de linha adjacente 104 até que a haste seja cortada pelas placas de convés. O rolo da haste está posicionado abaixo das placas de convés. A(s) espiga(s) de milho, bem como outro material de colheita, é(são) apanhada(s) pelas placas do convés e transportada(s) de volta para o mecanismo de transporte 109.

[0054] A colheitadeira agrícola 100 também inclui um alimentador 106, um acelerador de alimentação 108 e um debulhador geralmente indicado em 110. O coletor 102 é pivotalmente acoplado a um chassi 103 da colheitadeira agrícola 100 ao longo do eixo geométrico pivô 105. Um ou mais atuadores 107 acionam o movimento do coletor 102 em torno do eixo geométrico 105 na direção geralmente indicada pela seta 190. Assim, uma posição vertical do coletor 102 (a altura do coletor) acima do solo 111 sobre o qual o coletor 102 se desloca é controlável pela atuação do atuador 107. Embora não seja mostrado na Figura 1, a colheitadeira agrícola 100 também pode incluir um ou mais atuadores que operam para aplicar um ângulo de inclinação, um ângulo de rolamento ou ambos ao coletor 102 ou porções do coletor 102. A inclinação se refere a um ângulo no qual o coletor 102 engata na cultura. O ângulo de inclinação é aumentado, por exemplo, controlando o coletor 102 para apontar uma borda distal do coletor 102 mais em direção ao solo. O ângulo de inclinação é diminuído controlando o coletor 102 para apontar a borda distal do coletor 102 mais longe do solo. O ângulo de rolamento se refere à orientação do coletor 102 sobre o eixo geométrico longitudinal de frente para trás da colheitadeira agrícola 100.

[0055] A debulhadora 110 inclui ilustrativamente um rotor de debulha 112 e um conjunto de côncavos 114. Além disso, a colheitadeira agrícola 100 também inclui um separador 116. A colheitadeira agrícola 100 também inclui um subsistema de limpeza ou sapata de limpeza (coletivamente referido como subsistema de limpeza 118) que inclui um ventilador de limpeza 120, peneira 122 e crivo 124. A colheitadeira agrícola 100 também inclui batedor de descarga 126, elevador de rejeitos 128, elevador de grãos limpos 130, bem como trado de descarga 134 e bocal 136. O elevador de grãos limpos 130 move grãos limpos para o tanque de grãos limpos 132. A colheitadeira agrícola 100 também inclui um subsistema de resíduos 138 que pode incluir o picador 140 e o espalhador 142. O picador 140 inclui um conjunto de facas e pode ser girado para engatar e quebrar (cortar) material que não seja grão (por exemplo, resíduo de colheita) que é transportado para o espalhador 142 para ser espalhado no campo 111. A colheitadeira agrícola 100 também inclui um subsistema de propulsão que inclui um motor que aciona os componentes de engate ao solo 144, como rodas ou lagartas. Em alguns exemplos, uma colheitadeira combinada no escopo da presente descrição pode ter mais de um dentre qualquer um dos subsistemas mencionados acima. Em alguns exemplos, a colheitadeira agrícola 100 pode ter subsistemas de limpeza esquerdo e direito, separadores, etc., que não são mostrados na Figura 1.

[0056] Em operação, e a título de visão geral, a colheitadeira agrícola 100 se move ilustrativamente através de um campo na direção indicada pela seta 147. À medida que a colheitadeira agrícola 100 se move, o coletor 102 engata a colheita a ser colhida. Um operador de colheitadeira agrícola 100 pode ser um operador humano local, um operador humano remoto ou um sistema automatizado. O operador da colheitadeira agrícola 100 pode determinar uma ou mais de uma definição de altura, uma definição de ângulo de inclinação ou uma definição de ângulo de rolamento para o coletor 102. Por exemplo, o operador insere uma definição ou definições a um sistema de controle, descrito em mais detalhes abaixo, que controla o atuador 107. O sistema de controle também pode receber uma definição do operador para estabelecer o ângulo de inclinação e ângulo de rolamento do coletor 102 e implantar as definições inseridas controlando atuadores associados, não mostrados, que operam para alterar o ângulo de inclinação e ângulo de rolamento do coletor 102. O atuador 107 mantém o coletor 102 a uma altura acima do solo 111 com base em uma definição de altura e, quando aplicável, nos ângulos de inclinação e rolamento desejados. Cada uma das definições de altura, rolamento e inclinação podem ser implantadas independentemente das outras. O sistema de controle responde ao erro do coletor (por exemplo, a diferença entre a configuração de altura e a altura medida do coletor 104 acima do solo 111 e, em alguns exemplos, ângulo de inclinação e erros de ângulo de rolagem) com uma capacidade de resposta determinada com base em um nível de sensibilidade. Se o nível de sensibilidade for definido em um nível maior de sensibilidade, o sistema de controle responde a erros menores de posição de coletor e tenta reduzir os erros detectados mais rapidamente do que quando a sensibilidade está em um nível mais baixo de sensibilidade.

[0057] Além disso, o operador pode definir o espaçamento das placas do convés, bem como os parâmetros das correntes de coleta, dos rolos da haste e do mecanismo de transporte 109. As placas do convés são geralmente espaçadas com base no tamanho dos caules da cultura ou no tamanho das espigas. O espaçamento da placa do convés geralmente é afunilado da frente para trás. O espaçamento das placas do convés pode ser ajustado para levar em conta a variação no tamanho do caule ou tamanho da espiga durante a operação, bem como quando a perda de espigas no coletor é detectada (por exemplo, perda de espigas devido ao deslizamento das espigas entre as placas do convés). A velocidade das correntes de coleta e rolos de haste pode ser sincronizada com a velocidade de avanço da colheitadeira 100. Em alguns exemplos, a velocidade das correntes de coleta e dos rolos de haste pode ser ajustada com base nas características detectadas, como perda de colheita (por exemplo, descascamento de topo) no coletor 102. A velocidade e a posição do mecanismo de transporte 109 podem ser ajustadas. Por exemplo, a velocidade do mecanismo de transporte 109 pode ser ajustada com base na biomassa. A posição (por exemplo, altura) do mecanismo de transporte 109 pode ser ajustada com base no tamanho das espigas de milho ou com base nas características detectadas, como perda de colheita (por exemplo, quebra de espigas) no coletor 102 devido ao aperto das espigas de milho entre as mecanismo de transporte 109 e o coletor 102.

[0058] Depois que o material da colheita é separado das colheitas colhidas e transportado, pelo mecanismo de transporte 109 em direção ao alimentador 106, o material da colheita cortado é movido através de um transportador no alimentador 106 em direção ao acelerador de alimentação 108, que acelera o material da colheita na debulhadora 110. O material da colheita é trilhado pelo rotor 112 girando a colheita contra os côncavos 114. O operador pode definir a velocidade do rotor 112, bem como o espaçamento entre o rotor 112 e os côncavos 114 (folga do côncavo). Por exemplo, a velocidade do rotor, bem como o espaçamento entre o rotor e os côncavos, podem ser aumentados com o aumento da biomassa.

[0059] O material de colheita debulhado é movido por um rotor separador no separador 116, em que uma porção do resíduo é movida pelo batedor de descarga 126 em direção ao subsistema de resíduo 138. A porção de resíduo transferida para o subsistema de resíduo 138 é picada pelo picador de resíduo 140 e espalhada no campo pelo espalhador 142. A velocidade do picador 140 pode ser definida pelo operador com base em várias características, como a quantidade de biomassa sendo processada. Em outras configurações, o resíduo é liberado da colheitadeira agrícola 100 em um amontoado de feno. Em outros exemplos, o subsistema de resíduo 138 pode incluir eliminadores de sementes de ervas daninhas (não mostrados), como ensacadores de sementes ou outros coletores de sementes, ou trituradores de sementes ou outros destruidores de sementes.

[0060] O grão cai para o subsistema de limpeza 118. A peneira 122 separa alguns pedaços maiores do material do grão e o crivo 124 separa alguns dos pedaços mais finos do material do grão limpo. A peneira 124 e a palha 122 são acionáveis entre uma faixa de abertura (ou fechamento) para separar o grão limpo de outro material. O operador pode definir a abertura da peneira 124 ou do separador de palha 122 com base em várias características, como a limpeza do grão no tanque graneleiro 132. O grão limpo cai para um trado que move o grão para uma extremidade de entrada do elevador de grão limpo 130 e o elevador de grão limpo 130 move o grão limpo para cima, depositando o grão limpo no tanque de grão limpo 132. O resíduo é removido do subsistema de limpeza 118 pelo fluxo de ar gerado pelo ventilador de limpeza 120. O ventilador de limpeza 120 direciona o ar ao longo de um caminho de fluxo de ar para cima através das peneiras e separadores de palha. O fluxo de ar carrega resíduos para trás na colheitadeira agrícola 100 em direção ao subsistema de manipulação de resíduos 138. O operador pode definir a velocidade (e, portanto, a saída de ar) do ventilador de limpeza 120 com base em várias características.

[0061] O elevador de rejeitos 128 retorna rejeitos para o debulhador 110, em que os rejeitos são novamente debulhados. Alternativamente, os rejeitos também podem ser passados para um mecanismo de nova debulha separado por um elevador de rejeitos ou outro dispositivo de transporte em que os rejeitos também são novamente debulhados.

[0062] O exemplo ilustrado também mostra que, em um exemplo, a colheitadeira agrícola 100 pode incluir um ou mais sensores in situ 308, alguns dos quais são mostrados nas Figuras 1-2. Por exemplo, sensores in situ 308 podem incluir sensor de velocidade de solo 146, um ou mais sensores de perda de separador 148, uma câmera de grão limpo 150, um sistema de sensor de observação 151 e um ou mais sensores de perda 152 providos no subsistema de limpeza 118.

[0063] O sensor de velocidade no solo 146 detecta a velocidade de deslocamento da colheitadeira agrícola 100 no solo. O sensor de velocidade de solo 146 pode detectar a velocidade de deslocamento da colheitadeira agrícola 100 detectando a velocidade de rotação dos componentes de engate no solo (como rodas ou esteiras), um eixo de transmissão, um eixo ou outros componentes. Em alguns casos, a velocidade de deslocamento pode ser detectada usando um sistema de posicionamento, como um sistema de posicionamento global (GPS), um sistema de reconhecimento, um sistema de navegação de longo alcance (LORAN), um sensor de velocidade Doppler ou uma ampla variedade de outros sistemas ou sensores que proveem uma indicação da velocidade de deslocamento. Os sensores de velocidade de solo 146 também podem incluir sensores de direção, como uma bússola, um magnetômetro, um sensor gravimétrico, um giroscópio, derivação de GPS, para determinar a direção de deslocamento em duas ou três dimensões em combinação com a velocidade. Dessa forma, quando a colheitadeira agrícola 100 está em um declive, a orientação da colheitadeira agrícola 100 em relação ao declive é conhecida. Por exemplo, uma orientação da colheitadeira agrícola 100 pode incluir subir, descer ou percorrer transversalmente a encosta. A velocidade da máquina ou do solo, quando referida nesta descrição, também pode incluir a direção de deslocamento de duas ou três dimensões.

[0064] Os sensores de perda 152 proveem ilustrativamente um sinal de saída indicativo da quantidade de perda de grãos que ocorre em ambos os lados direito e esquerdo do subsistema de limpeza 118. Em alguns exemplos, os sensores 152 são sensores de colisão que contam colisões de grãos por unidade de tempo ou por unidade de distância percorrida para prover uma indicação da perda de grãos que ocorre no subsistema de limpeza 118. Os sensores de colisão para os lados direito e esquerdo do subsistema de limpeza 118 podem prover sinais individuais ou um sinal combinado ou agregado. Em alguns exemplos, os sensores 152 podem incluir um único sensor em oposição a sensores separados providos para cada subsistema de limpeza 118.

[0065] O sensor de perda de separador 148 provê um sinal indicativo de perda de grão nos separadores esquerdo e direito, não mostrado separadamente na Figura 1. Os sensores de perda do separador 148 podem ser associados aos separadores esquerdo e direito e podem prover sinais de perda de grãos separados ou um sinal combinado ou agregado. Em alguns casos, a detecção de perda de grãos nos separadores também pode ser realizada usando uma ampla variedade de diferentes tipos de sensores.

[0066] Os sistemas de sensores de observação 151 podem incluir um ou mais sensores, como um ou mais sistemas de imagem (por exemplo, câmeras mono ou estéreo), sensores ópticos, radar, lidar, sensores térmicos ou infravermelhos, sensores ultrassônicos, bem como uma variedade de outros tipos de sensores. Os sistemas de sensores de observação 151 podem ser configurados para detectar uma ou mais áreas ao redor (por exemplo, na frente, atrás, nas laterais) da colheitadeira 100. Alternativa ou adicionalmente, os sistemas de sensores de observação 151 podem detectar componentes da colheitadeira 100, como o coletor 102.

[0067] A colheitadeira agrícola 100 também pode incluir vários outros sensores in situ 308. Por exemplo, a colheitadeira agrícola 100 pode incluir um ou mais dos seguintes sensores: sensores de altura do coletor 171 que detectam a altura do coletor 102 acima do solo 111; sensores de estabilidade (por exemplo, acelerômetros) que detectam oscilação ou movimento de salto (e amplitude) da colheitadeira agrícola 100; um sensor de configuração de resíduo que está configurado para detectar se a colheitadeira agrícola 100 está configurada para cortar o resíduo, produzir uma leira, etc.; um sensor de velocidade do picador que está configurado para detectar a velocidade do picador 140; um sensor de velocidade do ventilador da sapata de limpeza para detectar a velocidade do ventilador 120; um sensor de folga de côncavo que detecta a folga entre o rotor 112 e o côncavo 114; um sensor de velocidade do rotor de debulha que detecta uma velocidade do rotor do rotor 112; um sensor de folga de separador de palha que detecta o tamanho das aberturas no separador de palha 122; um sensor de folga da peneira que detecta o tamanho das aberturas na peneira 124; um ou mais sensores de configuração de máquina configurados para detectar várias configurações configuráveis da colheitadeira agrícola 100; um sensor de orientação de máquina (por exemplo, unidade de medição inercial) que detecta a orientação da colheitadeira agrícola 100; um sensor de umidade de material diferente de grão (MOG) (por exemplo, sensor de umidade capacitivo) que detecta um nível de umidade do MOG passando pela colheitadeira agrícola 100; e sensores de propriedade da cultura que detectam uma variedade de diferentes tipos de propriedades da cultura, como tipo de cultura, umidade da cultura, biomassa da cultura, altura da cultura e outras propriedades da cultura. Sensores de propriedade de colheita também podem ser configurados para detectar características do material de colheita cortado à medida que o material de colheita está sendo processado pela colheitadeira 100. Por exemplo, em alguns casos, os sensores de propriedade da cultura podem detectar a qualidade do grão, como grãos quebrados; níveis de MOG; constituintes de grãos como amidos e proteínas; umidade do grão (por exemplo, sensor capacitivo de umidade); e taxa de alimentação de grãos à medida que o grão se desloca através do alimentador 106, elevador de grãos limpos 130 ou em outro lugar na colheitadeira agrícola 100. Os sensores de propriedade de colheita também podem detectar a taxa de alimentação de biomassa através do alimentador 106, através do separador 116 ou em outro lugar na colheitadeira agrícola 100. Os sensores de propriedade de colheita também podem detectar a taxa de alimentação como uma taxa de fluxo de massa de grãos através do elevador 130 ou através de outras porções da colheitadeira agrícola 100 ou prover outros sinais de saída indicativos de outras variáveis detectadas.

[0068] Deve-se notar que a umidade da cultura pode se referir amplamente à umidade da planta da cultura (por exemplo, planta de milho), que inclui grãos (por exemplo, grãos de milho) e outros materiais além do grão (por exemplo, folhas, talo, etc.). a umidade da cultura pode incluir tanto a umidade do grão quanto a umidade do material que não seja o grão (por exemplo, umidade MOG).

[0069] Antes de descrever como um sistema agrícola gera um mapa preditivo de configuração de máquina funcional e usa o mapa preditivo de configuração de máquina funcional para controle, uma breve descrição das configurações da máquina será descrita. As configurações da máquina podem incluir os parâmetros operacionais do ponto de ajuste de itens de uma máquina móvel, como a colheitadeira agrícola 100. Por exemplo, as configurações da máquina podem incluir o ponto de ajuste da velocidade de deslocamento e o ponto de ajuste do rumo. No exemplo da colheitadeira agrícola 100, as configurações da máquina podem incluir os pontos de ajuste da posição do coletor 102 (por exemplo, altura, inclinação, rotação), o ponto de ajuste do espaçamento da placa do convés, o ponto de ajuste da velocidade da corrente coletora, o ponto de ajuste da velocidade dos rolos da haste, o ponto de ajuste de posição do mecanismo de transporte 109, o ponto de ajuste de velocidade do mecanismo de transporte 109, o ponto de ajuste de velocidade do rotor 112, ponto de ajuste da folga do côncavo (por exemplo, espaço entre o rotor 112 e os côncavos 114), ponto de ajuste de velocidade do ventilador de limpeza 120, o ponto de ajuste de velocidade do picador 140, o ponto de ajuste da posição da contra-faca de picador 140 e os pontos de ajuste da posição da separador de palha/peneira (tamanho da abertura no separador de palha e na peneira), bem como os pontos de ajuste de vários outros itens da colheitadeira agrícola 100. Será entendido que outras máquinas podem ter itens diferentes. Assim, em outros exemplos, as configurações da máquina podem corresponder aos itens específicos da máquina. Por exemplo, uma colheitadeira com um tipo diferente de coletor, como coletor do tipo bobina, pode considerar parâmetros da bobina, como pontos de ajuste de posição da bobina (por exemplo, ponto de ajuste de altura e ponto de ajuste de posição da frente para trás), ponto de ajuste de velocidade da bobina, ponto de ajuste da posição do dedo do molinete, etc. Em qualquer caso, será entendido que as configurações da máquina incluem o parâmetro operacional do ponto de ajuste de um item de uma máquina. As configurações da máquina podem ser verificadas (ou detectadas) por uma variedade de sensores. Por exemplo, onde o ponto de ajuste é estabelecido por um operador humano (por exemplo, 360) ou usuário (por exemplo, 366), uma entrada em um mecanismo de entrada (por exemplo, 318 ou 364) pode ser detectada. Quando o ponto de ajuste é estabelecido por um sistema de controle automatizado (por exemplo, sistema de controle 304), uma saída do sistema de controle 304 (por exemplo, sinal de controle) estabelecendo a configuração (ou controlando um item para operar na configuração) pode ser detectada.

[0070] Uma relação entre os valores de configuração de máquina obtidos a partir dos dados do sensor in situ e os valores do mapa de informação é identificada e essa relação é usada para gerar um mapa preditivo funcional. Um mapa preditivo funcional prevê valores em diferentes localizações geográficas em um campo, e um ou mais desses valores podem ser usados para controlar uma máquina. Em alguns casos, um mapa preditivo funcional pode ser apresentado a um usuário, como um operador de uma máquina de trabalho agrícola, que pode ser uma colheitadeira agrícola, ou outro usuário, ou ambos. Um mapa preditivo funcional pode ser apresentado a um usuário visualmente, como por meio de uma tela, de forma tátil ou audível. O operador ou usuário, ou ambos, podem interagir com o mapa preditivo funcional para realizar operações de edição e outras operações de interface do usuário. Em alguns casos, um mapa preditivo funcional pode ser usado para um ou mais de controlar uma máquina de trabalho agrícola, como uma colheitadeira agrícola, apresentação a um operador ou outro usuário e apresentação a um operador ou usuário para interação pelo operador ou usuário.

[0071] Como será descrito mais abaixo, em alguns exemplos, o mapa preditivo de configuração de máquina funcional prevê valores de configuração de máquina para um item da máquina, como um primeiro componente da máquina, e esses valores são usados para controlar as configurações de um ou mais outros itens da máquina, como um segundo componente da máquina. Em alguns exemplos, os outros itens, como o segundo componente, estão a jusante (por exemplo, a jusante em relação ao fluxo de material através da máquina ou a jusante em relação à direção de deslocamento da máquina) do item ao qual o mapa corresponde, como o primeiro componente. Em alguns exemplos, dependendo da máquina que está sendo controlada, um item pode estar a jusante de outro item em relação à direção de deslocamento da máquina ou em relação à direção do material (por exemplo, material de colheita) que flui através da máquina. Em alguns exemplos, um item pode ser a montante em uma primeira instância e, em seguida, a jusante em uma segunda instância. Por exemplo, um rotor de debulha (por exemplo, 112) e côncavos (por exemplo, 114) podem estar a montante de uma sapata de limpeza (por exemplo, peneira 124 e separador de palha 122) quando o material da colheita passa primeiro pela máquina, mas parte do material da colheita podem passar de volta para o rotor de debulha para serem debulhadas novamente, caso em que o rotor de debulha e os côncavos podem estar a jusante da sapata de limpeza em relação ao fluxo do material de colheita que deve ser debulhado de novo. Assim, um rotor e côncavos podem estar tanto a montante quanto a jusante da sapata de limpeza, dependendo da instância. Esse é apenas um exemplo. Em alguns exemplos, um componente está apenas a jusante em relação ao fluxo de material, mas não em relação à direção do deslocamento. Em alguns exemplos, um componente está apenas a jusante em relação à direção de deslocamento.

[0072] A Figura 3 é um diagrama de blocos que mostra algumas porções de uma arquitetura de sistema agrícola 300. A Figura 3 mostra que a arquitetura do sistema agrícola 300 inclui máquina de colheita agrícola móvel 100. O sistema agrícola 300 também inclui um ou mais sistemas de computação remota 368, um operador 360, um ou mais usuários remotos 366, uma ou mais interfaces de usuário remoto 364, rede 359 e um ou mais mapas de informação 358. A própria máquina de colheita agrícola móvel 100 inclui ilustrativamente um ou mais processadores ou servidores 301, armazenamento de dados 302, sistema de comunicação 306, um ou mais sensores in situ 308 que detectam uma ou mais características em um campo simultâneo com uma operação e um sistema de processamento 338 que processa os dados do sensor (por exemplo, sinais do sensor, imagens, etc.) gerados pelos sensores in situ 308 para gerar dados do sensor processados. Os sensores in situ 308 geram valores correspondentes às características detectadas. Máquina móvel 100 também inclui um modelo preditivo ou gerador de relação (coletivamente denominado doravante como “gerador de modelo preditivo 310”), modelo preditivo ou relação (coletivamente denominado doravante como “modelo preditivo 311”), gerador de mapa preditivo 312, gerador de zona de controle 313, sistema de controle 314, um ou mais subsistemas controláveis 316 e um mecanismo de interface de operador 318. A máquina móvel também pode incluir uma ampla variedade de outra funcionalidade de máquina 320.

[0073] Os sensores in situ 308 podem estar a bordo da máquina móvel 100, remotos da máquina móvel 100, como implantados em locais fixos no local de trabalho ou em outra máquina operando em conjunto com a máquina móvel 100, como um veículo aéreo e outros tipos de sensores, ou uma combinação dos mesmos. Sensores in situ 308 detectam características no local de trabalho durante o curso de uma operação. Os sensores in situ 308 incluem ilustrativamente sensores de configuração de máquina 370, sensores de posição geográfica 304, sensores de direção/velocidade 325 e podem incluir vários outros sensores 328, como os vários outros sensores descritos nas Figuras 1-2.

[0074] Os sensores de configuração de máquina 370 incluem sensores de entrada de configuração de entrada 372, sensores de saída de configuração de sistema de controle 374 e podem incluir vários outros itens 376, incluindo outros tipos de sensores de configuração de máquina.

[0075] Sensores de configuração de máquina 370 detectam ilustrativamente valores de configurações de máquina, como valores de ponto de ajuste, que são usados no controle de componentes da máquina móvel 100. Os sensores de configuração de máquina 370 podem detectar uma variedade de valores de configuração de máquina, como valores de ponto de ajuste da posição do coletor 102 (por exemplo, altura, inclinação, rotação), valores de ponto de ajuste de espaçamento da placa do convés, valores de ponto de ajuste de velocidade da corrente de coleta, valores de ponto de ajuste de velocidade do rolo de haste, valores de ponto de ajuste de posição de mecanismo de transporte 109, valores de ponto de ajuste de velocidade de mecanismo de transporte 109, valores de ponto de ajuste de velocidade do rotor 112, valores de ponto de ajuste de folga do côncavo (por exemplo, espaço entre o rotor 112 e côncavos 114), valores de ponto de ajuste de velocidade de ventilador de limpeza 120, os valores do ponto de ajuste da velocidade do picador 140, o ponto de ajuste da posição da contra-faca do picador 140 e os pontos de ajuste da posição da peneira/peneira (tamanho da abertura na palha e da peneira), bem como os valores do ponto de ajuste de vários outros pontos de ajuste de vários outros componentes da colheitadeira agrícola 100. Conforme discutido anteriormente, em outros exemplos, a máquina 100 pode ser um tipo diferente de máquina e, assim, os sensores de configurações de máquina 370 detectarão valores de configurações de máquina dos componentes específicos dos outros tipos de máquinas. Por exemplo, uma colheitadeira com um tipo diferente de coletor, como coletor do tipo bobina, pode considerar parâmetros da bobina, como pontos de ajuste de posição da bobina (por exemplo, ponto de ajuste de altura e ponto de ajuste de posição da frente para trás), velocidade da bobina ponto de ajuste, ponto de ajuste da posição do dedo do molinete, etc. Esse é apenas um exemplo.

[0076] Os sensores de configuração de entrada 372 detectam ilustrativamente uma entrada por um operador 360 ou usuário 366 que estabelece uma configuração de máquina. Por exemplo, um operador 360 pode interagir com um ou mais mecanismos de interface do operador 318 para estabelecer uma configuração de máquina e tal entrada pode ser detectada pelos sensores de configuração de entrada 372. Um usuário 366 pode interagir com um ou mais mecanismos de interface de usuário 364 para estabelecer uma configuração de máquina e tal entrada pode ser detectada pelos sensores de configuração de entrada 372.

[0077] Os sensores de saída de configuração do sistema de controle 374 detectam ilustrativamente uma saída (por exemplo, sinal de controle) do sistema de controle 314 (ou de um sistema de controle remoto, como um sistema de controle remoto em sistemas de computação remotos 368) que estabelece uma configuração de máquina. Por exemplo, o sistema de controle 314 pode gerar automaticamente sinais de controle para controlar (por exemplo, ajustar) várias configurações de máquina da máquina móvel 100 durante a operação, como em resposta a características detectadas. Esses sinais de controle podem ser detectados pelos sensores de saída de configuração do sistema de controle 374.

[0078] Os sensores de posição geográfica 304 detectam ou detectam ilustrativamente a posição geográfica ou localização da máquina de colheita móvel 100. Os sensores de posição geográfica 304 podem incluir, mas não estão limitados a, um receptor de sistema de satélite de navegação global (GNSS) que recebe sinais de um transmissor de satélite GNSS. Os sensores de posição geográfica 304 também podem incluir um componente cinemático em tempo real (RTK) que é configurado para aumentar a precisão dos dados de posição derivados do sinal GNSS. Os sensores de posição geográfica 304 podem incluir um sistema de cálculo morto, um sistema de triangulação celular ou qualquer um de uma variedade de outros sensores de posição geográfica.

[0079] Sensores de orientação/velocidade 325 detectam uma orientação e velocidade nas quais máquina móvel 100 está atravessando o local de trabalho durante a operação. Isso pode incluir sensores que detectam o movimento de elementos de engajamento no solo (por exemplo, rodas ou trilhos 144), como sensores 146, ou podem utilizar sinais recebidos de outras fontes, como sensor de posição geográfica 304, assim, enquanto sensores de rumo/velocidade 325 conforme descrito no presente documento são mostrados como separados do sensor de posição geográfica 304, em alguns exemplos, o rumo/velocidade da máquina é derivado de sinais recebidos do sensor de posições geográficas 304 e processamento subsequente. Em outros exemplos, sensores de orientação/velocidade 325 são sensores separados e não utilizam sinais recebidos de outras fontes.

[0080] Outros sensores in situ 328 podem ser qualquer um de uma ampla variedade de outros sensores, incluindo os outros sensores descritos acima em relação às Figuras 1-2. Outros sensores in situ 328 podem estar a bordo da máquina móvel 100 ou podem ser remotos da máquina móvel 100, como outros sensores in situ 328 a bordo de outra máquina móvel que capturam dados in situ de características no campo ou sensores em locais fixos em todo o campo. Os dados remotos de sensores remotos podem ser obtidos por máquina móvel 100 por meio de sistema de comunicação 306 na rede 359.

[0081] Os dados in situ incluem dados obtidos de um sensor a bordo da máquina de colheita móvel 100 ou obtidos por qualquer sensor onde os dados são detectados durante a operação da máquina de colheita móvel 100 em um campo.

[0082] O sistema de processamento 338 processa os dados do sensor (por exemplo, sinais, imagens, etc.) gerados pelos sensores in situ 308 para gerar dados do sensor processados indicativos de uma ou mais características. Por exemplo, o sistema de processamento gera dados de sensor processados indicativos de valores de característica com base nos dados de sensor gerados por sensores in situ 308, como valores de configuração de máquina (por exemplo, valores de ponto de ajuste, etc.) com base em dados de sensor gerados por sensores de configuração de máquina 370. O sistema de processamento 338 também processa dados do sensor gerados por outros sensores in situ 308 para gerar dados do sensor processados indicativos de valores de outra característica, valores de característica de velocidade da máquina (velocidade de deslocamento, aceleração, desaceleração, etc.) com base nos dados do sensor gerados por rumo/velocidade sensores 325, valores de direção de máquina com base em dados de sensor gerados por sensores de direção/velocidade 325, valores de posição geográfica (ou localização) com base em dados de sensor gerados por sensores de posição geográfica 304, bem como vários outros valores com base em sinais de sensores gerados por vários outros sensores no local 328.

[0083] Deve ser entendido que sistema de processamento 338 pode ser implantado por um ou mais processadores ou servidores, como processadores ou servidores 301. Além disso, o sistema de processamento 338 pode utilizar várias funcionalidades de filtragem de sinal de sensor, funcionalidades de filtragem de ruído, categorização de sinal de sensor, agregação, normalização, bem como várias outras funcionalidades de processamento. Da mesma forma, o sistema de processamento 338 pode utilizar várias funcionalidades de processamento de imagem, como comparação sequencial de imagem, RGB, detecção de borda, análise preto/branco, aprendizado de máquina, redes neurais, teste de pixel, agrupamento de pixel, detecção de forma, bem como qualquer número de outros adequados funcionalidades de processamento e extração de dados.

[0084] A Figura 3 também mostra que um operador 360 pode operar máquina móvel 100. No exemplo da Figura 3, o operador 360 é um operador humano. Conforme discutido anteriormente no presente documento, um sistema de controle, como o sistema de controle 314, pode operar a máquina móvel 100. O operador 360 interage com os mecanismos de interface de operador 318. Em alguns exemplos, os mecanismos de interface do operador 318 podem incluir joysticks, alavancas, um volante, articulações, pedais, botões, mostradores, teclados, elementos acionáveis pelo usuário (como ícones, botões, etc.) em um dispositivo de exibição de interface do usuário, um microfone e alto-falante (onde são providos reconhecimento e síntese de fala), entre uma ampla variedade de outros tipos de dispositivos de controle. Quando um sistema de tela sensível ao toque é provido, o operador 360 pode interagir com os mecanismos de interface de operador 318 usando gestos de toque. Em alguns exemplos, pelo menos alguns mecanismos de interface do operador 318 podem ser dispostos em um compartimento do operador da máquina de colheita móvel 100 (por exemplo, 101). Em alguns exemplos, pelo menos alguns mecanismos de interface do operador 318 podem ser remotos (ou separáveis) da máquina de colheita móvel 100, mas estão em comunicação com a mesma. Assim, o operador 360 pode ser local ou remoto. Esses exemplos descritos acima são providos como exemplos ilustrativos e não se destinam a limitar o escopo da presente descrição. Consequentemente, outros tipos de mecanismos de interface de operador 318 podem ser usados e estão dentro do escopo da presente descrição.

[0085] A Figura 3 também mostra usuários remotos 366 interagindo com a máquina móvel 100 ou sistemas de computação remota 368, ou ambos, por meio de mecanismos de interfaces de usuário 364 na rede 359. Em alguns exemplos, os mecanismos de interface de usuário 364 podem incluir manches, alavancas, volante, articulações, pedais, botões, mostradores, teclados, elementos acionáveis pelo usuário (como ícones, botões, etc.) em um dispositivo de exibição de interface de usuário, um microfone e alto-falante (onde são providos reconhecimento e síntese de fala), entre uma ampla variedade de outros tipos de dispositivos de controle. Quando um sistema de exibição sensível ao toque é provido, o usuário 366 pode interagir com os mecanismos de interface do usuário 364 com uso de gestos de toque. Esses exemplos descritos acima são providos como exemplos ilustrativos e não se destinam a limitar o escopo da presente descrição. Consequentemente, outros tipos de mecanismos de interface de usuário 364 podem ser usados e estão dentro do escopo da presente descrição.

[0086] Sistemas de computação remotos 368 podem ter uma ampla variedade de tipos diferentes de sistemas, ou combinações dos mesmos. Por exemplo, sistemas de computação remotos 368 podem estar em um ambiente de servidor remoto. Ademais, sistemas de computação remotos 368 podem ser sistemas de computação remotos, como dispositivos móveis, uma rede remota, um sistema de gerenciador de fazenda, um sistema de vendedor ou uma ampla variedade de outros sistemas remotos. Em um exemplo, a máquina móvel 100 pode ser controlada remotamente por sistemas de computação remotos 368 ou por usuários remotos 366, ou ambos. Como será descrito abaixo, em alguns exemplos, um ou mais dos componentes mostrados que estão dispostos em máquina móvel 100 na Figura 3 podem estar localizados em outro local, como em sistemas de computação remotos 368.

[0087] A Figura 3 também mostra que a máquina móvel 100 pode obter um ou mais mapas de informação 358. Conforme descrito no presente documento, os mapas de informação 358 incluem, por exemplo, um mapa topográfico, um mapa de índice vegetativo (VI), um mapa óptico, um mapa de semeadura, um mapa de propriedades de solo, um mapa de operação anterior, um mapa de configuração histórica, bem como vários outros mapas. No entanto, os mapas de informação 358 também podem abranger outros tipos de dados, como outros tipos de dados que foram obtidos antes de uma operação atual ou um mapa de uma operação anterior. Por exemplo, outros mapas de informação 358 podem ser mapas de umidade do solo, mapas de tipo de solo, mapas de umidade de colheita, mapas de rendimento, mapas históricos, mapas de operação anterior, bem como vários outros tipos de mapas. Em outros exemplos, mapas de informação 358 podem ser gerados durante uma operação atual, tal mapa gerado por gerador de mapa preditivo 312 com base em um modelo preditivo 311 gerado por gerador de modelo preditivo 310.

[0088] Os mapas de informação 358 podem ser baixados para a máquina de colheita móvel 100 através da rede 359 e armazenados no armazenamento de dados 302, com uso do sistema de comunicação 306 ou de outras maneiras. Em alguns exemplos, o sistema de comunicação 306 pode ser um sistema de comunicação celular, um sistema para comunicação através de uma rede de área ampla ou uma rede de área local, um sistema para comunicação através de uma rede de comunicação de campo próximo ou um sistema de comunicação configurado para se comunicar através de qualquer um dos uma variedade de outras redes ou combinações de redes. Rede 359 ilustrativamente representa qualquer uma ou uma combinação de qualquer uma dentre a variedade de redes. O sistema de comunicação 306 também pode incluir um sistema que facilita descarregamento ou transferências de informação de e para um cartão digital seguro (SD) ou um cartão de barramento serial universal (USB), ou ambos.

[0089] Conforme descrito acima, a presente descrição se refere ao uso de modelos para prever as configurações da máquina da colheitadeira agrícola 100. Os modelos 311 podem ser gerados pelo gerador de modelo preditivo 310, durante a operação atual.

[0090] Em um exemplo, o gerador de modelo preditivo 310 gera um modelo preditivo 311 que é indicativo de uma relação entre os valores detectados pelos sensores in situ 308 e os valores mapeados para o campo pelos mapas de informação 358. Por exemplo, se o mapa de informação 358 mapeia valores topográficos para diferentes localizações no local de trabalho e o sensor in situ 308 está detectando valores indicativos de configurações de máquina, então o gerador de modelo 310 gera um modelo preditivo de configuração de máquina que modela a relação entre os valores topográficos e os valores de configuração de máquina. Em outro exemplo, se o mapa de informação 358 mapear valores de índice vegetativo para diferentes localizações no local de trabalho e os sensores in situ 308 estiverem detectando valores indicativos de configurações de máquina, então o gerador de modelo 310 gera um modelo preditivo de configuração de máquina que modela a relação entre os valores do índice vegetativo e os valores de configuração de máquina. Esses são apenas alguns exemplos.

[0091] Em alguns exemplos, o gerador de mapa preditivo 312 usa os modelos preditivos gerados pelo gerador de modelo preditivo 310 para gerar mapas preditivos funcionais que predizem o valor de uma característica, detectada pelos sensores in situ 308, em diferentes localizações no campo com base em um ou mais dos mapas de informação 358.

[0092] Por exemplo, quando o modelo preditivo 311 é um modelo preditivo de configuração de máquina que modela uma relação entre valores de configuração de máquina detectados por sensores in situ 308 e um ou mais valores de características topográficas de um mapa topográfico, valores de índice vegetativo de um mapa de índice vegetativo, valores de características ópticas de um mapa óptico, valores de característica de semeadura de um mapa de semeadura, valor de propriedades de solo de um mapa de propriedades de solo, valores de características de operação anterior de um mapa de operação anterior, valores históricos de configuração de um mapa de configuração histórica e valores de outra característica de um outro mapa, então o gerador de mapa preditivo 312 gera um mapa funcional de configuração de máquina preditiva que prevê valores de configuração de máquina em diferentes localizações no local de trabalho com base em um ou mais dos valores mapeados nesses locais e no modelo preditivo de configuração de máquina.

[0093] Em alguns exemplos, o tipo de valores no mapa preditivo funcional 263 pode ser o mesmo que o tipo de dados in situ detectado pelos sensores in situ 308. Em alguns casos, o tipo de valores no mapa preditivo funcional 263 pode ter unidades diferentes dos dados detectados pelos sensores in situ 308. Em alguns exemplos, o tipo de valores no mapa preditivo funcional 263 pode ser diferente do tipo de dados detectado pelos sensores in situ 308, mas tem uma relação com o tipo de tipo de dados detectado pelos sensores in situ 308. Por exemplo, em alguns exemplos, o tipo de dados detectado pelos sensores in situ 308 pode ser indicativo do tipo de valores no mapa preditivo funcional 363. Em alguns exemplos, o tipo de dados no mapa preditivo funcional 363 pode ser diferente do tipo de dados nos mapas de informação 358. Em alguns casos, o tipo de dados no mapa preditivo funcional 263 pode ter unidades diferentes dos dados nos mapas de informação 358. Em alguns exemplos, o tipo de dados no mapa preditivo funcional 263 pode ser diferente do tipo de dados no mapa de informação 358, mas tem uma relação com o tipo de dados no mapa de informação 358. Por exemplo, em alguns exemplos, o tipo de dados nos mapas de informação 358 pode ser indicativo do tipo de dados no mapa preditivo funcional 263. Em alguns exemplos, o tipo de dados no mapa preditivo funcional 263 é diferente de um ou ambos do tipo de dados in situ captados pelos sensores in situ 308 e o tipo de dados nos mapas de informação 358. Em alguns exemplos, o tipo de dados no mapa preditivo funcional 263 é o mesmo que um ou ambos do tipo de dados in situ captados pelos sensores in situ 308 e o tipo de dados nos mapas de informação 358. Em alguns exemplos, o tipo de dados no mapa preditivo funcional 263 é o mesmo que um do tipo de dados in situ captado pelos sensores in situ 308 ou o tipo de dados nos mapas de informação 358 e diferente do outro.

[0094] Conforme mostrado na Figura 3, o mapa preditivo 264 prevê o valor de uma característica detectada (detectada por sensores in situ 308), ou uma característica relacionada à característica detectada, em vários locais no local de trabalho com base em um ou mais valores de informação em um ou mais mapas de informação 358 nesses locais e usando um modelo preditivo 311. Por exemplo, se o gerador de modelo preditivo 310 gerou um modelo preditivo indicativo de uma relação entre valores de característica de semeadura e valores de configuração de máquina, então, dado o valor de característica de semeadura em locais diferentes no local de trabalho, o gerador de mapa preditivo 312 gera um mapa preditivo 264 que prevê valores de configuração de máquina em diferentes localizações do local de trabalho. O valor de característica de semeadura, obtido do mapa de semeadura, nesses locais e a relação entre os valores de característica de semeadura e os valores de configuração de máquina, obtidos de um modelo preditivo 311, são usados para gerar o mapa preditivo 264. Esse é apenas um exemplo.

[0095] Algumas variações nos tipos de dados que são mapeados nos mapas de informação 358, os tipos de dados captados por sensores in situ 308 e os tipos de dados preditos no mapa preditivo 264 serão agora descritos.

[0096] Em alguns exemplos, o tipo de dados em um ou mais mapas de informação 358 é diferente do tipo de dados captado por sensores in situ 308, mas o tipo de dados no mapa preditivo 264 é o mesmo que o tipo de dados captado pelos sensores in situ 308 Por exemplo, o mapa de informação 358 pode ser um mapa óptico e a variável detectada pelos sensores in situ 308 pode ser uma configuração de máquina. O mapa preditivo 264 pode então ser um mapa preditivo de configuração de máquina que mapeia valores preditivos de configuração de máquina para diferentes localizações geográficas no local de trabalho.

[0097] Além disso, em alguns exemplos, o tipo de dados no mapa de informação 358 é diferente do tipo de dados detectado pelos sensores in situ 308 e o tipo de dados no mapa preditivo 264 é diferente tanto do tipo de dados no mapa de informação 358 quanto o tipo de dados detectado pelos sensores in situ 308.

[0098] Em alguns exemplos, o mapa de informação 358 é de uma passagem anterior através do campo durante uma operação anterior e o tipo de dados é diferente do tipo de dados captado por sensores in situ 308, ainda que o tipo de dados no mapa preditivo 264 seja o mesmo que o tipo de dados captado pelos sensores in situ 308. Por exemplo, o mapa de informação 358 pode ser um mapa de semeadura gerado durante uma operação de plantio anterior no campo e a variável detectada pelos sensores in situ 308 pode ser uma configuração de máquina. O mapa preditivo 264 pode então ser um mapa preditivo de configuração de máquina que mapeia valores preditivos de configuração de máquina para diferentes localizações geográficas no campo.

[0099] Em alguns exemplos, o mapa de informação 358 é de uma passagem anterior pelo campo durante uma operação anterior e o tipo de dados é o mesmo que o tipo de dados detectado pelos sensores in situ 308, e o tipo de dados no mapa preditivo 264 também é o mesmo que o tipo de dados detectado pelos sensores in situ 308. Por exemplo, o mapa de informação 358 pode ser um mapa de configuração de máquina gerado durante um ano anterior e a variável detectada pelos sensores in situ 308 pode ser uma configuração de máquina. O mapa preditivo 264 pode então ser um mapa preditivo de configuração de máquina que mapeia valores preditivos de configuração de máquina para diferentes localizações geográficas no campo. Em tal exemplo, as diferenças relativas de configuração de máquina no mapa de informação georreferenciadas 358 do ano anterior podem ser usadas pelo gerador de modelo preditivo 310 para gerar um modelo preditivo que modela uma relação entre as diferenças relativas de configuração de máquina no mapa de informação 358 e o valores de configuração de máquina detectados por sensores in situ 308 durante a operação atual. O modelo preditivo é então usado pelo gerador de mapa preditivo 310 para gerar um mapa preditivo de configuração de máquina.

[00100] Em outro exemplo, o mapa de informação 358 pode ser um mapa, como um mapa topográfico, gerado durante uma operação anterior no mesmo ano, e a variável detectada pelos sensores in situ 308 durante a operação atual pode ser uma configuração de máquina. O mapa preditivo 264 pode ser, então, um mapa preditivo de configuração de máquina que mapeia valores preditivos de configuração de máquina para diferentes localizações geográficas no campo. Em tal exemplo, um mapa dos valores de características topográficas no momento da operação anterior é georreferenciado, registrado e provido à máquina móvel 100 como um mapa de informação 358 de valores de características topográficas. Os sensores in situ 308 durante uma operação atual podem detectar valores de configuração de máquina em localizações geográficas no campo e o gerador de modelo preditivo 310 pode, então, construir um modelo preditivo que modela uma relação entre valores de configuração de máquina no momento da operação atual e valores de característica topográfica no momento da operação anterior. Isso ocorre devido ao fato de que os valores das características topográficas no momento da operação anterior provavelmente serão os mesmos do momento da operação atual ou podem ser mais precisos ou, de outra forma, podem ser mais confiáveis (ou mais atualizados) do que os valores de característica topográfica obtidos em outros maneiras. Por exemplo, um pulverizador que operou no campo anteriormente pode prover valores de características topográficas mais atualizados (mais próximos no tempo) ou mais precisos do que os valores de características topográficas detectados de outras maneiras, como satélite ou outro sensor aéreo. Por exemplo, a vegetação no campo, as condições meteorológicas, bem como outros fatores obscuros, podem obstruir ou criar ruídos que tornem os valores das características topográficas indisponíveis ou não confiáveis. Assim, o mapa topográfico gerado durante a operação de pulverização anterior pode ser mais preferencial. Esse é apenas um exemplo.

[00101] Em alguns exemplos, o mapa preditivo 264 pode ser provido ao gerador de zona de controle 313. O gerador de zona de controle 313 agrupa porções adjacentes de uma área em uma ou mais zonas de controle com base em valores de dados do mapa preditivo 264 que estão associados a essas porções adjacentes. Uma zona de controle pode incluir duas ou mais porções contíguas de um local de trabalho, como um campo, para o qual um parâmetro de controle correspondente à zona de controle para controlar um subsistema controlável é constante. Por exemplo, um tempo de resposta para alterar uma configuração de subsistemas controláveis 316 pode ser inadequado para responder satisfatoriamente às mudanças nos valores contidos em um mapa, como o mapa preditivo 264. Nesse caso, o gerador de zona de controle 313 analisa o mapa e identifica as zonas de controle que são de um tamanho definido para acomodar o tempo de resposta dos subsistemas controláveis 316. Em outro exemplo, as zonas de controle podem ser dimensionadas para reduzir o desgaste do movimento excessivo do atuador resultante do ajuste contínuo. Em alguns exemplos, pode haver um conjunto diferente de zonas de controle para cada subsistema controlável 316 ou para grupos de subsistemas controláveis 316. As zonas de controle podem ser adicionadas ao mapa preditivo 264 para obter o mapa de zona de controle preditivo 265. O mapa de zona de controle preditivo 265 pode, portanto, ser semelhante ao mapa de zona de controle preditivo 264, exceto que o mapa de zona de controle preditivo 265 inclui informação de zona de controle que definem as zonas de controle. Assim, um mapa preditivo funcional 263, conforme descrito no presente documento, pode ou não incluir zonas de controle. Tanto o mapa preditivo 264 quanto o mapa de zona de controle preditivo 265 são mapas preditivos funcionais 263. Em um exemplo, um mapa preditivo funcional 263 não inclui zonas de controle, como o mapa preditivo 264. Em outro exemplo, um mapa preditivo funcional 263 inclui zonas de controle, como o mapa de zona de controle preditivo 265.

[00102] Também será reconhecido que o gerador de zona de controle 313 pode agrupar valores para gerar zonas de controle e as zonas de controle podem ser adicionadas ao mapa de zona de controle preditivo 265, ou um mapa separado, mostrando apenas as zonas de controle que são geradas. Em alguns exemplos, as zonas de controle podem ser usadas para controlar ou calibrar máquina móvel 100 ou ambos. Em outros exemplos, as zonas de controle podem ser apresentadas para o operador 360 e usadas para controlar ou calibrar máquina móvel 100, e, em outros exemplos, as zonas de controle podem ser apresentadas para o operador 360 ou outro usuário, como um usuário remoto 366, ou armazenadas para uso posterior.

[00103] Mapa preditivo 264 ou mapa de zona de controle preditivo 265 ou ambos são providos para o sistema de controle 314, que gera sinais de controle com base no mapa preditivo 264 ou mapa de zona de controle preditivo 265 ou ambos. Em alguns exemplos, o controlador do sistema de comunicação 329 controla o sistema de comunicação 306 para comunicar o mapa preditivo 264 ou mapa de zona de controle preditivo 265 ou sinais de controle com base no mapa preditivo 264 ou mapa de zona de controle preditivo 265 para outras máquinas móveis (por exemplo, outras máquinas de colheita móveis) que estão operando no mesmo local de trabalho ou na mesma operação. Em alguns exemplos, controlador de sistema de comunicação 329 controlam o sistema de comunicação 306 para enviar o mapa preditivo 264, mapa de zona de controle preditivo 265, ou ambos para outros sistemas remotos, como sistemas de computação remotos 368.

[00104] O sistema de controle 314 inclui o controlador do sistema de comunicação 329, o controlador de interface 330, um ou mais controladores de subsistema 331, um ou mais controladores de zona 336 e o sistema de controle 314 pode incluir outros itens 339. Os subsistemas controláveis 316 incluem atuadores 340 podem incluir uma ampla variedade de outros subsistemas controláveis 356.

[00105] O sistema de controle 314 pode controlar vários itens do sistema agrícola 300 com base nos dados do sensor detectados pelos sensores 308, modelos 311, mapa preditivo 264 ou mapa preditivo 265 com zonas de controle, operadores ou entradas do usuário, bem como várias outras bases.

[00106] Os controladores de interface 330 são operáveis para gerar sinais de controle para controlar mecanismos de interface, como mecanismos de interface de operador 318 ou mecanismos de interface de usuário 364, ou ambos. Embora os mecanismos de interface do operador 318 sejam mostrados como separados dos subsistemas controláveis 316, será entendido que os mecanismos de interface do operador 318 são subsistemas controláveis. Os controladores de interface 330 também são operáveis para apresentar o mapa preditivo 264 ou mapa de zona de controle preditivo 265 ou outras informações derivadas ou baseadas no mapa preditivo 264, mapa de zona de controle preditivo 265, ou ambos, para o operador 360 ou um usuário remoto 366, ou ambos. O operador 360 pode ser um operador local ou um operador remoto. Como um exemplo, controlador de interface 330 gera sinais de controle para controlar um mecanismo de exibição para exibir um ou ambos dentre mapa preditivo 264 e mapa de zona de controle preditivo 265 para o operador 360 ou um usuário remoto 366, ou ambos. Controlador de interface 330 pode gerar mecanismos atuáveis de usuário ou operador que são exibidos e podem ser atuados pelo operador ou usuário para interagir com o mapa exibido. O operador ou usuário pode editar o mapa ao, por exemplo, corrigir um valor exibido no mapa, com base na observação do operador ou do usuário.

[00107] Controladores de subsistema 331 ilustrativamente geram sinais de controle, indicativos de configurações de máquina, para controlar um ou atuadores 340 da colheitadeira agrícola 100 para controlar um ou mais componentes da colheitadeira agrícola 100 para operar na configuração de máquina.

[00108] Os atuadores 340 podem incluir uma variedade de diferentes tipos de atuadores, como atuadores hidráulicos, pneumáticos, eletromecânicos, motores, bombas, válvulas, bem como vários outros tipos de atuadores. Os atuadores 340 podem incluir atuadores de propulsão (por exemplo, motor de combustão interna, motores, etc.) para controlar as características de velocidade da máquina móvel 100, como a velocidade de deslocamento, a aceleração ou desaceleração da máquina móvel 100. Os atuadores 340 podem incluir atuadores de direção que controlam o rumo da máquina móvel 100. Os atuadores 340 podem incluir atuadores de posição do coletor para controlar a posição (por exemplo, altura, inclinação e/ou rotação) do coletor 102. Os atuadores 340 podem incluir atuadores de placa de convés que controlam o espaçamento das placas de convés. Os atuadores 340 podem incluir atuadores de corrente de coleta que controlam a velocidade das correntes de coleta. Os atuadores 340 podem incluir atuadores de rolo de haste que controlam a velocidade dos rolos de haste. Os atuadores 340 podem incluir atuadores de velocidade do mecanismo de transporte que controlam a velocidade do mecanismo de transporte (por exemplo, trado cruzado) 109. Os atuadores 340 podem incluir acionadores de posição do mecanismo de transporte que controlam a posição (por exemplo, altura) do mecanismo de transporte (por exemplo, trado cruzado) 109 acima do coletor do coletor 102. Os atuadores 340 podem incluir atuadores de velocidade do rotor que controlam a velocidade do rotor 112, os atuadores 340 podem incluir atuadores de folga de côncavo que controlam o espaçamento entre o rotor 112 e os côncavos 114. Os atuadores 340 podem incluir atuadores de ventilador de limpeza que controlam a velocidade do ventilador de limpeza 120. Os atuadores 340 podem incluir atuadores de picador que controlam a velocidade de picador 140. Os atuadores 340 podem incluir atuadores de separador de palha que controlam o tamanho das aberturas de separador de palha 122. Os atuadores 140 podem incluir atuadores de peneira que controlam o tamanho das aberturas da peneira 124. Os atuadores 140 podem incluir uma variedade de outros atuadores que controlam uma variedade de outros componentes da máquina móvel 100 ou configurações de componentes da máquina móvel 100.

[00109] O controlador de zona 336 ilustrativamente gera sinais de controle para controlar um ou mais subsistemas controláveis 316 para controlar a operação de um ou mais subsistemas controláveis 316 com base no mapa de zona de controle preditivo 265.

[00110] Outros controladores 339 incluídos na máquina móvel 100, ou em outros locais no sistema agrícola 300, podem controlar outros subsistemas 356.

[00111] Embora o exemplo ilustrado da Figura 3 mostre que vários componentes da arquitetura do sistema agrícola 300 estão localizados na máquina de colheita móvel 100, será entendido que em outros exemplos um ou mais dos componentes ilustrados na máquina de colheita móvel 100 na Figura 3 podem estar localizados em outras localizações, como um ou mais sistemas de computação remotos 368. Por exemplo, um ou mais dos armazenamentos de dados 302, seletor de mapa 309, gerador de modelo preditivo 310, modelo preditivo 311, gerador de mapa preditivo 312, mapas preditivos funcionais 263 (por exemplo, 264 e 265), gerador de zona de controle 313 e sistema de controle 314 pode ser localizado remotamente a partir da máquina móvel 100, mas pode se comunicar com a (ou ser comunicado à) máquina móvel 100 via sistema de comunicação 306 e rede 359. Assim, modelos preditivos 311 e mapas preditivos funcionais 263 podem ser gerados e/ou localizados em locais remotos longe da máquina móvel 100 e podem ser comunicados à máquina móvel 100 pela rede 359, por exemplo, o sistema de comunicação 306 pode baixar os modelos preditivos 311 e mapas preditivos funcionais 263 dos locais remotos e armazenar os mesmos no armazenamento de dados 302. Em outros exemplos, máquina móvel 100 pode acessar os modelos preditivos 311 e mapas preditivos funcionais 263 nas localizações remotas sem transferir os modelos preditivos 311 e mapas preditivos funcionais 263. As informações usadas na geração dos modelos preditivos 311 e mapas preditivos funcionais 263 podem ser providas ao gerador de modelo preditivo 310 e ao gerador de mapa preditivo 312 nesses locais remotos na rede 359, por exemplo, dados de sensor in situ gerados por sensores in situ 308 podem ser providos através da rede 359 para os locais remotos. De modo similar, mapas de informação 358 podem ser providos para as localizações remotas.

[00112] Em alguns exemplos, o sistema de controle 314 pode permanecer local para a máquina móvel 100 e um sistema remoto (por exemplo, 368 ou 364) pode ser provido com funcionalidade (por exemplo, como um gerador de sinal de controle) que comunica comandos de controle para a máquina móvel 100 que são usados pelo sistema de controle 314 para o controle da máquina de colheita móvel 100.

[00113] Da mesma forma, onde vários componentes estão localizados remotamente da máquina móvel 100, esses componentes podem receber dados de componentes da máquina móvel 100 pela rede 359. Por exemplo, onde o gerador de modelo preditivo 310 e o gerador de mapa preditivo 312 estão localizados remotamente da máquina móvel 100, como em sistemas de computação remotos 368, dados gerados por sensores in situ 308 e sensores de posição geográfica 304, por exemplo, podem ser comunicados para os sistemas de computação remota 368 através da rede 359. Adicionalmente, mapas de informação 358 podem ser obtidos por sistemas de computação remotos 368 através da rede 359 ou através de outra rede.

[00114] A Figura 4 é um diagrama de blocos de uma parte da arquitetura do sistema de colheita agrícola 300 mostrado na Figura 3. Particularmente, a Figura 4 mostra, entre outras coisas, exemplos do gerador de modelo preditivo 310 e do gerador de mapa preditivo 312 em mais detalhes. A Figura 4 também ilustra o fluxo de informação entre os vários componentes mostrados. O gerador de modelo preditivo 310 recebe um ou mais de um mapa topográfico 430, um mapa de índice vegetativo (VI) 433, um mapa óptico 434, um mapa de semeadura 435, mapa de propriedades de solo 436, mapa de operação anterior 437, mapa de configurações históricas 438 e um outro tipo de mapa 439. O gerador de modelo preditivo 310 também recebe informações de localização geográfica 1424 ou uma indicação de localizações geográficas, como do sensor de posições geográficas 304. As informações de localização geográfica 1424 representam ilustrativamente as localizações geográficas às quais correspondem os valores detectados pelos sensores in situ 308. Em alguns exemplos, a posição geográfica da máquina móvel 100, conforme detectada pelos sensores de posição geográfica 304, não será a mesma que a posição geográfica no campo à qual corresponde um valor detectado pelos sensores in situ 308. Será reconhecido que a posição geográfica indicada pelo sensor de posição geográfica 304, juntamente com tempo, velocidade e direção da máquina, dimensões da máquina, atrasos de processamento da máquina, posição do sensor (por exemplo, em relação ao sensor de posição geográfica), parâmetros do sensor (por exemplo, sensor campo de visão), bem como vários outros dados, podem ser usados para derivar uma localização geográfica no campo ao qual corresponde um valor a detectado por um sensor in situ 308.

[00115] Os sensores in situ 308 incluem ilustrativamente sensores de configuração de máquina 370, bem como o sistema de processamento 338. Em alguns exemplos, o sistema de processamento 338 é separado dos sensores in situ 308 (como o exemplo mostrado na Figura 3). Em alguns casos, os sensores de configuração de máquina 370 podem estar localizados a bordo da máquina de colheita móvel 100. O sistema de processamento 338 processa dados de sensor gerados a partir de sensores de configuração de máquina 370 para gerar dados de sensor processados 1440 indicativos de valores de configuração de máquina. Os valores de configuração de máquina podem indicar o ponto de ajuste comandado de um componente da máquina móvel 100 (por exemplo, um valor de velocidade do rotor que indica um ponto de ajuste de velocidade comandado do rotor 112).

[00116] Conforme mostrado na Figura 4, o gerador de modelo preditivo exemplificativo 310 inclui um gerador de modelo de configuração de máquina para característica topográfica 1441, gerador de modelo de configuração de máquina para índice vegetativo (VI) 1442, um gerador de modelo de configuração de máquina para característica óptica 1443, uma gerador de modelo de configuração de máquina para característica de semeadura 1444, um gerador de modelo de configuração de máquina para propriedade para solo 1445, um gerador de modelo de configuração de máquina para operação anterior 1446, um gerador de modelo de configuração de máquina para configuração histórica 1447 e uma gerador de modelo de configuração de máquina para outra característica 1448. Em outros exemplos, o gerador de modelo preditivo 310 pode incluir componentes adicionais, menos ou diferentes do que aqueles mostrados no exemplo da Figura 4. Consequentemente, em alguns exemplos, o gerador de modelo preditivo 310 pode incluir também outros itens 1449, que podem incluir outros tipos de geradores de modelo preditivo para gerar outros tipos de modelos de configuração de máquina.

[00117] O gerador de modelo de configuração de máquina para característica topográfica 1441 identifica uma relação entre o(s) valor(es) de configuração de máquina detectado(s) nos dados do sensor in situ 1440, na(s) localização(ções) geográfica(s) para a(s) qual(is) o(s) valor(es) de configuração de máquina detectado(s) nos dados de sensor in situ 1440 corresponde(m) e o(s) valor(res) de característica topográfica do mapa topográfico 430 correspondente à(s) mesma(s) localização(ções) geográfica(s) à(s) qual(is) corresponde o(s) valor(s) de configuração de máquina detectado(s). Com base nessa relação estabelecida pelo gerador de modelo de configuração de máquina para característica topográfica 1441, o gerador de modelo de configuração de máquina para característica topográfica 1441 gera um modelo de configuração de máquina preditivo. O modelo preditivo de configuração de máquina é usado pelo gerador de mapa preditivo de configuração de máquina 1452 para prever uma configuração de máquina em diferentes localizações no campo com base nos valores de característica topográfica georreferenciados contidos no mapa topográfico 430 correspondentes aos mesmos locais no campo. Assim, para um determinado local no campo, um valor de configuração de máquina pode ser previsto no local determinado com base no modelo preditivo de configuração de máquina e no valor de característica topográfica, do mapa topográfico 430, correspondente a esse determinado local.

[00118] O gerador de modelo de configuração de máquina para índice vegetativo 1442 identifica uma relação entre o(s) valor(es) de configuração de máquina detectado(s) nos dados do sensor in situ 1440, na(s) localização(ções) geográfica(s) para a(s) qual(is) o(s) valor(es) de configuração de máquina detectado(s) nos dados de sensor in situ 1440 corresponde(m) e o(s) valor(es) de índice vegetativo do mapa de índice vegetativo 433 correspondente(s) à(s) mesma(s) localização(ções) geográfica(s) à(s) qual(is) corresponde(m) o(s) valor(res) de configuração de máquina detectado(s). Com base nessa relação estabelecida pelo gerador de modelo de configuração de máquina para índice vegetativo 1442, o gerador de modelo de configuração de máquina para índice vegetativo 1442 gera um modelo de configuração de máquina preditivo. O modelo preditivo de configuração de máquina é usado pelo gerador de mapa preditivo de configuração de máquina 1452 para prever uma configuração de máquina em diferentes localizações no campo com base nos valores de índice vegetativo georreferenciados contidos no mapa de índice vegetativo 433 correspondentes aos mesmos locais no campo. Assim, para um determinado local no campo, um valor de configuração de máquina pode ser previsto no local determinado com base no modelo preditivo de configuração de máquina e no valor de índice vegetativo, do mapa de índice vegetativo 433, correspondente a esse local determinado.

[00119] O gerador de modelo de configuração de máquina para característica óptica 1443 identifica uma relação entre o(s) valor(es) de configuração de máquina detectado(s) nos dados do sensor in situ 1440, na(s) localização(ções) geográfica(s) para a(s) qual(is) o(s) valor(es) de configuração de máquina detectado(s) nos dados de sensor in situ 1440 corresponde(m) e o(s) valor(es) de característica óptica do mapa óptico 434 correspondente(s) à(s) mesma(s) localização(ções) geográfica(s) à(s) qual(is) corresponde(m) o(s) valor(es) de configuração de máquina detectado(s). Com base nessa relação estabelecida pelo gerador de modelo de configuração de máquina para característica óptica 1443, o gerador de modelo de configuração de máquina para característica óptica 1443 gera um modelo de configuração de máquina preditivo. O modelo preditivo de configuração de máquina é usado pelo gerador de mapa preditivo de configuração de máquina 1452 para prever uma configuração de máquina em locais diferentes no campo com base nos valores de característica óptica georreferenciados contidos no mapa óptico 434 correspondentes aos mesmos locais no campo. Assim, para um determinado local no campo, um valor de configuração de máquina pode ser previsto no local determinado com base no modelo preditivo de configuração de máquina e no valor de característica óptica, do mapa óptico 434, correspondente a esse determinado local.

[00120] O gerador de modelo de configuração de máquina para característica de semeadura 1444 identifica uma relação entre o(s) valor(es) de configuração de máquina detectado(s) nos dados do sensor in situ 1440, na(s) localização(ções) geográfica(s) para a(s) qual(is) o(s) valor(es) de configuração de máquina detectado(s) nos dados de sensor in situ 1440 corresponde(m) e o(s) valor(es) de característica de semeadura do mapa de semeadura 435 correspondente(s) à(s) mesma(s) localização(ções) geográfica(s) à(s) qual(is) corresponde(m) o(s) valor(s) de configuração de máquina detectado(s). Com base nessa relação estabelecida pelo gerador de modelo de configuração de máquina para característica de semeadura 1444, o gerador de modelo de configuração de máquina para característica de semeadura 1444 gera um modelo de configuração de máquina preditivo. O modelo preditivo de configuração de máquina é usado pelo gerador de mapa preditivo de configuração de máquina 1452 para prever uma configuração de máquina em locais diferentes no campo com base nos valores de característica de semeadura georreferenciados contidos no mapa de semeadura 435 correspondentes aos mesmos locais no campo. Assim, para um determinado local no campo, um valor de configuração de máquina pode ser previsto no local determinado com base no modelo preditivo de configuração de máquina e no valor de característica de semeadura, do mapa de semeadura 435, correspondente a esse determinado local.

[00121] O gerador de modelo de configuração de máquina para propriedade de solo 1445 identifica uma relação entre o(s) valor(es) de configuração de máquina detectado(s) nos dados do sensor in situ 1440, na(s) localização(ções) geográfica(s) para a(s) qual(is) o(s) valor(es) de configuração de máquina detectado(s) nos dados de sensor in situ 1440 corresponde(m) e o(s) valor(es) de propriedade de solo do mapa de propriedade de solo 436 correspondente(s) à(s) mesma(s) localização(ções) geográfica(s) à(s) qual(is) corresponde(m) o(s) valor(es) de configuração de máquina detectado(s). Com base nessa relação estabelecida pelo gerador de modelo de configuração de máquina para característica de semeadura 1445, o gerador de modelo de configuração de máquina para característica de semeadura 1445 gera um modelo de configuração de máquina preditivo. O modelo preditivo de configuração de máquina é usado pelo gerador de mapa preditivo de configuração de máquina 1452 para prever uma configuração de máquina em locais diferentes no campo com base nos valores de propriedades de solo georreferenciados contidos no mapa de propriedades de solo 436 correspondentes aos mesmos locais no campo. Assim, para um determinado local no campo, um valor de configuração de máquina pode ser previsto no local determinado com base no modelo preditivo de configuração de máquina e no valor de propriedade de solo, a partir do mapa de propriedades de solo 436, correspondente a esse determinado local.

[00122] O gerador de modelo de configuração de máquina para operação anterior 1446 identifica uma relação entre o o(s) valor(es) de configuração de máquina detectado(s) nos dados do sensor in situ 1440, na(s) localização(ções) geográfica(s) para a(s) qual(is) o(s) valor(es) de configuração de máquina detectado(s) nos dados de sensor in situ 1440 corresponde(m) e o(s) valor(es) de característica de operação anterior do mapa de operação anterior 437 correspondente(s) à(s) mesma(s) localização(ções) geográfica(s) à(s) qual(is) corresponde(m) o(s) valor(es) de configuração de máquina detectado(s). Com base nessa relação estabelecida pelo gerador de modelo de configuração de máquina para operação anterior 1446, o gerador de modelo de configuração de máquina para operação anterior 1446 gera um modelo de configuração de máquina preditivo. O modelo preditivo de configuração de máquina é usado pelo gerador de mapa preditivo de configuração de máquina 1452 para prever uma configuração de máquina em locais diferentes no campo com base nos valores de característica de operação anterior georreferenciados contidos no mapa de operação anterior 437 correspondentes aos mesmos locais no campo. Assim, para um determinado local no campo, um valor de configuração de máquina pode ser previsto no local determinado com base no modelo preditivo de configuração de máquina e no valor de característica de operação anterior, do mapa de operação anterior 437, correspondente a esse determinado local.

[00123] O gerador de modelo de configuração de máquina para configuração histórica 1447 identifica uma relação entre o(s) valor(es) de configuração de máquina detectado(s) nos dados do sensor in situ 1440, na(s) localização(ções) geográfica(s) para a(s) qual(is) o(s) valor(es) de configuração de máquina detectado(s) nos dados de sensor in situ 1440 corresponde(m) e o(s) valor(es) de configuração histórica do mapa de configuração histórica 438 correspondente(s) à(s) mesma(s) localização(ções) geográfica(s) à(s) qual(is) corresponde(m) o(s) valor(es) de configuração de máquina detectado(s). Com base nessa relação estabelecida pelo gerador de modelo de configuração de máquina para configuração histórica 1447, o gerador de modelo de configuração de máquina para configuração histórica 1447 gera um modelo de configuração de máquina preditivo. O modelo preditivo de configuração de máquina é usado pelo gerador de mapa preditivo de configuração de máquina 1452 para prever uma configuração de máquina em locais diferentes no campo com base nos valores de configuração histórica georreferenciados contidos no mapa de configuração histórica 438 correspondentes aos mesmos locais no campo. Assim, para um determinado local no campo, um valor de configuração de máquina pode ser previsto no local determinado com base no modelo preditivo de configuração de máquina e no valor histórico de configuração, a partir do mapa de configuração histórica 438, correspondente a esse determinado local.

[00124] O gerador de modelo de configuração de máquina para outra característica 1448 identifica uma relação entre o(s) valor(es) de configuração de máquina detectado(s) nos dados do sensor in situ 1440, na(s) localização(ções) geográfica(s) para a(s) qual(is) o(s) valor(es) de configuração de máquina detectado(s) nos dados de sensor in situ 1440 corresponde(m) e o(s) valor(es) de outra característica de um outro mapa 439 correspondente(s) à(s) mesma(s) localização(ções) geográfica(s) à(s) qual(is) corresponde(m) o(s) valor(es) de configuração de máquina detectado(s). Com base nessa relação estabelecida pelo gerador de modelo de configuração de máquina para outra característica 1448, o gerador de modelo de configuração de máquina para outra característica 1448 gera um modelo de configuração de máquina preditivo. O modelo preditivo de configuração de máquina é usado pelo gerador de mapa preditivo de configuração de máquina 1452 para prever uma configuração de máquina em locais diferentes no campo com base nos valores de outra característica georreferenciados contidos no outro mapa 439 correspondentes aos mesmos locais no campo. Assim, para um determinado local no campo, um valor de configuração de máquina pode ser previsto no local determinado com base no modelo preditivo de configuração de máquina e no valor de outra característica, do outro mapa 439, correspondente a esse determinado local.

[00125] À luz do exposto acima, o gerador de modelo preditivo 310 é operável para produzir uma pluralidade de modelos preditivos de configuração de máquina, como um ou mais dos modelos preditivos de configuração de máquina gerados pelos geradores de modelo 1441, 1442, 1443, 1444, 1445, 1446, 1447, 1448 e 1449. Em outro exemplo, dois ou mais dos modelos preditivos descritos acima podem ser combinados em um único modelo preditivo de configuração de máquina, como um modelo preditivo de configuração de máquina que prevê uma configuração de máquina com base em dois ou mais dentre os valores topográficos, os valores de índice vegetativo (VI), os valores das características ópticas, os valores das características de semeadura, os valores de propriedades de solo, os valores das características da operação anterior, os valores históricos de configuração e os valores de outra característica em diferentes localizações no campo. Qualquer um desses modelos de configuração de máquina, ou combinações dos mesmos, são representados coletivamente pelo modelo preditivo de configuração de máquina 1450 na Figura 4.

[00126] O modelo preditivo de configuração de máquina 1450 é provido ao gerador de mapa preditivo 312. No exemplo da Figura 4, o gerador de mapa preditivo 312 inclui um gerador de mapa preditivo de configuração de máquina 1452. Em outros exemplos, o gerador de mapa preditivo 312 pode incluir geradores de mapa adicionais ou diferentes. Desse modo, em alguns exemplos, gerador de mapa preditivo 312 pode incluir outros itens 1456 que podem incluir outros tipos de geradores de mapa para gerar outros tipos de mapas.

[00127] O gerador de mapa preditivo de configuração de máquina 1452 recebe um ou mais dentre o mapa topográfico 430, o mapa de índice vegetativo (VI) 433, o mapa óptico 434, o mapa de semeadura 435, mapa de propriedades de solo 436, mapa de operação anterior 437, mapa de configuração histórica 438, e um outro mapa 439, juntamente com o modelo preditivo de configuração de máquina 1450 que prevê uma configuração de máquina com base em um ou mais de um valor topográfico, um valor VI, um valor de característica óptico, um valor de característica de semeadura, um valor de propriedades de solo, um valor de característica de operação anterior, um valor histórico de configuração e outro valor de característica e gera um mapa preditivo que prevê uma configuração de máquina em diferentes localizações no campo, como o mapa preditivo de configuração de máquina funcional 1460.

[00128] O gerador de mapa preditivo 312, portanto, emite um mapa preditivo de configuração de máquina funcional 1460 que é preditivo de uma configuração de máquina. O mapa preditivo de configuração de máquina funcional 1460 é um mapa preditivo 264. O mapa preditivo de configuração de máquina funcional 1460 prevê uma configuração de máquina em diferentes localizações em um campo. O mapa preditivo de configuração de máquina funcional 1460 pode ser provido para controlar o gerador de zona 313, o sistema de controle 314 ou ambos. O gerador de zona de controle 313 gera zonas de controle e incorpora essas zonas de controle no mapa preditivo de configuração de máquina funcional 1460 para produzir um mapa de zona de controle preditivo 265, que é um mapa preditivo de zona de controle de configuração de máquina funcional 1461. Um ou ambos o mapa preditivo de configuração de máquina funcional 1460 e o mapa preditivo de zona de controle de configuração de máquina funcional 1461 podem ser providos para controlar o sistema 314, que gera sinais de controle para controlar um ou mais dos subsistemas controláveis 316 com base no mapa preditivo de configuração de máquina funcional 1460, o mapa preditivo de zona de controle de configuração de máquina funcional 1461, ou ambos. Em alguns exemplos, o mapa preditivo de configuração de máquina funcional 1460 ou o mapa preditivo de zona de controle de configuração de máquina funcional 1461, ou ambos, mapeia valores preditivos de configuração de máquina, correspondendo a um primeiro componente da máquina 100, para diferentes localizações geográficas no campo. O sistema de controle 314 pode então gerar sinais de controle para controlar um ou mais outros componentes da máquina 100 com base nos valores preditivos de configuração de máquina do primeiro componente contido no mapa preditivo de configuração de máquina funcional 1460 ou no mapa preditivo de zona de controle de configuração de máquina funcional 1461, ou ambos. Em alguns exemplos, um ou mais outros componentes da máquina 100 podem estar a jusante do primeiro componente.

[00129] As Figuras 5A-5B (coletivamente referidos no presente documento como Figura 5) mostram um fluxograma ilustrando um exemplo da operação do sistema agrícola 300 na geração de um modelo preditivo e um mapa preditivo.

[00130] No bloco 602, sistema agrícola 300 recebe um ou mais mapas de informação 358. Exemplos de mapas de informação 358 ou mapas de informação de recebimento 358 são discutidos em relação aos blocos 604, 606, 608 e 609. Como discutido acima, os mapas de informação 358 mapeiam valores de uma variável, correspondente a uma característica, para diferentes localizações no campo, como indicado no bloco 606. Como indicado no bloco 604, receber os mapas de informação 358 pode envolver a seleção de um ou mais dentre uma pluralidade de mapas de informação possíveis 358 que estão disponíveis. Por exemplo, um mapa de informação 358 pode ser um mapa topográfico, como o mapa topográfico 430. Outro mapa de informação 358 pode ser um mapa de índice vegetativo (VI), como o mapa VI 433. Outro mapa de informação 358 pode ser um mapa óptico, como o mapa óptico 434. Outro mapa de informação 358 pode ser um mapa de semeadura, como o mapa de semeadura 435. Outro mapa de informação 358 pode ser um mapa de propriedades de solo, como o mapa de propriedades de solo 436. Outro mapa de informação 358 pode ser um mapa de operação anterior, como o mapa de operação anterior 437. Outro mapa de informação 358 pode ser um mapa de configuração histórica, como o mapa de configuração histórica 438. Os mapas de informação 358 podem incluir vários outros tipos de mapas que mapeiam várias outras características, como outros mapas 439.

[00131] O processo pelo qual um ou mais mapas de informação 358 são selecionados pode ser manual, semiautomático ou automatizado. Os mapas de informação 358 podem ser baseados em dados coletados antes de uma operação atual ou baseados em dados coletados durante uma operação atual, conforme indicado pelo bloco 608. Por exemplo, os dados podem ser coletados com base em imagens aéreas obtidas durante um ano anterior, ou no início da estação atual, ou em outras épocas. Os dados podem ser baseados em dados detectados de outras maneiras além do uso de imagens aéreas. Por exemplo, os dados podem ser coletados durante uma operação anterior no local de trabalho, como uma operação durante um ano anterior, ou uma operação anterior antes da estação atual, ou em outras épocas. As máquinas que realizam essas operações anteriores podem ser equipadas com um ou mais sensores que geram dados de sensor indicativos de um ou mais características. Por exemplo, as características detectadas durante uma operação anterior podem ser usadas como dados para gerar os mapas de informação 358. Em outros exemplos, e conforme descrito acima, os mapas de informação 358 podem ser mapas preditivos com valores preditivos. O mapa preditivo de informação 358 pode ser gerado por gerador de mapa preditivo 312 com base em um modelo gerado por gerador de modelo preditivo 310. Os dados para os mapas de informação 358 podem ser obtidos por sistema agrícola 300 usando sistema de comunicação 306 e armazenados em armazenamento de dados 302. Os dados para os mapas de informação 358 podem ser obtidos por sistema agrícola 300 com uso do sistema de comunicação 306 de outras maneiras também, e isso é indicado pelo bloco 609 no fluxograma da Figura 5.

[00132] À medida que a máquina de colheita móvel 100 está operando, os sensores in situ 308 geram dados de sensor indicativos de um ou mais valores de dados in situ indicativos de uma ou mais características, conforme indicado pelo bloco 610. Por exemplo, os sensores de configuração de máquina 370 geram dados de sensor indicativos de um ou mais valores de dados in situ indicativos de uma configuração de máquina, conforme indicado pelo bloco 611. Em alguns exemplos, os dados dos sensores in situ 308 são georreferenciados com uso de dados de posição, direção ou velocidade, bem como informações de parâmetros do sensor, como atraso do sensor, etc.

[00133] No bloco 614, o gerador de modelo preditivo 310 controla um ou mais dos geradores de modelo 1441, 1442, 1443, 1444, 1445, 1446, 1447, 1448 e 1449 para gerar um modelo que modela a relação entre os valores mapeados, como o valores topográficos, os valores do índice vegetativo (IV), os valores de característica óptica, os valores de característica de semeadura, os valores de propriedades do solo, os valores de característica da operação anterior, os valores históricos de configuração e os valores de outra característica contidos no respectivo mapa de informação e nos valores de configuração de máquina detectados pelos sensores in situ 308. O gerador de modelo preditivo 310 gera um modelo preditivo de configuração de máquina 1450 que prevê valores de configuração de máquina com base em um ou mais valores topográficos, valores VI, valores de característica óptica, valores de característica de semeadura, valores de propriedades de solo, valores de característica de operação anterior, valores históricos de configuração e valores de outra característica, conforme indicado pelo bloco 615.

[00134] No bloco 616, a relação (ou relações) ou modelo (ou modelos) gerado pelo gerador de modelo preditivo 310 é provido ao gerador de mapa preditivo 312. O gerador de mapa preditivo 312 gera um mapa preditivo de configuração de máquina funcional 1460 que prevê valores de configuração de máquina (ou valores de sensor indicativos de configurações de máquina) em diferentes localizações geográficas em um campo no qual a máquina móvel 100 está operando com uso do modelo preditivo de configuração de máquina 1450 e um ou mais mapas de informação 358, como mapa topográfico 430, mapa VI 433, mapa óptico 434, mapa de semeadura 435, mapa de propriedades de solo 436, mapa de operação anterior 437, mapa de configuração histórica 438 e um outro mapa 439.

[00135] Deve-se notar que, em alguns exemplos, o mapa preditivo de configuração de máquina funcional 1460 pode incluir duas ou mais camadas de mapa diferentes. Cada camada de mapa pode representar um tipo de dados diferente, por exemplo, um mapa preditivo de configuração de máquina funcional 1460 que provê duas ou mais de uma camada de mapa que provê configurações preditivas de máquina com base em valores de características topográficas do mapa topográfico 430, uma camada de mapa que provê configurações de máquina com base em valores VI do mapa VI 433, uma camada de mapa que provê configurações preditivas de máquina com base em valores de características ópticas do mapa óptico 434, uma camada de mapa que provê configurações preditivas de máquina com base em valores de característica de semeadura do mapa de semeadura 435, uma camada de mapa que provê configurações preditivas de máquina com base em valores de propriedades de solo do mapa de propriedades de solo 436, uma camada de mapa que provê configurações preditivas de máquina com base em valores de características de operação anteriores do mapa de operação anterior 437, uma camada de mapa que provê configurações preditivas de máquina com base em valores de configuração históricos de mapa de configuração histórica 438 e uma camada de mapa que provê configurações preditivas de máquina com base em valores de outra característica de um outro mapa 439. Adicional ou alternativamente, o mapa preditivo de configuração de máquina funcional 1460 pode incluir uma camada de mapa que provê configurações preditivas de máquina com base em dois ou mais valores de características topográficas do mapa topográfico 430, valores VI do mapa VI 433, valores de característica óptica do mapa óptico 434, valores de característica de semeadura do mapa de semeadura 435, valores de propriedades de solo do mapa de propriedades de solo 436, valores de característica de operação anterior do mapa de operação anterior 437, valores de configuração histórica do mapa de configuração histórica 438 e valores de outra característica de outro mapa 439.

[00136] O provimento de um mapa preditivo de configuração de máquina, como o mapa preditivo de configuração de máquina funcional 1460 é indicado pelo bloco 617.

[00137] No bloco 618, o gerador de mapa preditivo 312 configura o mapa preditivo de configuração de máquina funcional 1460 de modo que o mapa preditivo de configuração de máquina funcional 1460 seja atuável (ou consumível) pelo sistema de controle 314. O gerador de mapa preditivo 312 pode prover o mapa preditivo de configuração de máquina funcional 1460 para o sistema de controle 314 ou para o gerador de zona de controle 313, ou ambos. Alguns exemplos das diferentes maneiras pelas quais o mapa preditivo de configuração de máquina funcional 1460 pode ser configurado ou emitido são descritos em relação aos blocos 618, 620, 622 e 623. Por exemplo, o gerador de mapa preditivo 312 configura o mapa preditivo de configuração de máquina funcional 1460 de modo que o mapa preditivo de configuração de máquina funcional 1460 inclua valores que podem ser lidos pelo sistema de controle 314 e usados como base para gerar sinais de controle para um ou mais dos diferentes subsistemas controláveis da máquina móvel 100, conforme indicado pelo bloco 618.

[00138] No bloco 620, o gerador de zona de controle 313 pode dividir o mapa preditivo de configuração de máquina funcional 1460 em zonas de controle com base nos valores no mapa preditivo de configuração de máquina funcional 1460 para gerar o mapa preditivo de zona de controle de configuração de máquina funcional 1461. Os valores geolocalizados de forma contígua que estão dentro de um valor limite um do outro podem ser agrupados em uma zona de controle. O valor limite pode ser um valor limite padrão ou o valor limite pode ser definido com base em uma entrada do operador, com base em uma entrada de um sistema automatizado ou com base em outros critérios. Um tamanho das zonas pode ter como base uma responsividade do sistema de controle 314, dos subsistemas controláveis 316, com base em considerações de desgaste, ou em outros critérios.

[00139] No bloco 622, o gerador de mapa preditivo 312 configura o mapa preditivo de configuração de máquina funcional 1460 para apresentação a um operador ou outro usuário. No bloco 622, o gerador de zona de controle 313 pode configurar o mapa preditivo de zona de controle de configuração de máquina funcional 1461 para apresentação a um operador ou outro usuário. Quando apresentado a um operador ou outro usuário, a apresentação do mapa preditivo de configuração de máquina funcional 1460 ou do mapa preditivo de zona de controle de configuração de máquina funcional 1461, ou ambos, pode conter um ou mais dos valores preditivos no mapa preditivo de configuração de máquina funcional 1460 correlacionadas com a localização geográfica, as zonas de controle do mapa preditivo de zona de controle de configuração de máquina funcional 1461 correlacionadas com a localização geográfica e valores de configuração ou parâmetros de controle que são usados com base nos valores previstos no mapa preditivo de configuração de máquina funcional 1460 ou zonas de controle no mapa preditivo de zona de controle de configuração de máquina funcional 1461. A apresentação pode, em outro exemplo, incluir informações mais abstratas ou informações mais detalhadas. A apresentação também pode incluir um nível de confiança que indica uma precisão com a qual os valores preditivos no mapa preditivo de configuração de máquina funcional 1460 ou as zonas de controle no mapa preditivo de zona de controle de configuração de máquina funcional 1461 estão em conformidade com os valores medidos que podem ser medidos por sensores na máquina móvel 100 enquanto a máquina móvel 100 opera no local de trabalho. Além disso, onde as informações são apresentadas para mais de um local, um sistema de autenticação e autorização pode ser provido para implantar processos de autenticação e autorização. Por exemplo, pode haver uma hierarquia de indivíduos autorizados a visualizar e alterar mapas e outra informação apresentada. A título de exemplo, um dispositivo de exibição a bordo pode mostrar os mapas quase em tempo real localmente na máquina, ou os mapas também podem ser gerados em um ou mais locais remotos, ou ambos. Em alguns exemplos, cada dispositivo de exibição física em cada local pode ser associado a uma pessoa ou a um nível de permissão do usuário. O nível de permissão do usuário pode ser usado para determinar quais elementos de exibição são visíveis no dispositivo de exibição físico e quais valores a pessoa correspondente pode alterar. Como exemplo, um operador local da máquina móvel 100 pode ser incapaz de ver as informações correspondentes ao mapa preditivo de configuração de máquina funcional 1460 ou mapa preditivo de zona de controle de configuração de máquina funcional 1461, ou ambos, ou fazer quaisquer alterações na operação da máquina. Um supervisor, como um supervisor em um local remoto, no entanto, pode ser capaz de ver o mapa preditivo de configuração de máquina funcional 1460 ou o mapa preditivo de zona de controle de configuração de máquina funcional 161, ou ambos, no visor, mas ser impedido de fazer quaisquer alterações. Um gerente, que pode estar em um local remoto separado, pode ser capaz de ver todos os elementos no mapa preditivo de configuração de máquina funcional 1460 ou no mapa preditivo de zona de controle de configuração de máquina funcional 1461, ou ambos, e também ser capaz de alterar a configuração preditiva funcional mapa de configuração de máquina 1460 ou o mapa preditivo de zona de controle de configuração de máquina funcional 1461, ou ambos. Em alguns casos, o mapa preditivo de configuração de máquina funcional 1460 ou o mapa preditivo de zona de controle de configuração de máquina funcional 1461, ou ambos, acessíveis e alteráveis por um gerente localizado remotamente podem ser usados no controle da máquina. Esse é um exemplo de uma hierarquia de autorização que pode ser implantada. O mapa preditivo de configuração de máquina funcional 1460 ou o mapa preditivo de zona de controle de configuração de máquina funcional 1461, ou ambos, também podem ser configurados de outras maneiras, conforme indicado pelo bloco 623.

[00140] No bloco 624, a entrada do sensor de posição geográfica 304 e outros sensores in situ 308 são recebidos pelo sistema de controle 314. Particularmente, no bloco 626, o sistema de controle 314 detecta uma entrada do sensor de posição geográfica 304 identificando uma localização geográfica da máquina de colheita móvel 100. O bloco 628 representa o recebimento pelo sistema de controle 314 de entradas de sensor indicativas de trajetória ou rumo da máquina de colheita móvel 100 e o bloco 630 representa o recebimento pelo sistema de controle 314 de uma velocidade da máquina de colheita móvel 100. O bloco 631 representa o recebimento pelo sistema de controle 314 de outras informações de vários outros sensores in situ 308.

[00141] No bloco 632, o sistema de controle 314 gera sinais de controle para controlar os subsistemas controláveis com base no mapa preditivo de configuração de máquina funcional 1460 ou no mapa preditivo de zona de controle de configuração de máquina funcional 1461, ou ambos, e a entrada do sensor de posição geográfica 304 e quaisquer outros sensores in situ 308. No bloco 634, o sistema de controle 314 aplica os sinais de controle aos subsistemas controláveis. Será reconhecido que os sinais de controle específicos que são gerados e os subsistemas controláveis específicos que são controlados podem variar com base em uma ou mais coisas diferentes. Por exemplo, os sinais de controle que são gerados e os subsistemas controláveis que são controlados podem ser baseados no tipo de mapa preditivo de configuração de máquina funcional 1460 ou mapa preditivo de zona de controle de configuração de máquina funcional 1461, ou ambos, que está sendo usado. Da mesma forma, os sinais de controle que são gerados e os subsistemas controláveis que são controlados e o tempo dos sinais de controle podem ser baseados em várias latências da máquina móvel 100 e na capacidade de resposta dos subsistemas controláveis.

[00142] A título de exemplo, o controlador (ou controladores) de subsistema 331 do sistema de controle 314 pode gerar sinais de controle para controlar um ou mais atuadores 340 para controlar um ou mais componentes operacionais da máquina móvel 100, com base no mapa preditivo de configuração de máquina funcional 1460 ou no mapa funcional mapa preditivo de zona de controle de configuração de máquina 1461, ou ambos. Em um exemplo, os controladores de subsistema 331 geram sinais de controle para controlar um ou mais atuadores 340 para controlar um ou mais itens que estão a jusante do componente para o qual os valores preditivos de configuração de máquina são providos no mapa preditivo de configuração de máquina funcional 1460 ou no mapa preditivo funcional mapa de zona de controle de configuração de máquina 1461, ou ambos. Por exemplo, o mapa preditivo de configuração de máquina funcional 1460 ou o mapa preditivo de zona de controle de configuração de máquina funcional 1461, ou ambos, pode mapear valores preditivos de configuração de máquina na forma de valores de configuração de folga de côncavo preditiva (indicativo de um espaçamento de ponto de ajuste entre o rotor 112 e côncavos 114). Em tal exemplo, os controladores de subsistema 331 podem gerar sinais de controle para controlar um ou mais dos atuadores de separador de palha 340 para controlar um tamanho de aberturas de separador de palha 122, atuadores de peneira 340 para controlar um tamanho de aberturas de peneira 124, limpando os atuadores de ventilador 340 para controlar uma velocidade do ventilador de limpeza 120 e atuadores do cortador 340 para controlar uma velocidade do picador 140. Esse é apenas um exemplo.

[00143] Em outro exemplo, o controlador de interface 330 do sistema de controle 314 pode gerar sinais de controle para controlar um mecanismo de interface (por exemplo, 318 ou 364) para gerar uma exibição, alerta, notificação ou outra indicação baseada ou indicativa do mapa preditivo de configuração de máquina funcional 1460 ou mapa preditivo de zona de controle de configuração de máquina funcional 1461, ou ambos.

[00144] Em outro exemplo, o controlador do sistema de comunicação 329 do sistema de controle 314 pode gerar sinais de controle para controlar o sistema de comunicação 306 para comunicar o mapa preditivo de configuração de máquina funcional 1460 ou mapa preditivo de zona de controle de configuração de máquina funcional 1461, ou ambos, para outro item do sistema agrícola 300 (por exemplo, sistemas de computação remota 368 ou interfaces de usuário 364) ou para outra máquina operando no campo.

[00145] Em alguns exemplos, o mapa preditivo de configuração de máquina funcional 1460 ou o mapa preditivo de zona de controle de configuração de máquina funcional 1461, ou ambos, mapeia valores preditivos de configuração de máquina, correspondendo a um primeiro componente da máquina 100, para diferentes localizações geográficas no campo. O sistema de controle 314 pode então gerar sinais de controle para controlar um ou mais outros componentes da máquina 100 com base nos valores preditivos de configuração de máquina do primeiro componente contido no mapa preditivo de configuração de máquina funcional 1460 ou no mapa preditivo de zona de controle de configuração de máquina funcional 1461, ou ambos. Em alguns exemplos, um ou mais outros componentes da máquina 100 podem estar a jusante do primeiro componente.

[00146] Esses são apenas exemplos. O sistema de controle 314 pode gerar vários outros sinais de controle para controlar vários outros itens da máquina móvel 100 (ou sistema agrícola 300) com base no mapa preditivo de configuração de máquina funcional 1460 ou mapa preditivo de zona de controle de configuração de máquina funcional 1461, ou ambos.

[00147] No bloco 636, é feita uma determinação quanto a se a operação foi concluída. Se a operação não for concluída, o processamento avança para o bloco 638, em que os dados de sensor in situ do sensor de posição geográfica 304 e sensores in situ 308 (e, talvez, outros sensores) continuam a ser lidos.

[00148] Em alguns exemplos, no bloco 640, o sistema agrícola 300 também pode detectar critérios de acionamento de aprendizado para realizar aprendizado de máquina em um ou mais do mapa preditivo de configuração de máquina funcional 1460, mapa preditivo de zona de controle de configuração de máquina funcional 1461, modelo preditivo de configuração de máquina 1450, o zonas geradas pelo gerador de zona de controle 313, um ou mais algoritmos de controle implantados pelos controladores no sistema de controle 314 e outro aprendizado acionado.

[00149] Os critérios de acionamento de aprendizado podem incluir qualquer um de uma ampla variedade de critérios diferentes. Alguns exemplos de critérios de detecção de gatilho são discutidos em relação aos blocos 642, 644, 646, 648 e 649. Por exemplo, em alguns exemplos, a aprendizagem acionada pode envolver a recriação de uma relação usada para gerar um modelo preditivo quando uma quantidade limite de dados de sensor in situsão obtidos de sensores in situ 308. Em tais exemplos, o recebimento de uma quantidade de dados de sensor in situ dos sensores in situ 308 que excede um limite aciona ou faz com que o gerador de modelo preditivo 310 gere um novo modelo preditivo que é usado pelo gerador de mapa preditivo 312. Assim, à medida que a máquina móvel 100 continua uma operação, o recebimento da quantidade limite de dados do sensor in situ dos sensores in situ 308 aciona a criação de uma nova relação representada por um novo modelo de configuração de máquina 1450 gerado pelo gerador de modelo preditivo 310. Além disso, um novo mapa preditivo de configuração de máquina funcional 1460, um novo mapa preditivo de zona de controle de configuração de máquina funcional 1461, ou ambos, podem ser gerados usando o novo modelo preditivo de configuração de máquina 1450. O bloco 642 representa a detecção de uma quantidade limite de dados de sensor in situ usados para acionar a criação de um novo modelo preditivo.

[00150] Em outros exemplos, os critérios de acionamento de aprendizado podem ser baseados em quanto os dados do sensor in situ dos sensores in situ 308 estão mudando, como ao longo do tempo ou em comparação com valores anteriores. Por exemplo, se as variações nos dados do sensor in situ (ou a relação entre os dados do sensor in situ e as informações no um ou mais mapas de informação anterior 358) estiverem dentro de um intervalo selecionado ou forem menores do que uma quantidade definida ou abaixo de um valor limite, então, um novo modelo preditivo não é gerado pelo gerador de modelo preditivo 310. Como resultado, o gerador de mapa preditivo 312 não gera um novo mapa preditivo de configuração de máquina funcional 1460, um novo mapa preditivo de zona de controle de configuração de máquina funcional 1461 ou ambos. No entanto, se as variações dentro dos dados do sensor in situ estiverem fora do intervalo selecionado, forem maiores que a quantidade definida ou estiverem acima do valor limite, por exemplo, então o gerador de modelo preditivo 310 gera um novo modelo preditivo de configuração de máquina 1450 usando todos ou uma parte dos dados do sensor in siturecém-recebidos que o gerador de mapa preditivo 312 usa para gerar um novo mapa preditivo de configuração de máquina funcional 1460 que pode ser provido para controlar o gerador de zona 313 para a criação de um novo controle de configuração de máquina preditiva funcional mapa da zona 1461. No bloco 644, variações nos dados do sensor in situ, como uma magnitude de uma quantidade pela qual os dados excedem o intervalo selecionado ou uma magnitude da variação da relação entre os dados do sensor in situ e as informações no um ou mais mapas de informação, pode ser usada como um gatilho para ocasionar a geração de um ou mais de um novo modelo preditivo de configuração de máquina 1450, um novo mapa preditivo de configuração de máquina funcional 1460 e um novo mapa preditivo de zona de controle de configuração de máquina funcional 1461. Seguindo os exemplos descritos acima, o limite, o intervalo e o valor definido podem ser definidos como valores padrão; definido por um operador ou interação do usuário por meio de uma interface de usuário; definido por um sistema automatizado; ou definido de outras maneiras.

[00151] Outros critérios de acionamento de aprendizado também podem ser usados. Por exemplo, se o gerador de modelo preditivo 310 mudar para um mapa de informação diferente (diferente do mapa de informação originalmente selecionado), então, mudar para o mapa de informação diferente pode acionar a reaprendizagem pelo gerador de modelo preditivo 310, gerador de mapa preditivo 312, gerador de zona de controle 313, sistema de controle 314 ou outros itens. Em outro exemplo, a transição da máquina móvel 100 para uma topografia diferente, ou para uma área de tipo de cultura diferente, ou para uma zona de controle diferente também pode ser usada como critério de acionamento de aprendizado.

[00152] Em alguns casos, o operador 360 ou o usuário 366 também pode editar o mapa preditivo de configuração de máquina funcional 1460 ou mapa preditivo de zona de controle de configuração de máquina funcional 1461, ou ambos. As edições podem alterar um valor no mapa preditivo de configuração de máquina funcional 1460, alterar um tamanho, forma, posição ou existência de uma zona de controle no mapa preditivo de zona de controle de configuração de máquina funcional 1461 ou ambos. O bloco 646 mostra que as informações editadas podem ser usadas como critérios de acionamento de aprendizado.

[00153] Em alguns exemplos, também pode ser que operador 360 ou usuário 366 observe que controle automatizado de um subsistema controlável 316, não seja o que o operador ou usuário deseja. Em tais casos, o operador 360 ou usuário 366 pode prover um ajuste manual para o subsistema controlável 316, que reflete que o operador 360 ou usuário 366 deseja que o subsistema controlável 316 opere de uma maneira diferente do que está sendo comandado por sistema de controle 314. Assim, a alteração manual de uma configuração pelo operador 360 ou usuário 366 pode fazer com que um ou mais geradores de modelo preditivo 310 gerem um novo modelo preditivo de configuração de máquina 1450, gerador de mapa preditivo 312 para gerar um novo mapa preditivo de configuração de máquina funcional 1460, gerador de zona de controle 313 para gerar uma ou mais novas zonas de controle no mapa preditivo de zona de controle de configuração de máquina funcional 1461 e sistema de controle 314 para reaprender um algoritmo de controle ou para realizar aprendizado de máquina em um ou mais dos componentes do controlador 329 a 339 no sistema de controle 314 com base no ajuste pelo operador 360 ou usuário 366, conforme mostrado no bloco 648. O bloco 649 representa o uso de outros critérios de aprendizagem acionados.

[00154] Em outros exemplos, a reaprendizagem pode ser realizada periódica ou intermitentemente com base, por exemplo, em um intervalo de tempo selecionado, como um intervalo de tempo discreto ou um intervalo de tempo variável, conforme indicado pelo bloco 650.

[00155] Se a reaprendizagem for acionada, seja com base em critérios de gatilho de aprendizagem ou com base na passagem de um intervalo de tempo, conforme indicado pelo bloco 650, então, um ou mais dentre o gerador de modelo preditivo 310, gerador de mapa preditivo 312, gerador de zona de controle 313 e sistema de controle 314 realiza aprendizagem de máquina para gerar um novo modelo preditivo, um novo mapa preditivo, uma nova zona de controle e um novo algoritmo de controle, respectivamente, com base nos critérios de gatilho de aprendizagem. O novo modelo preditivo, o novo mapa preditivo, a nova zona de controle e o novo algoritmo de controle são gerados usando quaisquer dados adicionais que foram coletados visto que a última operação de aprendizagem foi realizada. A realização da reaprendizagem é indicada pelo bloco 652.

[00156] Se a operação foi concluída, a operação se move do bloco 652 para o bloco 654, onde um ou mais do mapa preditivo de configuração de máquina funcional 1460, mapa preditivo de zona de controle de configuração de máquina funcional 1461, o modelo preditivo de configuração de máquina 1450, a(s) zona(s) de controle e o(s) algoritmo(s) de controle são armazenados. O mapa preditivo de configuração de máquina funcional 1460, mapa preditivo de zona de controle de configuração de máquina funcional 1461, modelo preditivo de configuração de máquina 1450, zona(s) de controle e algoritmo(s) de controle podem ser armazenados localmente no armazenamento de dados 302 ou enviados para um sistema remoto com uso do sistema de comunicação 306 para uso posterior.

[00157] Se a operação não tiver sido concluída, a operação se move do bloco 652 para o bloco 618, de modo que um ou mais do novo modelo preditivo, o novo mapa preditivo funcional, o novo mapa de zona de controle preditivo funcional, a(s) nova(s) zona(s) de controle e o(s) novo(s) algoritmo(s) de controle podem ser usados no controle da máquina de colheita móvel 100.

[00158] Os exemplos no presente documento descrevem a geração de um modelo preditivo e, em alguns exemplos, a geração de um mapa preditivo funcional com base no modelo preditivo. Os exemplos no presente documento descritos são diferenciados de outras abordagens pelo uso de um modelo que é pelo menos um de multivariado ou específico do local (isto é, georreferenciado, como baseado em mapa). Ademais, o modelo é revisado uma vez que a máquina de trabalho está realizando uma operação e enquanto dados adicionais de sensor in situsão coletados. O modelo também pode ser aplicado no futuro além do local de trabalho atual. Por exemplo, o modelo pode formar uma linha de base (por exemplo, ponto de partida) para uma operação subsequente em um local de trabalho diferente ou no mesmo local de trabalho em um momento futuro.

[00159] A revisão do modelo em resposta a novos dados pode empregar métodos de aprendizagem de máquina. Sem limitação, os métodos de aprendizado de máquina podem incluir redes de memória, sistemas de Bayes, árvores de decisão, Autovetores, Autovalores e Aprendizado de Máquina, Algoritmos Evolutivos e Genéticos, Análise de Cluster, Sistemas/Regras Especialistas, Máquinas de Vetores de Suporte, Mecanismos/Raciocínio Simbólico, Redes Adversárias Generativas (GANs), Análise de Gráficos e ML, Regressão Linear, Regressão Logística, LSTMs e Redes Neurais Recorrentes (RNNSs), Redes Neurais Convolucionais (CNNs), MCMC, Florestas Aleatórias, Aprendizado por Reforço ou aprendizado de máquina baseado em Recompensa. A aprendizagem pode ser supervisionada ou não supervisionada.

[00160] Implementações de modelo podem ser matemáticas, fazer uso de equações matemáticas, correlações empíricas, estatísticas, tabelas, matrizes e similares. Outras implantações de modelo podem depender mais de símbolos, bases de conhecimento e lógica, como sistemas baseados em regra. Algumas implantações são híbridas, utilizando tanto matemática quanto lógica. Alguns modelos podem incorporar elementos aleatórios, não determinísticos ou imprevisíveis. Algumas implantações de modelo podem fazer uso de valores de redes de dados, como redes neurais. Há apenas alguns exemplos de modelos.

[00161] Os exemplos de paradigma preditivo descritos no presente documento diferem de abordagens não preditivas em que um atuador ou outro parâmetro de máquina é fixado no tempo que a máquina, sistema ou componente é projetado, definido uma vez antes de a máquina entrar no local de trabalho, é reativamente ajustado manualmente com base em percepção de operador, ou é reativamente ajustado com base em um valor de sensor.

[00162] Os exemplos de mapa preditivo funcional descritos no presente documento também diferem de outras abordagens baseadas em mapa. Em alguns exemplos dessas outras abordagens, um mapa de controle a priori é usado sem qualquer modificação com base em dados de sensor in situ ou, de outro modo, uma diferença determinada entre dados de um sensor in situ e um mapa preditivo são usados para calibrar o sensor in situ. Em alguns exemplos das outras abordagens, dados de sensor podem ser matematicamente combinados com dados a priori para gerar sinais de controle, mas de uma maneira agnóstica de localização; ou seja, um ajuste a uma configuração preditiva georreferenciada, a priori é aplicado independentemente da localização da máquina de trabalho no local de trabalho. O uso continuado ou fim de uso do ajuste, nas outras abordagens, não é dependente da máquina de trabalho que está em uma localização definida particular ou região dentro do local de trabalho.

[00163] Em exemplos descritos no presente documento, os mapas preditivos funcionais e controle de atuador preditivo dependem dos mapas obtidos e dados in situ que são usados para gerar modelos preditivos. Os modelos preditivos são, então, revisados durante a operação para gerar mapas preditivos funcionais revisados e controle de atuador revisado. Em alguns exemplos, o controle de atuador é provido com base em mapas de zona de controle preditivos funcionais que são também revisados durante a operação no local de trabalho. Em alguns exemplos, as revisões (por exemplo, ajustes, calibrações, etc.) estão vinculadas a regiões ou zonas do local de trabalho, e não a todo o local de trabalho ou a alguma condição não georreferenciada. Por exemplo, os ajustes são aplicados a uma ou mais áreas de um local de trabalho as quais um ajuste é determinado como sendo relevante (por exemplo, como ao satisfazer uma ou mais condições, o que pode resultar em aplicação de um ajuste a uma ou mais localizações enquanto não aplica o ajuste a uma ou mais outras localizações), em oposição à aplicação de uma alteração de uma maneira indiscriminada para cada localização de uma maneira não seletiva.

[00164] Em alguns exemplos descritos no presente documento, os modelos determinam e aplicam esses ajustes a poções seletivas ou zonas do local de trabalho com base em um conjunto de dados a priori, que, em alguns casos, é multivariante em natureza. Por exemplo, ajustes podem, sem limitação, ser vinculados a porções definidas do local de trabalho com base em fatores específicos de local como topografia, tipo de solo, variedade de cultura, umidade de solo, bem como diversos outros fatores, sozinhos ou em combinação. Consequentemente, os ajustes são aplicados às porções do campo nas quais os fatores específicos de local satisfazem um ou mais critérios e não a outras porções do campo em que esses fatores específicos de local do não satisfazem o um ou mais critérios. Desse modo, em alguns exemplos descritos no presente documento, o modelo gera um mapa preditivo funcional revisado para pelo menos a localização ou zona atual, a parte não trabalhada do local de trabalho, ou todo o local de trabalho.

[00165] Como um exemplo, no qual o ajuste é aplicado apenas a determinadas áreas do campo, considerar o seguinte. O sistema pode determinar que um valor de característica in situ detectado varia de um valor preditivo da característica, como por uma quantidade limite. Esse desvio só pode ser detectado em áreas do campo onde a elevação do local de trabalho esteja acima de um determinado nível. Assim, a revisão do valor preditivo é aplicada apenas a outras áreas da obra com elevação acima do determinado nível. Nesse exemplo mais simples, o valor de característica preditivo e a elevação no ponto em que o desvio ocorreu e o valor de característica detectado e a elevação no ponto em que o desvio cruza o limite são usados para gerar uma equação linear. A equação linear é usada para ajustar o valor da característica preditiva em áreas do canteiro (que ainda não foram operadas na operação atual, como áreas não colhidas) no mapa preditivo funcional em função da elevação e do valor da característica predita. Isso resulta em um mapa preditivo funcional revisado no qual alguns valores são ajustados enquanto outros permanecem inalterados com base em critérios selecionados, por exemplo, elevação e desvio de limite. O mapa funcional revisado é então usado para gerar um mapa de zona de controle funcional revisado para controlar a máquina.

[00166] Como um exemplo, sem limitação, considerar um caso do paradigma descrito no presente documento que é parametrizado como a seguir.

[00167] Um ou mais mapas do campo são obtidos, como um ou mais de um mapa topográfico, um mapa de índice vegetativo (VI), um mapa óptico, um mapa de semeadura, um mapa de propriedades de solo, um mapa de operação anterior, um mapa de configuração histórica, e outro tipo de mapa.

[00168] Os sensores in situ geram dados do sensor indicativos de valores de característica in situ, como valores de configuração de máquina in situ

[00169] Um gerador de modelo preditivo gera um ou mais modelos preditivos com base em um ou mais mapas obtidos e nos dados de sensor in situ, como um modelo preditivo de configuração de máquina.

[00170] Um gerador de mapa preditivo gera um ou mais mapas preditivos funcionais com base em um modelo gerado pelo gerador de modelo preditivo e pelo um ou mais mapas obtidos. Por exemplo, o gerador de mapa preditivo pode gerar um mapa preditivo de configuração de máquina funcional que mapeia valores preditivos de configuração de máquina para um ou mais locais no local de trabalho com base em um modelo preditivo de configuração de máquina e um ou mais mapas obtidos.

[00171] As zonas de controle, que incluem valores de configuração de máquina, podem ser incorporadas ao mapa preditivo de configuração de máquina funcional para gerar um mapa preditivo de configuração de máquina funcional com zonas de controle.

[00172] Uma vez que a máquina móvel continua a operar no local de trabalho, dados adicionais de sensor in situsão coletados. Um critério de acionamento de aprendizado pode ser detectado, como quantidade limite de dados adicionais de sensor in situ sendo coletados, uma magnitude de mudança em um relacionamento (por exemplo, os valores de característica in situ variam até um certo grau [por exemplo, limite] de um valor preditivo da característica), e o operador ou usuário faz edições no(s) mapa(s) preditivo(s) ou em um algoritmo de controle, ou ambos, uma certa (por exemplo, limite) quantidade de tempo decorrido, bem como vários outros critérios de acionamento de aprendizado. O(s) modelo(s) preditivo(s) é/são, então, revisado(s) com base nos dados adicionais de sensor in situ e nos valores dos mapas obtidos. Os mapas preditivos funcionais ou os mapas de zona de controle preditivos funcionais, ou ambos, são, então, revisados com base no(s) modelo(s) revisado(s) e nos valores nos mapas obtidos.

[00173] A presente discussão mencionou processadores e servidores. Em alguns exemplos, os processadores e servidores incluem processadores de computador com memória associada e circuitos de temporização, não mostrados separadamente. Os mesmos são partes funcionais dos sistemas ou dispositivos aos quais pertencem e são ativados por e facilitam a funcionalidade dos outros componentes ou itens naqueles sistemas.

[00174] Além disso, vários visores de interface do usuário foram discutidos. Os visores podem assumir uma grande variedade de formas diferentes e podem ter uma grande variedade de diferentes mecanismos de interface de operador acionáveis pelo usuário dispostos neles. Por exemplo, mecanismos de interface de operador acionáveis pelo usuário podem incluir caixas de texto, caixas de seleção, ícones, enlaces, menus suspensos, caixas de pesquisa, etc. Os mecanismos de interface de operador acionáveis pelo usuário também podem ser acionados em uma ampla variedade de maneiras diferentes. Por exemplo, os mesmos podem ser atuados usando mecanismos de interface de operador, como um dispositivo de apontar e clicar, como um mouse de esfera ou mouse, botões de hardware, interruptores, um manche ou teclado, interruptores de polegar ou calços de polegar, etc., um teclado virtual ou outros atuadores virtuais. Além disso, quando a tela na qual os mecanismos de interface de operador acionáveis pelo usuário são exibidos é uma tela sensível ao toque, os mecanismos da interface de operador acionáveis pelo usuário podem ser acionados usando gestos de toque. Além disso, os mecanismos de interface de operador que podem ser acionados pelo usuário podem ser acionados usando comandos de voz usando a funcionalidade de reconhecimento de voz. O reconhecimento de fala pode ser implantado com uso de um dispositivo de detecção de fala, como um microfone, e um software que funciona para reconhecer a fala detectada e executar comandos com base na fala recebida.

[00175] Vários armazenamentos de dados também foram discutidos. Será observado que os armazenamentos de dados podem ser divididos em vários armazenamentos de dados. Em alguns exemplos, um ou mais dos armazenamentos de dados podem ser locais para os sistemas que acessam os armazenamentos de dados, um ou mais dos armazenamentos de dados podem estar todos localizados remotos de um sistema que utiliza o armazenamento de dados, ou um ou mais armazenamentos de dados podem ser locais, enquanto outros são remotos. Todas essas configurações são contempladas pela presente descrição.

[00176] Além disso, as figuras mostram uma série de blocos com funcionalidade atribuída a cada bloco. Será notado que menos blocos podem ser usados para ilustrar que a funcionalidade atribuída a vários blocos diferentes é executada por menos componentes. Além disso, mais blocos podem ser usados, ilustrando que a funcionalidade pode ser distribuída entre mais componentes. Em diferentes exemplos, algumas funcionalidades podem ser adicionadas e algumas podem ser removidas.

[00177] Será observado que a discussão acima descreveu uma variedade de diferentes sistemas, componentes, lógicas e interações. Será reconhecido que qualquer um ou todos esses sistemas, componentes, lógica e interações podem ser implantados por itens de hardware, como processadores, memória ou outros componentes de processamento, alguns dos quais são descritos abaixo, que executam as funções associadas a esses sistemas, componentes, ou lógica ou interações. Além disso, qualquer um ou todos os sistemas, componentes, lógica e interações podem ser implantados por software que é carregado em uma memória e é subsequentemente executado por um processador ou servidor ou outro componente de computação, conforme descrito abaixo. Qualquer um ou todos os sistemas, componentes, lógica e interações também podem ser implantados por diferentes combinações de hardware, software, firmware, etc., alguns exemplos dos quais são descritos abaixo. Esses são alguns exemplos de diferentes estruturas que podem ser usadas para implantar qualquer um ou todos os sistemas, componentes, lógica e interações descritos acima. Outras estruturas também podem ser usadas.

[00178] A Figura 6 é um diagrama de blocos da máquina de colheita móvel 1000, que pode ser semelhante à máquina de colheita móvel 100 mostrada na Figura 3. A máquina móvel 1000 se comunica com elementos em uma arquitetura de servidor remoto 700. Em alguns exemplos, a arquitetura de servidor remoto 700 provê serviços de computação, software, acesso a dados e armazenamento que não necessitam do conhecimento do usuário final da localização física ou configuração do sistema que entrega os serviços. Em vários exemplos, os servidores remotos podem prover os serviços em uma rede de área ampla, como a Internet, usando protocolos apropriados. Por exemplo, os servidores remotos podem prover aplicativos em uma rede de área ampla e podem ser acessíveis por meio de um navegador da web ou qualquer outro componente de computação. Software ou componentes mostrados na Figura 3, bem como os dados associados aos mesmos, podem ser armazenados em servidores em uma localização remoto. Os recursos de computação em um ambiente de servidor remoto podem ser consolidados em uma localização de centro de dados remoto ou os recursos de computação podem ser dispersos em uma pluralidade de centros de dados remotos. As infraestruturas de servidor remoto podem prover serviços por meio de centros de dados compartilhados, mesmo que os serviços apareçam como um único ponto de acesso para o usuário. Assim, os componentes e funções no presente documento descritos podem ser providos a partir de um servidor remoto em um local remoto com uso de uma arquitetura de servidor remoto. De modo alternativo, os componentes e funções podem ser providos a partir de um servidor, ou os componentes e funções podem ser instalados em dispositivos clientes diretamente ou de outras maneiras.

[00179] No exemplo mostrado na Figura 6, alguns itens são semelhantes aos mostrados na Figura 3 e esses itens são numerados de forma semelhante. A Figura 6 mostra especificamente que o gerador de modelo preditivo 310 ou o gerador de mapa preditivo 312, ou ambos, podem estar localizados em um local de servidor 702 que é remoto da máquina móvel 1000. Portanto, no exemplo mostrado na Figura 6, a máquina móvel 1000 acessa os sistemas através da localização do servidor remoto 702. Em outros exemplos, vários outros itens também podem estar localizados no local do servidor 702, como armazenamento de dados 302, seletor de mapa 309, modelo preditivo 311, mapas preditivos funcionais 263 (incluindo mapas preditivos 264 e mapas de zona de controle preditivo 265), gerador de zona de controle 313 e sistema de processamento 338.

[00180] A Figura 6 também descreve outro exemplo de uma arquitetura de servidor remoto. A Figura 6 mostra que alguns elementos da Figura 3 podem ser dispostos em uma localização de servidor remoto 702, enquanto outros podem estar localizados em outro lugar. A título de exemplo, o armazenamento de dados 302 pode ser disposto em uma localização separada da localização 702 e acessado por meio do servidor remoto no local 702. Independentemente de onde os elementos estão localizados, os mesmos podem ser acessados diretamente pela máquina móvel 1000 através de uma rede, como uma rede de área ampla ou uma rede de área local; os elementos podem ser hospedados em um site da web remoto por um serviço; ou os elementos podem ser providos como um serviço ou acessados por um serviço de conexão que se encontra em uma localização remota. Além disso, os dados podem ser armazenados em qualquer localização e os dados armazenados podem ser acessados ou encaminhados para operadores, usuários ou sistemas. Por exemplo, portadores físicos podem ser usados em vez de, ou além de, portadores de ondas eletromagnéticas. Em alguns exemplos, onde a cobertura do serviço de telecomunicações sem fio é insuficiente ou inexistente, outra máquina, como um caminhão de combustível ou outra máquina móvel ou veículo móvel, pode ter um sistema de coleta de informação automatizado, semiautomatizado ou manual. Quando a máquina móvel 1000 se aproxima da máquina que contém o sistema de coleta de informação, como um caminhão de combustível antes de abastecer, o sistema de coleta de informação coleta a informação da máquina móvel 1000 usando qualquer tipo de conexão sem fio ad-hoc. A informação coletada pode então ser encaminhada para outra rede quando a máquina que contém a informação recebida chega a uma localização em que a cobertura do serviço de telecomunicações sem fio ou outra cobertura sem fio está disponível. Por exemplo, um caminhão de combustível pode entrar em uma área com cobertura de comunicação sem fio ao se deslocar para uma localização para abastecer outras máquinas ou quando em uma localização de armazenamento de combustível principal. Todas essas arquiteturas são no presente documento contempladas. Ademais, a informação pode ser armazenada na máquina móvel 1000 até que a máquina móvel 1000 entre em uma área que tem cobertura de comunicação sem fio. A máquina móvel 1000, por si só, pode enviar a informação para outra rede.

[00181] Também será observado que os elementos da Figura 3, ou porções dos mesmos, podem ser dispostos em uma ampla variedade de dispositivos diferentes. Um ou mais desses dispositivos podem incluir um computador de bordo, uma unidade de controle eletrônico, uma unidade de exibição, um servidor, um computador do tipo desktop, um computador do tipo laptop, um computador do tipo tablet ou outro dispositivo móvel, como um computador do tipo palmtop, um telefone celular, um smartphone, um reprodutor multimídia, um assistente pessoal digital, etc.

[00182] Em alguns exemplos, a arquitetura de servidor remoto 700 pode incluir medidas de segurança cibernética. Sem limitação, essas medidas podem incluir criptografia de dados em dispositivos de armazenamento, criptografia de dados enviados entre nós de rede, autenticação de pessoas ou processos que acessam dados, bem como o uso de livros para registrar metadados, dados, transferências de dados, acessos de dados e transformações de dados. Em alguns exemplos, os registradores podem ser distribuídos e imutáveis (por exemplo, implantados como blockchain).

[00183] A Figura 7 é um diagrama de blocos simplificado de um exemplo ilustrativo de um dispositivo de computação portátil ou móvel que pode ser usado como um dispositivo portátil de usuário ou cliente 16, no qual o presente sistema (ou partes do mesmo) pode ser implantado. Por exemplo, um dispositivo móvel pode ser implantado no compartimento de operador da máquina móvel 100 para uso na geração, processamento ou exibição dos mapas discutidos acima. As Figuras 8-9 são exemplos de dispositivos portáteis ou móveis.

[00184] A Figura 7 provê um diagrama de blocos geral dos componentes de um dispositivo cliente 16 que pode executar alguns componentes mostrados na Figura 3, que interage com os mesmos, ou ambos. No dispositivo 16, um enlace de comunicação 13 é provido, o que permite que o dispositivo portátil se comunique com outros dispositivos de computação e, em alguns exemplos, provê um canal para receber informação automaticamente, como por varredura. Exemplos de enlace de comunicações 13 incluem permitir a comunicação por meio de um ou mais protocolos de comunicação, como serviços sem fio usados para prover acesso de celular a uma rede, bem como protocolos que proveem conexões sem fio locais para redes.

[00185] Em outros exemplos, os aplicativos podem ser recebidos em um cartão Digital Seguro (SD) removível que está conectado a uma interface 15. A interface 15 e os enlaces de comunicação 13 se comunicam com um processador 17 (que também pode incorporar processadores ou servidores de outras Figuras) ao longo de um barramento 19 que também está conectado à memória 21 e aos componentes de entrada/saída (E/S) 23, bem como relógio 25 e sistema de localização 27.

[00186] Os componentes de E/S 23, em um exemplo, são providos para facilitar as operações de entrada e saída. Os componentes de E/S 23 para diversos exemplos do dispositivo 16 podem incluir componentes de entrada, como botões, sensores de toque, sensores ópticos, microfones, telas de toque, sensores de proximidade, acelerômetros, sensores de orientação e componentes de saída, como um dispositivo de exibição, um alto-falante e/ou uma porta de impressora. Outros componentes de E/S 23 também podem ser usados.

[00187] O relógio 25 compreende de modo ilustrativo um componente de relógio em tempo real que emite uma hora e uma data. O mesmo também pode, ilustrativamente, prover funções de temporização para o processador 17.

[00188] O sistema de localização 27 inclui ilustrativamente um componente que emite uma localização geográfica atual do dispositivo 16. Isso pode incluir, por exemplo, um receptor de sistema de posicionamento global (GPS), um sistema LORAN, um sistema de cálculo morto, um sistema de triangulação celular ou outro sistema de posicionamento. O sistema de localização 27 também pode incluir, por exemplo, software de mapeamento ou software de navegação que gera mapas desejados, rotas de navegação e outras funções geográficas.

[00189] A memória 21 armazena o sistema operacional 29, ajustes de rede 31, aplicativos 33, ajustes de configuração de aplicativos 35, armazenamento de dados 37, unidades de operação de comunicação 39 e ajustes de configuração de comunicação 41. A memória 21 pode incluir todos os tipos de dispositivos de memória legíveis por computador tangíveis, voláteis e não voláteis. A memória 21 também pode incluir meios de armazenamento de computador (descritos abaixo). A memória 21 armazena instruções legíveis por computador que, quando executadas pelo processador 17, fazem com que o processador execute etapas ou funções implantadas por computador de acordo com as instruções. O processador 17 pode ser ativado por outros componentes para facilitar sua funcionalidade também.

[00190] A Figura 8 mostra um exemplo no qual o dispositivo 16 é um computador do tipo tablet 1200. Na Figura 8, o computador 1200 é mostrado com a tela de exibição de interface de usuário 1202. A tela 1202 pode ser uma tela sensível ao toque ou uma interface habilitada para caneta que recebe entradas de uma caneta ou stylus. O computador do tipo tablet 1200 também pode usar um teclado virtual na tela. Obviamente, o computador 1200 também pode ser conectado a um teclado ou outro dispositivo de entrada do usuário por meio de um mecanismo de conexão adequado, como um enlace sem fio ou porta USB, por exemplo. O computador 1200 também pode receber entradas de voz de forma ilustrativa.

[00191] A Figura 9 é similar à Figura 8 exceto que o dispositivo é um smartphone 71. O smartphone 71 possui um visor sensível ao toque 73 que exibe ícones ou blocos ou outros mecanismos de entrada do usuário 75. Os mecanismos 75 podem ser usados por um usuário para executar aplicativos, fazer chamadas, realizar operações de transferência de dados, etc. Em geral, o smartphone 71 é construído em um sistema operacional móvel e oferece conectividade e capacidade de computação mais avançada do que um telefone convencional.

[00192] Observe que outras formas dos dispositivos 16 são possíveis.

[00193] A Figura 10 é um exemplo de um ambiente de computação no qual os elementos da Figura 3 podem ser implantados. Com referência à Figura 10, um exemplo de sistema para implantar algumas modalidades inclui um dispositivo de computação na forma de um computador 810 programado para operar conforme discutido acima. Os componentes do computador 810 podem incluir, porém sem limitação, uma unidade de processamento 820 (que pode compreender processadores ou servidores das Figuras anteriores), uma memória do sistema 830 e um barramento do sistema 821 que acopla vários componentes do sistema, incluindo a memória do sistema para a unidade de processamento 820. O barramento de sistema 821 pode ser qualquer um dos vários tipos de estruturas de barramento, incluindo um barramento de memória ou controlador de memória, um barramento periférico e um barramento local usando qualquer uma de uma variedade de arquiteturas de barramento. Memória e programas descritos em relação à Figura 3 pode ser implantado em porções correspondentes da Figura 10.

[00194] O computador 810 inclui tipicamente uma variedade de meios legíveis por computador. Os meios legíveis por computador podem ser quaisquer meios disponíveis que podem ser acessados pelo computador 810 e incluem meios voláteis e não voláteis, meios removíveis e não removíveis. A título de exemplo, e não como limitação, os meios legíveis por computador podem compreender meios de armazenamento de computador e meios de comunicação. Os meios de armazenamento do computador são diferentes e não incluem um sinal de dados modulado ou onda portadora. Os meios legíveis por computador incluem meios de armazenamento de hardware, incluindo meios voláteis e não voláteis, removíveis e não removíveis implantados em qualquer método ou tecnologia para armazenamento de informação, como instruções legíveis por computador, estruturas de dados, módulos de programa ou outros dados. Os meios de armazenamento de computador incluem, mas sem limitação, RAM, ROM, EEPROM, memória flash ou outra tecnologia de memória, CD-ROM, discos versáteis digitais (DVD) ou outro armazenamento em disco óptico, cassetes magnéticos, fita magnética, armazenamento em disco magnético ou outros dispositivos de armazenamento magnético ou qualquer outro meio que possa ser usado para armazenar as informações desejadas e que possam ser acessadas pelo computador 810. Os meios de comunicação podem incorporar instruções legíveis por computador, estruturas de dados, módulos de programa ou outros dados em um mecanismo de transporte e inclui qualquer meio de entrega de informação. O termo “sinal de dados modulado” significa um sinal que tem uma ou mais características definidas ou alteradas de tal maneira a codificar a informação no sinal.

[00195] A memória do sistema 830 inclui meios de armazenamento de computador na forma de memória volátil e/ou não volátil ou ambas, como memória somente de leitura (ROM) 831 e memória de acesso aleatório (RAM) 832. Um sistema básico de entrada/saída 833 (BIOS), contendo as rotinas básicas que ajudam a transferir informação entre os elementos dentro do computador 810, como durante a inicialização, é normalmente armazenado no ROM 831. RAM 832 normalmente contém dados ou módulos de programa ou ambos que são imediatamente acessíveis e/ou atualmente sendo operados pela unidade de processamento 820. A título de exemplo, e não como limitação, a Figura 10 ilustra o sistema operacional 834, programas de aplicativo 835, outros módulos de programa 836 e dados de programa 837.

[00196] O computador 810 também pode incluir outros meios de armazenamento de computador voláteis/não voláteis removíveis/não removíveis. Apenas a título de exemplo, a Figura 10 ilustra uma unidade de disco rígido 841 que lê ou grava em meios magnéticos não removíveis e não voláteis, uma unidade de disco óptico 855 e disco óptico não volátil 856. A unidade de disco rígido 841 é normalmente conectada ao barramento do sistema 821 por meio de uma interface de memória não removível, como a interface 840, e a unidade de disco óptico 855 é normalmente conectada ao barramento do sistema 821 por uma interface de memória removível, como a interface 850.

[00197] Alternativamente, ou além disso, a funcionalidade aqui descrita pode ser realizada, pelo menos em parte, por um ou mais componentes lógicos de hardware. Por exemplo, e sem limitação, os tipos ilustrativos de componentes lógicos de hardware que podem ser usados incluem Matrizes de Porta Programável em Campo (FPGAs), Circuitos integrados específicos de aplicativos (por exemplo, ASICs), produtos padrão específicos de aplicativos (por exemplo, ASSPs), sistemas de Sistema em um chip (SOCs), dispositivos lógicos programáveis complexos (CPLDs), etc.

[00198] As unidades e seus meios de armazenamento de computador associados discutidos acima e ilustrados na Figura 10, proveem armazenamento de instruções legíveis por computador, estruturas de dados, módulos de programa e outros dados para o computador 810. Na Figura 10, por exemplo, a unidade de disco rígido 841 é ilustrada como armazenando o sistema operacional 844, programas de aplicativos 845, outros módulos de programa 846 e dados de programa 847. Observe que esses componentes podem ser iguais ou diferentes do sistema operacional 834, programas de aplicativo 835, outros módulos de programa 836 e dados de programa 837.

[00199] Um usuário pode inserir comandos e informação no computador 810 por meio de dispositivos de entrada, como um teclado 862, um microfone 863 e um dispositivo apontador 861, como um mouse, mouse de esfera ou dispositivo sensível ao toque. Outros dispositivos de entrada (não mostrados) podem incluir uma alavanca de direção, game pad, antena parabólica, scanner ou semelhantes. Esses e outros dispositivos de entrada são frequentemente conectados à unidade de processamento 820 por meio de uma interface de entrada de usuário 860 que é acoplada ao barramento do sistema, mas pode ser conectado por outras estruturas de interface e barramento. Um visor visual 891 ou outro tipo de dispositivo de exibição também é conectado ao barramento de sistema 821 por meio de uma interface, como uma interface de vídeo 890. Além do monitor, os computadores também podem incluir outros dispositivos de saída periféricos, como alto-falantes 897 e impressora 896, que podem ser conectados através de uma interface periférica de saída 895.

[00200] O computador 810 é operado em um ambiente de rede usando conexões lógicas (como uma rede de área de controlador - CAN, rede de área local - LAN ou rede de área ampla WAN) para um ou mais computadores remotos, como um computador remoto 880.

[00201] Quando usado em um ambiente de rede LAN, o computador 810 é conectado à LAN 871 por meio de uma interface de rede ou adaptador 870. Quando usado em um ambiente de rede WAN, o computador 810 inclui tipicamente um modem 872 ou outro meio para estabelecer comunicações através da WAN 873, como a Internet. Em um ambiente de rede, os módulos do programa podem ser armazenados em um dispositivo de armazenamento de memória remoto. A Figura 10 ilustra, por exemplo, que programas de aplicativos remotos 885 podem residir no computador remoto 880.

[00202] Também deve ser notado que os diferentes exemplos descritos no presente documento podem ser combinados de maneiras diferentes. Ou seja, partes de um ou mais exemplos podem ser combinadas com partes de um ou mais outros exemplos. Tudo isso é contemplado no presente documento.

[00203] Embora a matéria tenha sido descrita em linguagem específica para recursos estruturais e/ou ações metodológicas, deve ser entendido que a matéria definida nas reivindicações anexas não é necessariamente limitada aos recursos ou ações específicos descritos acima. Em vez disso, os recursos e ações específicos descritos acima são descritos como formas exemplificativas das reivindicações.

Claims

1. Sistema agrícola (300), caracterizadopelo fato de que compreende: um sistema de comunicação (306) que recebe um mapa de informação (358) que mapeia os valores de uma característica para diferentes localizações geográficas no campo; um sensor de posição geográfica (304) que detecta uma localização geográfica de uma máquina móvel (100); um sensor IN SITU (308, 370) que detecta um valor de configuração de máquina correspondente à localização geográfica; um gerador de modelo preditivo (310) que gera um modelo preditivo de configuração de máquina (311, 1450) indicativo de uma relação entre a característica e a configuração de máquina com base no valor de configuração de máquina detectado pelo sensor IN SITU correspondente à localização geográfica e um valor da característica no mapa de informação correspondente à localização geográfica; e um gerador de mapa preditivo (312) que gera um mapa preditivo de configuração de máquina funcional (263, 1460) do campo que mapeia valores preditivos de configuração de máquina para as diferentes localizações geográficas no campo com base nos valores da característica no mapa de informação e com base no modelo preditivo de configuração de máquina.

2. Sistema agrícola de acordo com a reivindicação 1, caracterizadopelo fato de que o gerador de mapa preditivo configura o mapa preditivo de configuração de máquina funcional para consumo por um sistema de controle (314) que gera sinais de controle para controlar um subsistema controlável (316) na máquina móvel com base no mapa preditivo de configuração de máquina funcional.

3. Sistema agrícola de acordo com a reivindicação 1, caracterizado pelo fato de que o sensor in situ é um sensor de entrada (372) que detecta, mediante detecção do valor de configuração de máquina, uma entrada em um mecanismo de entrada (318, 364).

4. Sistema agrícola de acordo com a reivindicação 1, caracterizado pelo fato de que o sensor in situé um sensor de saída do sistema de controle (374) que detecta, mediante detecção do valor de configuração de máquina, uma saída de um sistema de controle (314) que controla a máquina móvel.

5. Sistema agrícola de acordo com a reivindicação 1, caracterizado pelo fato de que o valor de configuração de máquina é indicativo de um ponto de ajuste operacional comandado de um componente da máquina móvel.

6. Sistema agrícola de acordo com a reivindicação 1, caracterizado pelo fato de que o mapa de informação é um dentre: um mapa topográfico (430) que mapeia, como os valores da característica, valores de característica topográfica para as diferentes localizações geográficas no campo; um mapa de índice vegetativo (433) que mapeia, como os valores da característica, valores de índice vegetativo para as diferentes localizações geográficas no campo; um mapa óptico (434) que mapeia, como os valores da característica, valores de característica óptica para as diferentes localizações geográficas no campo; um mapa de semeadura (435) que mapeia, como os valores da característica, valores de característica de semeadura para as diferentes localizações geográficas no campo; um mapa de propriedades de solo (436) que mapeia, como os valores da característica, os valores de propriedades de solo para as diferentes localizações geográficas no campo; um mapa de operação anterior (437) que mapeia, como valores da característica, valores de característica de operação anterior para as diferentes localizações geográficas no campo; ou um mapa de configuração histórica (438) que mapeia, como os valores da característica, valores de configuração histórica para as diferentes localizações geográficas no campo.

7. Sistema agrícola de acordo com a reivindicação 1, caracterizado pelo fato de que o mapa de informação compreende dois ou mais mapas de informação (358), em que cada um dos dois ou mais mapas de informação mapeia valores de uma respectiva característica para as diferentes localizações geográficas no campo, em que o gerador de modelo preditivo gera, como o modelo preditivo de configuração de máquina, um modelo preditivo de configuração de máquina (311, 1450) indicativo de uma relação entre as duas ou mais características respectivas e a configuração de máquina com base no valor de configuração de máquina detectado pelo sensor in situ correspondente às localizações geográficas e nos valores das duas ou mais características respectivas nos dois ou mais mapas de informação correspondentes à localização geográfica, e em que o gerador de mapa preditivo gera, como o mapa preditivo de configuração de máquina funcional, um mapa preditivo de configuração de máquina funcional (263, 1460) que mapeia valores preditivos de configuração de máquina para as diferentes localizações geográficas no campo com base nos valores das duas características mais nos dois ou mais mapas de informação correspondentes às diferentes localizações geográficas e no modelo preditivo de configuração de máquina.

8. Sistema agrícola de acordo com a reivindicação 1, caracterizado pelo fato de que o sensor in situdetecta, como o valor de configuração de máquina, um valor de configuração de máquina correspondente a um primeiro componente (316, 340) da máquina móvel, em que o modelo preditivo gera, como o modelo preditivo de configuração de máquina, um modelo preditivo de configuração de máquina (316, 102, 109, 112, 114, 120, 140, 122, 124) indicativo de uma relação entre a característica e a configuração de máquina correspondente ao primeiro componente da máquina móvel com base no valor de configuração de máquina correspondente ao primeiro componente detectado pelo sensor IN SITU correspondente à localização geográfica e um valor da característica no mapa de informação correspondente à localização geográfica, e em que o gerador de mapa preditivo gera, como o mapa preditivo de configuração de máquina funcional, um mapa preditivo de configuração de máquina funcional (263, 1460) que mapeia valores preditivos de configuração de máquina correspondentes ao primeiro componente para as diferentes localizações geográficas no local de trabalho com base nos valores da característica no mapa de informação correspondente às diferentes localizações geográficas e com base no modelo preditivo de configuração de máquina.

9. Sistema agrícola de acordo com a reivindicação 8, caracterizado pelo fato de que compreende adicionalmente: um sistema de controle (314) que gera um sinal de controle para controlar um atuador (340) correspondente a um segundo componente (316, 102, 109, 112, 114, 120, 140, 122, 124) da máquina móvel com base no mapa preditivo de configuração de máquina funcional.

10. Sistema agrícola de acordo com a reivindicação 9, caracterizado pelo fato de que o segundo componente da máquina móvel está a jusante do primeiro componente da máquina móvel.

11. Método implantado por computador, caracterizado pelo fato de que compreende: receber um mapa de informação (358) que mapeia os valores de uma característica para diferentes localizações geográficas em um campo; obter dados de sensor IN SITU (440) indicativos de um valor de uma configuração de máquina correspondente a uma localização geográfica no campo; gerar um modelo preditivo de configuração de máquina (311, 1450) indicativo de uma relação entre a característica e a configuração de máquina; e controlar um gerador de mapa preditivo (312) para gerar um mapa preditivo de configuração de máquina funcional (263, 1460) do campo que mapeia valores preditivos de configuração de máquina para as diferentes localizações geográficas no campo com base nos valores da característica no mapa de informação e no modelo preditivo de configuração de máquina.

12. Método implantado por computador de acordo com a reivindicação 11, caracterizadopelo fato de que compreende adicionalmente: configurar o mapa preditivo de configuração de máquina funcional para um sistema de controle (314) que gera sinais de controle para controlar um subsistema controlável (316) em uma máquina móvel (100) com base no mapa preditivo de configuração de máquina funcional.

13. Método implantado por computador de acordo com a reivindicação 11, caracterizadopelo fato de que compreende adicionalmente: controlar um subsistema controlável (316) de uma máquina móvel (100) com base no mapa preditivo de configuração de máquina funcional.

14. Método implantado por computador de acordo com a reivindicação 13, caracterizadopelo fato de que a obtenção de dados de sensor IN SITU indicativos do valor de configuração de máquina compreende obter dados de sensor IN SITU indicativos de um valor de configuração de máquina correspondente a um primeiro componente (316, 102, 109, 112, 114, 120, 140, 122, 124) da máquina móvel, em que a geração do modelo preditivo de configuração de máquina compreende gerar um modelo preditivo de configuração de máquina (311, 1450) indicativo de uma relação entre a característica e a configuração de máquina correspondente ao primeiro componente, e em que a geração do mapa preditivo de configuração de máquina funcional compreende gerar um mapa preditivo de configuração de máquina funcional (263, 1460) que mapeia valores preditivos de configuração de máquina correspondentes ao primeiro componente para as diferentes localizações geográficas no campo com base nos valores da característica no mapa de informação e no modelo preditivo de máquina de configuração.

15. Método implantado por computador de acordo com a reivindicação 14, caracterizadopelo fato de que o controle do subsistema controlável compreende controlar um subsistema controlável (340) correspondente a um segundo componente (316, 102, 109, 112, 114, 120, 140, 122, 124) com base no mapa preditivo de configuração de máquina funcional.