DE102020204464A1

DE102020204464A1 - Maschinensteuerung unter verwendung eines echtzeitmodells

Info

Publication number: DE102020204464A1
Application number: DE102020204464.3A
Authority: DE
Inventors: Noel W Anderson; Nathan R Vandike; Federico Pardina-Malbran; Bhanu Kiran Palla
Original assignee: Deere and Co
Current assignee: Deere and Co
Priority date: 2019-04-10
Filing date: 2020-04-07
Publication date: 2020-10-15
Also published as: CN111802060B; US20230380346A1; US20200323133A1; US11778945B2; BR102019027999A2; CN111802060A

Abstract

[00187] im Voraus gewonnene georeferenzierte Vegetationsindex-Daten werden für einen Arbeitsort zusammen mit Felddaten erhalten, die durch einen Sensor an einer Arbeitsmaschine gesammelt werden, die eine Operation an dem Arbeitsort ausführt. Während die Maschine die Operation ausführt, wird ein prädiktives Modell anhand der georeferenzierten Vegetationsindex-Daten und der Felddaten generiert. Für das prädiktive Modell wird eine Modellqualitätsmessgröße generiert und wird verwendet, um zu bestimmen, ob es sich bei dem prädiktiven Modell um ein qualifiziertes prädiktives Modell handelt. Wenn ja, so steuert ein Steuerungssystem ein Teilsystem der Arbeitsmaschine unter Verwendung des qualifizierten prädiktiven Modells und einer Position der Arbeitsmaschine, um die Operation auszuführen.

Description

GEBIET DER BESCHREIBUNG
Die vorliegende Beschreibung betrifft Arbeitsmaschinen. Genauer gesagt, betrifft die vorliegende Beschreibung ein Steuerungssystem, das dynamisch während der Laufzeit Daten erfasst und ein prädiktives Modell generiert und qualifiziert und die Arbeitsmaschine unter Verwendung dieses Modells steuert.
HINTERGRUND
Es gibt eine Vielzahl verschiedener Arten von Arbeitsmaschinen. Solche Maschinen können Baumaschinen, Rasenpflegemaschinen, Forstmaschinen, Landwirtschaftsmaschinen usw. sein.
Einige derzeitige Systeme versuchen, im Voraus gewonnene Daten zu verwenden, um ein prädiktives Modell zu generieren, das zur Steuerung der Arbeitsmaschine verwendet werden kann. Landwirtschaftliche Erntemaschinen können unter anderem beispielsweise Mähdrescher, Futtererntemaschinen und Baumwollerntemaschinen sein. Einige derzeitige Systeme versuchen, im Voraus gewonnene Daten (zum Beispiel Luftbilder eines Feldes) zu verwenden, um eine prädiktive Ertragskarte zu erstellen. Die prädiktive Ertragskarte prognostiziert Erträge an verschiedenen geografischen Standorten auf dem abzuerntenden Feld. Die derzeitigen Systeme versuchen, diese prädiktive Ertragskarte für die Steuerung der Erntemaschine zu verwenden.
Die obige Besprechung dient lediglich der allgemeinen Hintergrundinformation und soll keine Ausführungen darstellen, die bei der Bestimmung des Schutzumfangs des beanspruchten Gegenstandes zu berücksichtigen wären.
KURZDARSTELLUNG
im Voraus gewonnene georeferenzierte Vegetationsindex-Daten werden für einen Arbeitsort zusammen mit Felddaten erhalten, die durch einen Sensor an einer Arbeitsmaschine gesammelt werden, die eine Operation an dem Arbeitsort ausführt. Während die Maschine die Operation ausführt, wird ein prädiktives Modell anhand der georeferenzierten Vegetationsindex-Daten und der Felddaten generiert. Für das prädiktive Modell wird eine Modellqualitätsmessgröße generiert und wird verwendet, um zu bestimmen, ob es sich bei dem prädiktiven Modell um ein qualifiziertes prädiktives Modell handelt. Wenn ja, so steuert ein Steuerungssystem ein Teilsystem der Arbeitsmaschine unter Verwendung des qualifizierten prädiktiven Modells und einer Position der Arbeitsmaschine, um die Operation auszuführen.
Diese Kurzdarstellung dient dazu, eine Auswahl von Konzepten in vereinfachter Form vorzustellen, die unten in der Detaillierten Beschreibung eingehender ausgeführt werden. Diese Kurzdarstellung ist weder dafür gedacht, Hauptmerkmale oder wesentliche Merkmale des beanspruchten Gegenstandes herauszustellen, noch soll sie dafür herangezogen werden, den Schutzumfang des beanspruchten Gegenstandes zu bestimmen. Der beanspruchte Gegenstand ist nicht auf Implementierungen beschränkt, die einige oder alle Nachteile beseitigen, die im Abschnitt „Hintergrund“ angesprochen wurden.
Figurenliste

1 ist eine teilweise schematische, teilweise bildliche Darstellung eines Mähdreschers.
2A ist ein Blockdiagramm, das ein Beispiel für eine Computersystemarchitektur zeigt, die den in 1 gezeigten Mähdrescher enthält.
2B ist ein Blockdiagramm, das einen beispielhaften Satz von georeferenzierten im Voraus gewonnenen Daten zeigt.
3A-3C (hier gemeinsam als 3 bezeichnet) zeigen ein Flussdiagramm, das ein Beispiel für den Betrieb der in 2 gezeigten Computersystemarchitektur veranschaulicht.
4A ist ein Diagramm, das ein Beispielfeld zeigt.
4B ist ein Diagramm, das einen beispielhaften Satz von im Voraus gewonnenen georeferenzierten Daten für das in 4A gezeigte Feld zeigt.
4C ist ein Diagramm, das ein Beispiel für ein Satz Regeln zeigt, das durch ein Modellevaluierungssystem verwendet wird.
5 ist ein Flussdiagramm, das ein anderes Beispiel für die Funktionsweise der in 2 gezeigten Architektur veranschaulicht, die aktuatorspezifische oder teilsystemspezifische Steuerungsmodelle dynamisch generiert.
6 ist ein Blockdiagramm, das ein Beispiel für die in 2A gezeigte Architektur zeigt, die in einer Femserverarchitektur verwendet wird.
7-9 zeigen Beispiele für mobile Vorrichtungen, die in den in den vorherigen Figuren gezeigten Architekturen verwendet werden können.
10 ist ein Blockdiagramm, das ein Beispiel für eine Computerumgebung zeigt, die in den in den vorherigen Figuren gezeigten Architekturen verwendet werden kann.

DETAILLIERTE BESCHREIBUNG
Wie oben besprochen, versuchen einige derzeitige Systeme, im Voraus gewonnene Daten (zum Beispiel Luftbilder) zu verwenden, um eine prädiktive Karte zu erstellen, die zur Steuerung einer Arbeitsmaschine verwendet werden kann. Zum Beispiel wurde mit großem Aufwand versucht, eine prädiktive Ertragskarte für ein Feld zu erstellen, die auf Vegetationsindexwerten aus Luftbildern basiert. Solche prädiktiven Ertragskarten versuchen, einen Ertrag an verschiedenen Stellen innerhalb des Feldes vorherzusagen. Die Systeme versuchen, einen Mähdrescher (oder eine andere Erntemaschine) auf der Grundlage des vorhergesagten Ertrages zu steuern.
Außerdem versuchen einige Systeme, vorausschauende Wahrnehmungssysteme zu verwenden, die das Erhalten optischer Bilder des Feldes vor einer Erntemaschine in Fahrtrichtung enthalten können. Auf der Grundlage dieser Bilder kann ein Ertrag für die Fläche unmittelbar vor der Erntemaschine vorhergesagt werden. Dies ist eine weitere Quelle von im Voraus gewonnenen Daten, die verwendet werden können, um eine Form von prädiktiver Ertragskarte zu generieren.
Alle diese Arten von Systemen können Schwierigkeiten bereiten.
So stellt beispielsweise keines der Modelle, die auf im Voraus gewonnenen Daten basieren, echte Referenzdaten dar. Zum Beispiel stellen sie nur prädiktive Erträge dar und nicht tatsächliche, vor Ort verifizierte Ertragswerte. Daher haben einige Systeme versucht, mehrere verschiedene Modelle zu generieren und ihnen dann eine Qualitätswertung auf der Grundlage der früheren Ertragsleistung zuzuweisen. Zum Beispiel kann eine Fernserverumgebung im Voraus gewonnene Luftbilddaten erhalten und eine prädiktive Ertragskarte erstellen. Die Fernserverumgebung kann dann tatsächliche Ertragsdaten empfangen, die bei der Ernte des betreffenden Feldes generiert wurden. Sie kann die Qualität oder Richtigkeit des Modells auf der Grundlage der tatsächlichen Ertragsdaten bestimmen. Das prädiktive Ertragsmodell oder der Algorithmus, mit dessen Hilfe das Modell erstellt wurde, kann dann modifiziert werden, um es zu verbessern.
Dies hilft jedoch nicht bei der Steuerung der Erntemaschine während der Ernteoperation. Statt dessen werden die tatsächlichen Ertragsdaten nach Abschluss der Ernteoperation an die Fernserverumgebung übermittelt, so dass das Modell für die nächste Erntesaison für dieses Feld verbessert werden kann.
Im Gegensatz dazu beschreibt die folgende Beschreibung ein System und ein Verfahren zum Erstellen eines prädiktiven Modells, das nicht nur auf im Voraus gewonnenen Daten basiert, sondern auch auf vor Ort gewonnenen Felddaten basiert, die tatsächliche Werte repräsentieren, die modelliert werden. Wenn es sich bei der prädiktiven Karte beispielsweise um eine prädiktive Ertragskarte handelt, so wird das Modell, mit dessen Hilfe diese Karte erstellt wird, dynamisch auf der Grundlage von im Voraus gewonnenen Daten (zum Beispiel Luftbilddaten) und vor Ort gewonnenen Daten, wie beispielsweise tatsächlichen Ertragsdaten, die während der Ernteoperation in der Erntemaschine erfasst wurden, generiert. Sobald die prädiktive Ertragskarte erstellt wurde, wird das Modell (zum Beispiel die prädiktive Karte), mit dessen Hilfe sie erstellt wurde, evaluiert, um seine Richtigkeit (oder Qualität) zu bestimmen. Wenn die Qualität des Modells ausreichend ist, so wird es zur Steuerung des Mähdreschers während der Ernteoperation verwendet und wird dynamisch und iterativ anhand von vor Ort gewonnenen Daten evaluiert, die während der Ernteoperation aus dem Mähdrescher erfasst wurden. Wenn das Modell keine ausreichende Qualität hat, so kann das System dynamisch zu einem alternativen Modell wechseln, oder es kann auf manuellen Betrieb oder voreingestellte Werte zurückkehren, oder es kann andere alternative Modelle generieren und evaluieren.
1 ist eine teilweise bildliche, teilweise schematische Darstellung einer Landwirtschaftsmaschine 100 in einem Beispiel, in dem die Maschine 100 ein Mähdrescher (oder eine Vollerntemaschine) ist. In 1 ist zu sehen, dass der Mähdrescher 100 zur Veranschaulichung ein Fahrerkabine 101 enthält, die eine Vielzahl verschiedener Bedienerschnittstellenmechanismen aufweisen kann, um den Mähdrescher 100 zu steuern, wie unten noch ausführlicher besprochen wird. Der Mähdrescher 100 kann ein Frontanbaugerät enthalten, das eine Haspel 102 und ein Schneidwerk, das allgemein mit 104 bezeichnet ist, enthalten kann. Es kann außerdem einen Schrägförderer 106, einen Einzug 108 und eine Dreschvorrichtung enthalten, die allgemein bei 110 gezeigt ist. Die Dreschvorrichtung 110 enthält zur Veranschaulichung einen Dreschrotor 112 und einen Dreschkorb 114. Darüber hinaus kann der Mähdrescher 100 einen Separator 116 enthalten, der einen Separatorrotor enthält. Der Mähdrescher 100 kann ein Reinigungs-Teilsystem (oder eine Reinigung) 118 enthalten, das selbst wiederum ein Reinigungsgebläse 120, ein Obersieb 122 und ein Untersieb 124 enthalten kann. Das Materialverarbeitungs-Teilsystem in dem Mähdrescher 100 kann (zusätzlich zu einem Schrägförderer 106 und einem Einzug 108) eine Entladewalze 126, einen Überkehrelevator 128, einen Reinkornelevator 130 (der das reine Korn in den Korntank 132 befördert), sowie eine Abladeschnecke 134 und ein Abtankrohr 136 enthalten. Der Mähdrescher 100 kann des Weiteren ein Rückstands-Teilsystem 138 enthalten, das einen Strohhäcksler 140 und den Verteiler 142 enthalten kann. Der Mähdrescher 100 kann außerdem ein Fahrtantriebs-Teilsystem aufweisen, das einen Motor (oder eine andere Energiequelle) enthält, der auf dem Boden aufliegende Räder 144 oder Gleisketten usw. antreibt. Es ist anzumerken, dass der Mähdrescher 100 auch mehr als eines der oben genannten Teilsysteme aufweisen kann (zum Beispiel linke und rechte Reinigungen, Separatoren usw.).
Während des Betriebes, und der Übersicht halber, bewegt sich der Mähdrescher 100 zur Veranschaulichung durch ein Feld in der durch den Pfeil 146 angedeuteten Richtung. Während sie sich bewegt, erfasst die Haspel 102 das Erntegut und lenkt es zum Schneidwerk 104. Nachdem es geschnitten wurde, wird es durch ein Förderband in dem Schrägförderer 106 in Richtung des Einzugs 108 bewegt, der das Erntegut in die Dreschvorrichtung 110 einzieht. Das Erntegut wird durch den Rotor 112 gedroschen, der das Erntegut gegen den Dreschkorb 114 dreht. Das gedroschene Erntegut wird durch einen Separatorrotor in dem Separator 116 bewegt, wobei ein Teil der Rückstände durch die Entladewalze 126 in Richtung des Rückstands-Teilsystems 138 bewegt wird. Es kann mit dem Strohhäcksler 140 zerkleinert und mit dem Verteiler 142 auf dem Feld verteilt werden. In anderen Implementierungen werden die Rückstände einfach als Schwad abgeworfen, anstatt zerkleinert und verteilt zu werden.
Das Korn fällt auf die Reinigung (oder das Reinigungs-Teilsystem) 118. Das Obersieb 122 trennt einen Teil des größeren Materials vom Korn, und das Untersieb 124 trennt einen Teil des feineren Materials vom sauberen Korn. Sauberes Korn fällt auf eine Schnecke in dem Reinkornelevator 130, der das saubere Korn nach oben bewegt und im Korntank 132 ablagert. Die Rückstände können mittels eines durch das Reinigungsgebläse 120 erzeugten Luftstroms aus der Reinigung 118 entfernt werden. Diese Rückstände können auch in dem Mähdrescher 100 nach hinten in Richtung des Rückstandsmanagement-Teilsystems 138 bewegt werden.
Die Überkehr kann durch den Überkehrelevator 128 zurück zu der Dreschvorrichtung 110 bewegt werden, wo sie nachgedroschen werden kann. Alternativ kann die Überkehr auch einem separaten Nachdreschmechanismus zugeführt werden (ebenfalls mit Hilfe eines Überkehrelevators oder eines anderen Transportmechanismus), wo sie ebenfalls nachgedroschen werden kann.
1 zeigt auch, dass der Mähdrescher 100 in einem Beispiel einen Bodengeschwindigkeitssensor 147, einen oder mehrere Separatorverlustsensoren 148, eine Reinkornkamera 150 und einen oder mehrere Reinigungsverlustsensoren 152 enthalten kann. Der Bodengeschwindigkeitssensor 147 erfasst zur Veranschaulichung die Fahrtgeschwindigkeit des Mähdreschers 100 über dem Boden. Dies kann durch Erfassen der Drehzahl der Räder, der Antriebswelle, der Achse oder anderer Komponenten erfolgen. Die Fahrtgeschwindigkeit und die Position des Mähdreschers 100 können auch durch ein Positionsbestimmungssystem 157 erfasst werden, wie beispielsweise ein Global Positioning System (GPS), ein Koppelnavigationssystem, ein LORAN-System, oder eine breite Vielzahl anderer Systeme oder Sensoren, die eine Anzeige der Fahrtgeschwindigkeit erbringen.
Die Reinigungsverlustsensoren 152 geben zur Veranschaulichung ein Ausgangssignal aus, das die Menge des Kornverlustes sowohl auf der rechten als auch auf der linken Seite der Reinigung 118 anzeigt. In einem Beispiel sind die Sensoren 152 Anschlagsensoren (oder Aufprallsensoren), die die Kornanschläge pro Zeiteinheit (oder pro Einheit an zurückgelegter Entfernung) zählen, um einen Hinweis auf den Kornverlust der Reinigung zu geben. Die Anschlagsensoren für die rechte und linke Seite der Reinigung können einzelne Signale oder ein kombiniertes oder aggregiertes Signal ausgeben. Es ist anzumerken, dass die Sensoren 152 auch nur einen einzigen Sensor anstelle separater Sensoren für jede Reinigung zu umfassen brauchen.
Der Separatorverlustsensor 148 gibt ein Signal aus, das den Kornverlust im linken und rechten Separator anzeigt. Die Sensoren, die dem linken und rechten Separator zugeordnet sind, können separate Kornverlustsignale oder ein kombiniertes oder aggregiertes Signal ausgeben. Dies kann auch mit einer Vielzahl verschiedener Arten von Sensoren erfolgen. Es ist anzumerken, dass die Separatorverlustsensoren 148 auch nur einen einzigen Sensor anstelle separater linker und rechter Sensoren zu umfassen brauchen.
Es versteht sich außerdem, dass Sensor- und Messmechanismen (zusätzlich zu den bereits beschriebenen Sensoren) auch andere Sensoren am Mähdrescher 100 enthalten können. Sie können beispielsweise einen Rückstandseinstellsensor enthalten, der dafür konfiguriert ist zu erfassen, ob die Maschine 100 dafür konfiguriert ist, die Rückstände zu häckseln, einen Schwad abzuwerfen usw. Sie können Sensoren für die Reinigungsgebläsedrehzahl enthalten, die in der Nähe des Gebläses 120 konfiguriert werden können, um die Drehzahl des Gebläses zu erfassen. Sie können einen Dreschspaltsensor enthalten, der den Abstand zwischen dem Rotor 112 und den Dreschkorb 114 erfasst. Sie enthalten einen Dreschrotordrehzahlsensor, der eine Rotordrehzahl des Rotors 112 erfasst. Sie können einen Obersiebspaltsensor enthalten, der die Größe der Öffnungen in dem Obersieb 122 erfasst. Sie können einen Untersiebspaltsensor enthalten, der die Größe der Öffnungen in dem Untersieb 124 erfasst. Sie können einen Feuchtigkeitssensor für anderes Material als Korn (Material other than Grain, MOG) enthalten, der dafür konfiguriert sein kann, den Feuchtigkeitsgehalt des anderen Materials als Korn, das den Mähdrescher 100 passiert, zu erfassen. Sie können Maschineneinstellsensoren enthalten, die dafür konfiguriert sind, die verschiedenen konfigurierbaren Einstellungen am Mähdrescher 100 zu erfassen. Sie können auch einen Maschinenorientierungssensor enthalten, der einer aus einer breiten Vielzahl verschiedener Arten von Sensoren sein kann, die die Orientierung oder Lage des Mähdreschers 100 erfassen. Die Ernteeigenschaften-Sensoren können eine Vielzahl verschiedener Arten von Ernteguteigenschaften erfassen, wie zum Beispiel die Art des Erntegutes, die Feuchtigkeit des Erntegutes und andere Eigenschaften des Erntegutes. Sie können auch dafür konfiguriert sein, Eigenschaften des Erntegutes zu erfassen, während es durch den Mähdrescher 100 verarbeitet wird. Sie können beispielsweise die Kornfördermenge erfassen, während sich das Korn durch den Reinkornelevator 130 bewegt. Sie können den Ertrag als Massenflussrate des Korns durch den Elevator 130 erfassen, mit einer Position korreliert, von der aus es geerntet wurde, wie durch den Positionssensor 157 angezeigt, oder können andere Ausgangssignale ausgeben, die andere erfasste Variablen anzeigen. Im Folgenden werden einige weitere Beispiele für die verwendbaren Sensortypen beschrieben.
2A ist ein Blockdiagramm, das ein Beispiel für eine Computersystemarchitektur 180 zeigt, die eine Arbeitsmaschine 100, Vorausdatenerfassungssysteme 182, Alternativdatenerfassungssysteme 184 und einen Vorausdatenspeicher 186 enthält, der über ein Netzwerk 188 mit der Arbeitsmaschine 100 verbunden ist. Einige der in 2A gezeigten Elemente ähneln denen in 1, und sie sind ähnlich nummeriert.
Das Netzwerk 188 kann eines aus einer breiten Vielzahl verschiedener Arten von Netzwerken sein. Es kann beispielsweise ein Fernbereichsnetz, ein Nahbereichsnetz, ein Nahfeldkommunikationsnetz, ein Mobilfunknetz oder eines aus einer breiten Vielzahl anderer Netze oder Kombinationen von Netzen sein.
Die Vorausdatenerfassungssysteme 182 erfassen zur Veranschaulichung im Voraus gewonnene Daten, die durch die Arbeitsmaschine 100 verwendet werden können, um ein Modell (zum Beispiel eine prädiktive Karte) zu generieren, das zur Steuerung der Arbeitsmaschine 100 verwendet werden kann. So können die Systeme 182 in einem Beispiel einen Normalized Difference Vegetation Index-Bildgeber 190, einen Wärmebildgeber 192, einen Radar-/Mikrowellenbildgeber 194, Erntemodelldaten 196, Bodenmodelldaten 198 und eine breite Vielzahl anderer Komponenten 200 enthalten. Der NDVI-Bildgeber 190 kann Komponenten wie zum Beispiel Luftbildsysteme (zum Beispiel Satellitensysteme, Bildgabesysteme für bemannte oder unbemannte Luftfahrzeuge usw.) enthalten, mit denen Bilder aufgenommen werden können, aus denen NDVI-Werte generiert werden können. Der Wärmebildsensor 192 enthält zur Veranschaulichung einen oder mehrere Wärmebildsensoren, die thermische Daten generieren. Der Radar-/Mikrowellenbildgeber 194 generiert zur Veranschaulichung Radar- oder Mikrowellenbilder. Ein Erntemodell 196 kann verwendet werden, um Daten zu generieren, die bestimmte Eigenschaften des Erntegutes, wie Ertrag, Feuchtigkeit usw., vorhersagen. Das Bodenmodell 198 ist zur Veranschaulichung ein prädiktives Modell, das Eigenschaften des Bodens an verschiedenen Stellen in einem Feld generiert. Zu diesen Eigenschaften können Bodenfeuchtigkeit, Bodenverdichtung, Bodenqualität oder -gehalt usw. gehören. Die Zielertragsmanagementkarte 199 ist zur Veranschaulichung eine Karte, die vom Betreiber 232 oder einem anderen Manager des Feldes erstellt wird und die die gewünschten Ertragswerte über ein Feld hinweg anzeigt, was auf frühere Informationen gestützt werden kann.
Alle diese Systeme 182 können verwendet werden, um Daten zu generieren, die direkt Messgrößenwerte anzeigen oder aus denen Messgrößenwerte abgeleitet werden können, und die zur Steuerung der Arbeitsmaschine 100 verwendet werden. Sie können in Fernerkundungssystemen wie zum Beispiel unbemannten Luftfahrzeugen, bemannten Flugzeugen, Satelliten usw. verwendet werden. Die durch die Systeme 182 generierten Daten können auch eine breite Vielzahl anderer Dinge enthalten, wie zum Beispiel Wetterdaten, Bodentypdaten, topografische Daten, vom Menschen generierte Karten auf der Grundlage historischer Informationen, und eine breite Vielzahl anderer Systeme zum Generieren von Daten, die dem Einsatzort entsprechen, an dem die Arbeitsmaschine 100 gerade eingesetzt wird.
Alternativdatenerfassungssysteme 184 können den Systemen 182 ähneln oder können anders sein. Wenn sie gleich oder ähnlich sind, so können sie die gleichen Arten von Daten, jedoch zu unterschiedlichen Zeiten während der Vegetationsperiode erfassen. Zum Beispiel können einige Luftbilder, die während einer ersten Zeit in der Vegetationsperiode erstellt wurden, hilfreicher sein als andere Luftbilder, die später in der Vegetationsperiode aufgenommen wurden. Dies ist nur ein Beispiel.
Alternativdatenerfassungssysteme 184 können auch verschiedene Erfassungssysteme enthalten, die verschiedene Arten von Daten über das Feld hinweg generieren, auf dem die Arbeitsmaschine 100 verwendet wird. Darüber hinaus können Alternativdatenerfassungssysteme 184 den Systemen 182 ähneln, aber sie können dafür konfiguriert sein, Daten mit einer anderen Auflösung (zum Beispiel mit einer höheren Auflösung, einer niedrigeren Auflösung usw.) zu erfassen. Sie können auch dafür konfiguriert sein, die gleiche Art von Daten mit Hilfe eines anderen Aufnahmemechanismus oder Datenerfassungsmechanismus zu erfassen, der unter anderen Kriterien genauer oder weniger genau sein kann.
Der Vorausdatenspeicher 186 enthält somit georeferenzierte im Voraus gewonnenen Daten 202 sowie alternative georeferenzierte im Voraus gewonnenen Daten 204. Er kann auch andere Elemente 206 enthalten. Die Daten 202 können beispielsweise Vegetationsindex-Daten sein, die Vegetationsindexwerte enthalten, die auf das abzuerntende Feld georeferenziert sind. Neben einer breiten Vielzahl anderer Daten, von denen einige in 2B gezeigt sind, können die Vegetationsindex-Daten Dinge enthalten wie: NDVI-Daten, Blattflächenindex-Daten, Soil Adjusted Vegetation Index (SAVI)-Daten, modifizierte oder optimierte SAVI-Daten, einfache oder modifizierte einfache Verhältnisdaten, Renormalized Difference Vegetation Index-Daten, Chlorophyll/Pigment-bezogene Indizes (CARI), modifizierte oder transformierte CARI, Dreiecks-Vegetationsindex-Daten, strukturell unempfindliche Pigmentindex-Daten, normalisierte Pigment/Chlorophyllindex-Daten, photochemische Reflexionsindex-Daten, Rotrandindizes, und Derivatanalyseindizes. In einem anderen Beispiel enthalten die im Voraus gewonnene Daten 202 eine georeferenzierte Vorhersage.
2B ist ein Blockdiagramm, das einen beispielhaften Satz georeferenzierter vorhergesagter oder im Voraus gewonnener Daten 202 zeigt. Zur Veranschaulichung enthalten die im Voraus gewonnene Daten 202 Datentypen 2002 und Datenattribute 2024 und können auch andere Elemente enthalten, wie durch Block 2060 angegeben. Die Datentypen 2002 können beispielsweise eines oder mehrere von Folgendem sein: pflanzliche Biomasse 2004, Getreideertrag 2006, anderes Material als Korn (MOG) 2008, und Kornattribute 2010, und können auch andere Elemente enthalten, wie durch
Block 2022 angedeutet.
Die pflanzliche Biomasse 2004 kann ein Indikator für die vorhergesagte Menge an Biomasse in dem betreffenden Abschnitt des Feldes sein. Zum Beispiel kann Biomasse als Masseneinheit (kg) über eine Flächeneinheit (m²) angegeben werden. Der Getreideertrag 2006 kann ein Indikator für die vorhergesagte Ernteertragsmenge in dem betreffenden Abschnitt des Feldes sein. Zum Beispiel kann der Getreideertrag als Ertragseinheit (bushel) über einer Flächeneinheit (acre) angegeben werden.
Die Kornattribute 2010 können eine Vielzahl verschiedener Attribute enthalten. Wie durch Block 2012 angedeutet, kann die Kornfeuchtigkeit geschätzt werden. Wie durch Block 2014 angedeutet, kann das Kornprotein geschätzt werden. Wie durch Block 2016 angedeutet, kann die Kornstärke vorhergesagt werden. Wie durch Block 2018 angedeutet, kann das Kornöl vorhergesagt werden. Natürlich handelt es sich hierbei nur um Beispiele, und andere Erntegutattribute können ebenfalls erfasst, geschätzt oder vorhergesagt werden, wie durch Block 2020 angedeutet.
Die Datenattribute 2024 können eine Vielzahl verschiedener Attribute enthalten, von denen einige für einen bestimmten Satz im Voraus gewonnener Daten und keinen anderen gelten. Zum Beispiel braucht die EM-Frequenz 2038 nur zu gelten, wenn die Daten durch einen Sensor erfasst wurden, der eine Eigenschaft im Zusammenhang mit Elektromagnetismus erfasst. Das Attribut Datenquelle 2025 gibt die Datenquelle zum Treffen der Vorhersage an. Zum Beispiel gibt die Datenquelle 2025 eines oder mehrere der Vorausdatenerfassungssysteme 182 an. Das Attribut Erfassungsdatum 2026 gibt das Datum an, an dem die Daten erfasst wurden. Das Attribut Zeitliche Auflösung 2028 gibt die Zeitspanne an, in der die Daten erfasst wurden (zum Beispiel hätte ein einzelnes Bild die kleinste zeitliche Auflösung). Das Attribut Räumliche Auflösung 2030 zeigt die erfasste räumliche Auflösung, das heißt die kleinste Flächeneinheit, die der jeweilige Sensor genau erfassen kann. Die georäumliche Lage 2032 zeigt die erfasste Lage an. Die georäumliche Präzision 2034 zeigt die Präzision oder statistische Variation des georäumlichen Sensors an. Die georäumliche Richtigkeit 2036 zeigt die Messrichtigkeit oder statistische Variation des georäumlichen Sensors an. Die Frequenz 2038 zeigt die Frequenz des EM-Sensors an. Die EM-Auflösung 2040 zeigt die Auflösung eines EM-Sensors an. Der Identifikator 2042 zeigt einen Namen oder eine Nummer des Erntemodells an, der bzw. die als Identifikator für das Erntemodell verwendet werden kann. Die Wetterdaten 2044 zeigen das Wetter zum Zeitpunkt der Messung an. Die Richtigkeit der Wetterdaten 2046 zeigt die Richtigkeit der betreffenden Wetterdaten an. Der Ernteguttyp 2048 zeigt die Art des erfassten Erntegutes an. Die Phänotypvariation 2050 zeigt die Phänotypvariation für den Genotyp des jeweiligen Erntegutes an. Die Qualitätswertung 2052 wird durch den Modellqualitätsmessgrößengenerator 248 generiert und zeigt die geschätzte Qualität der Vorhersage an. Die Datenattribute 2024 können auch andere Elemente enthalten, wie durch Block 2054 angedeutet.
2A zeigt auch, dass die Arbeitsmaschine 100 einen oder mehrere verschiedene Prozessoren 208, ein Kommunikationssystem 210, Sensoren 212 (die Ertragssensoren 211, Positions-/Routensensoren 157, Geschwindigkeitssensoren 147 und eine breite Vielzahl anderer Sensoren 214 (die die oben in Bezug auf 1 beschriebenen oder andere Sensoren sein können) enthalten können), ein Vor-Ort-Datenerfassungssystem 216, ein Modellgeneratorsystem 218, ein Modellevaluierungssystem 220, einen Datenspeicher 222, ein Steuerungssystem 224, steuerbare Teilsysteme 226, Bedienerschnittstellenmechanismen 228 und eine breite Vielzahl anderer Elemente 230 enthalten kann.
2A zeigt, dass der Bediener 232 mit den Bedienerschnittstellenmechanismen 228 interagieren kann, um die Maschine 100 zu steuern und zu manipulieren. So können die Bedienerschnittstellenmechanismen 228 Dinge wie zum Beispiel Lenkrad, Pedale, Hebel, Joysticks, Knöpfe, Rundmessinstrumente, Gestänge usw. enthalten. Darüber hinaus können sie eine Anzeigevorrichtung enthalten, die benutzerbetätigte Elemente wie zum Beispiel Symbole, Verknüpfungen, Schaltflächen usw. anzeigt. Wenn das Display ein berührungsempfindliches Display ist, so können diese benutzerbetätigten Elemente durch Berührungsgesten betätigt werden. Wenn die Mechanismen 228 Sprachverarbeitungsmechanismen enthalten, so kann der Bediener 232 gleichermaßen Eingaben über ein Mikrofon vornehmen bzw. Ausgaben über einen Lautsprecher empfangen. Die Bedienerschnittstellenmechanismen 228 können eine breite Vielzahl anderer akustischer, visueller oder haptischer Mechanismen enthalten.
Das Vor-Ort-Datenerfassungssystem 216 enthält zur Veranschaulichung eine Datenaggregationslogik 234 und eine Datenmesslogik 236 und kann weitere Elemente 238 enthalten. Das Modellgeneratorsystem 218 enthält zur Veranschaulichung einen Satz verschiedener Modellgenerierungsmechanismen 240-242, die verschiedene Regimes verwenden können, um prädiktive Modelle zu generieren, die zur Steuerung der Maschine 100 verwendet werden können. Zum Beispiel können sie prädiktive Modelle erstellen, die mit einer linearen Funktion oder anderen Funktionen, wie zum Beispiel einer Kurve, arbeiten, oder sie können verwendet werden, um andere Arten von prädiktiven Modellen zu generieren, wie zum Beispiel ein neuronales Netzwerk, ein Bayessches Modell, usw. Das System 218 kann auch andere Elemente 244 enthalten.
Das Modellevaluierungssystem 220 empfängt zur Veranschaulichung ein oder mehrere prädiktive Modelle, die durch das Modellgeneratorsystem 218 generiert werden, und evaluiert die Richtigkeit dieses Modells. So enthält es den Modellevaluierungsauslöser 246, den Modellqualitätsmessgrößengenerator 248, die Modellevaluierungslogik 250 (die ihrerseits eine Schwellenlogik 252, die Sortierlogik 254 und andere Elemente 256 enthält) und die Modellauswahllogik 258, und kann weitere Elemente 260 enthalten.
Die Evaluierungsauslöselogik 246 detektiert einen Evaluierungsauslöser, der anzeigt, dass das Modellevaluierungssystem 220 die Richtigkeit eines oder mehrerer prädiktiver Modelle evaluieren soll. Diese Modelle können derzeit zur Steuerung der Arbeitsmaschine 100 in Nutzung sein, oder es können andere Modelle sein, die als alternative Modelle generiert werden, um an die Stelle des momentanen Modells zu treten, wenn das alternative Modell genauer ist. Nach seiner Auslösung generiert der Modellqualitätsmessgrößengenerator 248 zur Veranschaulichung eine Modellqualitätsmessgröße für ein zu analysierendes Modell. Ein Beispiel kann hilfreich sein.
Nehmen wir an, dass das durch das System 218 generierte prädiktive Modell ein prädiktives Ertragsmodell ist, das einen Ertrag an verschiedenen Stellen auf dem abzuerntenden Feld voraussagt. Die Evaluierungsauslöselogik 246 wird auf der Grundlage eines aus einer Vielzahl verschiedener Arten von Kriterien ausgelöst (von denen einige im Folgenden beschrieben werden), so dass das Modellevaluierungssystem 220 iterativ und dynamisch die Richtigkeit des prädiktiven Ertragsmodells während der Ernteoperation evaluiert. In diesem Fall erhält der Modellqualitätsmessgrößengenerator 248 tatsächliche Ertragsdaten von den Ertragssensoren 211 und bestimmt die Richtigkeit des prädiktiven Ertragsmodells, das er evaluiert. Auf der Grundlage dieser Richtigkeit generiert er eine Richtigkeitswertung oder eine Qualitätswertung. Dies kann für ein oder mehrere verschiedene Modelle geschehen.
Die Modellevaluierungslogik 250 bestimmt dann, ob das Modell für die Verwendung zur Steuerung der Maschine 100 geeignet ist. Dies kann auf verschiedene Weise geschehen. Die Schwellenlogik 252 kann die durch den Generator 248 generierte Modellqualitätsmessgröße mit einer Schwelle vergleichen, um zu bestimmen, ob das Modell eine adäquate Leistung erbringt (oder erbringen wird). Wenn mehrere Modelle gleichzeitig evaluiert werden, so kann die Sortierlogik 254 diese Modelle auf der Grundlage der für jedes von ihnen generierten Modellqualitätsmessgröße sortieren. Sie kann das leistungsstärkste Modell finden (für das die Modellqualitätsmessgröße am höchsten ist), und die Schwellenlogik 252 kann dann bestimmen, ob die Modellqualitätsmessgröße für dieses Modell den Schwellenwert erfüllt.
Die Modellauswahllogik 258 wählt dann auf der Grundlage der Modellqualitätsmessgröße und deren Evaluierung ein Modell aus, das eine adäquate Leistung erbringt (oder erbringen wird). Sie übermittelt das ausgewählte prädiktive Modell an das Steuerungssystem 224, das dieses Modell verwendet, um eines oder mehrere der verschiedenen steuerbaren Teilsysteme 226 zu steuern.
So kann das Steuerungssystem 224 eine Vorschubratensteuerungslogik 262, eine Einstellungssteuerungslogik 264, eine Routensteuerungslogik 266, eine Leistungssteuerungslogik 268 und weitere Elemente 270 enthalten. Die steuerbaren Teilsysteme 226 können ein Fahrtantriebs-Teilsystem 272, ein Lenkungs-Teilsystem 274, einen oder mehrere verschiedene Aktuatoren 276, die zum Ändern von Maschineneinstellungen, Maschinenkonfiguration usw. verwendet werden können, ein Leistungsnutzungs-Teilsystem 278 und eine breite Vielzahl anderer Systeme 280 enthalten, von denen einige oben in Bezug auf 1 beschrieben wurden.
Die Vorschubratensteuerungslogik 262 steuert zur Veranschaulichung das Fahrtantriebssystem 272 und/oder andere steuerbare Teilsysteme 226, um eine relativ konstante Vorschubgeschwindigkeit aufrechtzuerhalten, auf der Grundlage des Ertrags für den geografischen Standort, den die Erntemaschine 100 wird bewältigen müssen, oder einer anderen Eigenschaft, die durch das prädiktiven Modell vorhergesagt wird. Wenn beispielsweise das prädiktive Modell anzeigt, dass der vorhergesagte Ertrag vor dem Mähdrescher (in Fahrtrichtung) weniger werden wird, so kann die Vorschubratensteuerungslogik 262 das Fahrtantriebssystem 272 veranlassen, die Vorwärtsfahrtgeschwindigkeit der Arbeitsmaschine 100 zu erhöhen, um die Vorschubgeschwindigkeit relativ konstant zu halten. Wenn das prädiktive Modell hingegen anzeigt, dass der Ertrag vor der Arbeitsmaschine 100 relativ hoch sein wird, dann kann die Vorschubratensteuerungslogik 262 das Fahrtantriebssystem 272 veranlassen, langsamer zu werden, um die Vorschubgeschwindigkeit wieder auf einem relativ konstanten Niveau zu halten.
Ebenso kann die Einstellungssteuerungslogik 264 auf der Grundlage der vorhergesagten Charakteristik des abzuerntenden Feldes (zum Beispiel auf der Grundlage des vorhergesagten Ertrags oder einer anderen vorhergesagten Charakteristik) Aktuatoren 226 steuern, um Maschineneinstellungen zu ändern. Zum Beispiel kann die Einstellungssteuerungslogik 264 Aktuatoren 276, die den Dreschkorbspalt in einem Mähdrescher ändern, auf der Grundlage des vorhergesagten Ertrags oder der Biomasse, auf die der Mähdrescher treffen wird, betätigen.
Die Routensteuerungslogik 266 kann das Lenkungs-Teilsystem 274 steuern, auch auf der Grundlage des prädiktiven Modells. Zum Beispiel kann der Bediener 232 bemerkt haben, dass sich ein Unwetter nähert, und über die Bedienerschnittstellenmechanismen 228 eine Eingabe vorgenommen haben, die anzeigt, dass der Bediener 232 wünscht, das Feld in kürzester Zeit abzuernten. In diesem Fall kann das prädiktive Ertragsmodell Flächen mit relativ hohem Ertrag identifizieren, und die Routensteuerungslogik 266 kann das Steuerungs-Teilsystem 274 veranlassen, diese Flächen bevorzugt zuerst abzuernten, so dass ein Großteil des Ertrags vor Beginn des Unwetters von dem Feld geborgen werden kann. Dies ist nur ein Beispiel. In einem anderen Beispiel kann es sein, dass das prädiktive Modell eine Bodeneigenschaft (zum Beispiel Bodenfeuchtigkeit, das Vorhandensein von Schlamm usw.) vorhersagt, die die Traktion beeinträchtigen kann. Die Routensteuerungslogik 266 kann die Lenk-Teilsysteme 274 veranlassen, die Route oder Richtung der Arbeitsmaschine 100 auf der Grundlage der vorhergesagten Traktion auf verschiedenen Routen durch das Feld zu ändern.
Die Leistungssteuerungslogik 268 kann Steuersignale generieren, um das Leistungsnutzungs-Teilsystem 278 ebenfalls auf der Grundlage des vorhergesagten Wertes zu steuern. Zum Beispiel kann sie auf der Grundlage des prädiktiven Modells Leistung auf verschiedene Teilsysteme verteilen, allgemein die Leistungsnutzung erhöhen oder verringern, usw. Dies sind nur Beispiele, und eine breite Vielzahl anderer Steuersignale können verwendet werden, um auch andere steuerbare Teilsysteme auf unterschiedliche Weise zu steuern.
3A-3C (hier gemeinsam als 3 bezeichnet) veranschaulichen ein Flussdiagramm, das ein Beispiel für die Funktionsweise der Architektur 180 zeigt, wie in 2 gezeigt. Es wird zunächst angenommen, dass die Arbeitsmaschine 100 bereit ist, einen Arbeitsvorgang an einem Arbeitsort durchzuführen. Dies wird durch Block 290 in dem Flussdiagramm von 3 angezeigt. Die Maschine kann mit anfänglichen Maschineneinstellungen konfiguriert werden, die durch den Bediener vorgegeben werden können oder die Standardeinstellungen für den Maschinenbetrieb sein können. Dies wird durch Block 292 angezeigt. Ein prädiktives Modell, das zur Steuerung der Arbeitsmaschine 100 verwendet werden kann, kann ebenfalls initialisiert werden. In diesem Fall können die Modellparameter auf Anfangswerte oder Standardwerte eingestellt werden, die empirisch bestimmt oder auf andere Weise bestimmt werden. Die Initialisierung des prädiktiven Modells wird durch Block 294 angezeigt.
In einem anderen Beispiel kann ein prädiktives Modell während des anfänglichen Betriebes der Arbeitsmaschine 100 auf dem Feld auf der Grundlage der früheren Nutzung verwendet werden. Beispielsweise kann es sein, dass das letzte Mal, als dieses Feldes mit dieser Art von Erntegut abgeerntet wurde, ein prädiktives Modell verwendet und gespeichert wurde. Dieses Modell kann abgerufen und als anfängliches prädiktives Modell zur Steuerung der Arbeitsmaschine 100 verwendet werden. Dies wird durch Block 296 angezeigt. Die Arbeitsmaschine kann auch auf vielfältige andere Weise konfiguriert und initialisiert werden, was durch Block 298 angezeigt wird. Zum Beispiel kann der Arbeitsort das Feld 530 in 4A sein, was im Folgenden näher besprochen wird.
Das Kommunikationssystem 210 ist zur Veranschaulichung eine Art von System, das verwendet werden kann, um im Voraus gewonnene Daten über das Netzwerk 188 aus dem Vorausdatenspeicher 186 zu erhalten. Auf diese Weise erhält es im Voraus gewonnene Daten, die zur Veranschaulichung georeferenzierte Vegetationsindex-Daten für das Feld sind, das abgeerntet wird (oder das abgeerntet werden soll). Das Erhalten der im Voraus gewonnenen Daten wird durch Block 300 angezeigt. Die im Voraus gewonnenen Daten, wie oben in Bezug auf 2 besprochen, können aus einer breiten Vielzahl verschiedener Arten von Datenquellen generiert werden, wie beispielsweise aus Luftbildern 302, Wärmebildern 304, der Temperatur von einem Sensor an einem Seed Firmer, der zum Besäen des Feldes verwendet wurde, wie durch Block 306 angedeutet, oder einer breiten Vielzahl anderer Datenquellen 308. Zum Beispiel können im Voraus gewonnene Daten die in 4B gezeigten Beispieldaten sein, die im Folgenden näher besprochen werden.
Sobald die im Voraus gewonnenen Daten vorliegen, werden sie in das Modellgeneratorsystem 218 eingespeist, und die Arbeitsmaschine 100 beginnt (oder fährt fort), die Operation (zum Beispiel die Ernteoperation) durchzuführen. Dies wird durch Block 310 angezeigt. Auch hier kann das Steuerungssystem 224 beginnen, steuerbare Teilsysteme 226 mit einem Standardsatz von Steuerungsparametern 312 im manuellen Betrieb 314 unter Verwendung eines anfänglichen prädiktiven Modells (wie oben besprochen) 316 oder auf andere Weise, wie durch Block 318 angedeutet, zu steuern.
Während die Maschine 100 die Operation (zum Beispiel die Ernteoperation) ausführt, generieren die Sensoren 212 zur Veranschaulichung während des Betriebes vor Ort gewonnene Daten (oder Felddaten), die für die verschiedenen erfassten Variablen stehen. Das Erhalten von vor Ort gewonnenen Daten (oder Felddaten) von Sensoren an der Arbeitsmaschine 100 während des Betriebs wird durch Block 320 in dem Flussdiagramm von 3 angezeigt. In dem im vorliegenden Text besprochenen Beispiel können die vor Ort gewonnenen Daten tatsächliche Ertragsdaten 322 sein, die von den Ertragssensoren 211 generiert wurden. Die Ertragssensoren 211, wie oben besprochen, können Massenflusssensoren sein, die den Massenfluss von Korn erfassen, das in den Korntank der Maschine 100 gelangt. Dieser Massenfluss kann dann mit einer geografischen Position auf dem Feld, von dem er abgeerntet wurde, korreliert werden, um einen tatsächlichen Ertragswert für diese geografische Position zu erhalten. Natürlich können die vor Ort gewonnenen Daten (oder Felddaten) in Abhängigkeit von der Art des zu generierenden prädiktiven Modells auch aus einer breiten Vielzahl anderer Arten von Daten 324 bestehen.
Bevor das Modellgenerierungssystem 218 dynamisch ein prädiktives Modell (zum Beispiel eine Karte) generieren kann, oder bevor das Modellevaluierungssystem 220 die Richtigkeit eines prädiktiven Modells adäquat evaluieren kann, müssen die Sensoren 212 genügend vor Ort gewonnene Felddaten generieren, um die Modellgenerierung und/oder - evaluierung aussagekräftig zu machen. Daher enthält das Vor-Ort-Datenerfassungssystem 216 in einem Beispiel die Datenaggregationslogik 234, die die vor Ort gewonnenen Daten aggregiert, die durch die Ausgangssignale der Sensoren 212, oder auf deren Grundlage, generiert werden. Die Datenmesslogik 236 kann diese Daten anhand verschiedener Kriterien verfolgen, um zu bestimmen, wann die Menge der vor Ort gewonnenen Daten ausreichend ist. Dies wird durch Block 326 in dem Flussdiagramm von 3 angezeigt. Bis das geschieht, kehrt die Verarbeitung zu Block 320 zurück, wo die Maschine 100 ihren Betrieb fortsetzt, und die Datenaggregationslogik 234 fährt fort, vor Ort gewonnene Daten (Felddaten) auf der Grundlage der Ausgangssignale der Sensoren 212 (und eventuell auch anderer Informationen) zu aggregieren. In einem Beispiel generiert die Datenmesslogik 236 eine Datenerfassungsmessung, die einen Betrag an vor Ort gewonnenen Daten angeben kann, die erfasst wurden. Dies wird durch Block 328 angezeigt. Zum Beispiel kann die konkrete Art des prädiktiven Modells, das generiert oder evaluiert wird, am besten generiert oder evaluiert werden, nachdem eine bestimmte Datenmenge generiert wurde. Dies kann durch die Datenerfassungsmessung 328 angezeigt werden.
Die Datenmesslogik 236 kann die Distanz messen, die die Maschine 100 während der Ausführung der Operation auf dem Feld zurückgelegt hat. Dies kann verwendet werden, um zu bestimmen, ob ausreichend vor Ort gewonnene Daten (Felddaten) aggregiert wurden, und wird durch Block 330 angezeigt.
Die Datenmesslogik 236 kann die Zeitspanne messen, die die Maschine 100 die Operation ausführt, und dies kann einen Hinweis darauf geben, ob ausreichend vor Ort gewonnene Daten erhalten wurden. Dies wird durch Block 332 angezeigt. Die Datenmesslogik 236 kann die Anzahl der Datenpunkte quantifizieren, die durch die Datenaggregationslogik 234 aggregiert wurden, um zu bestimmen, ob sie ausreichen. Dies wird durch Block 334 in dem Flussdiagramm von 3 angezeigt. Das Bestimmen, ob ausreichend vor Ort gewonnene Daten erfasst wurden, kann auch auf vielfältige andere Weise erfolgen, was durch Block 336 angezeigt wird.
Sobald ausreichend vor Ort gewonnene Daten erfasst wurden, werden sie in das Modellgeneratorsystem 218 eingespeist (das auch die im Voraus gewonnenen Daten erhalten hat). Das System 218 verwendet mindestens einen der Modellgenerierungsmechanismen 240-242, um ein prädiktives Modell unter Verwendung der im Voraus gewonnenen Daten und der vor Ort gewonnenen Daten zu generieren. Dies wird durch Block 338 in dem Flussdiagramm von 3 angezeigt. Es ist außerdem anzumerken, dass, wie unten besprochen, selbst nachdem ein prädiktives Modells generiert wurde und zur Steuerung der Arbeitsmaschine 100 verwendet wird, es auf der Grundlage des weiteren Empfangs von vor Ort gewonnenen Daten iterativ evaluiert und aktualisiert (oder präzisiert) werden kann. So kann bei Block 338, wo bereits ein prädiktives Modell generiert wurde, dieses dynamisch und iterativ aktualisiert und verbessert werden.
In einem Beispiel wird das prädiktive Modell durch Aufteilen der vor Ort gewonnene Daten in Trainingsdaten- und Validierungsdatensätze generiert. Dies wird durch Block 340 angezeigt. Die Trainingsdaten können zusammen mit den im Voraus gewonnenen Daten in einen Modellgenerierungsmechanismus (zum Beispiel Mechanismus 240) eingespeist werden, um das prädiktive Modell zu generieren. Dies wird durch Block 342 angezeigt. Es ist anzumerken, dass zusätzliche Modellgenerierungsmechanismen 242 verwendet werden können, um alternative prädiktive Modelle zu generieren. Ebenso kann sogar derselbe Modellgenerierungsmechanismus 240, der das zu analysierende prädiktive Modell generiert hat, verwendet werden, um alternative prädiktive Modelle unter Verwendung eines anderen Satzes von im Voraus gewonnenen Daten zu generieren. Die Verwendung eines alternativen Satzes von im Voraus gewonnenen Daten oder eines alternativen Modellgenerierungsmechanismus zum Generieren alternativer Modelle wird durch Block 344 angezeigt.
Die Modellgenerierungsmechanismen 240-242 können eine breite Vielzahl verschiedener Arten von Mechanismen enthalten, wie beispielsweise ein lineares Modell, ein polynomes Kurvenmodell, ein neuronales Netzwerk, ein Bayessches Modell oder andere Modelle. Dies wird durch Block 346 angezeigt. Das prädiktive Modell kann auch auf vielfältige andere Weise generiert und/oder dynamisch aktualisiert werden, was durch Block 348 angezeigt wird.
Sobald ein prädiktives Modell generiert oder aktualisiert wurde, evaluiert das Modellevaluierungssystem 220 dieses Modell, indem es eine Modellqualitätsmessgröße für das prädiktive Modell generiert. Dies wird durch Block 350 in dem Flussdiagramm von 3 angezeigt. Zum Beispiel kann die Evaluierungsauslöserlogik 246 einen Evaluierungsauslöser detektieren, der anzeigt, dass ein Modell evaluiert werden soll. Dies wird durch Block 352 angezeigt. Zum Beispiel kann das Evaluierungssystem 220 einfach dadurch ausgelöst werden, dass es vom Modellgeneratorsystem 218 ein prädiktives Modell zur Evaluierung übermittelt bekommt. In einem anderen Beispiel kann ein prädiktives Modell bereits zur Steuerung der Arbeitsmaschine 100 verwendet werden, aber es soll intermittierend oder periodisch evaluiert werden. In diesem Fall kann, wenn das Intervall für die Evaluierung verstrichen ist, dies die Auslöselogik 246 auslösen. In einem weiteren Beispiel kann es sein, dass gerade ein prädiktives Modell zur Steuerung der Arbeitsmaschine 100 verwendet wird, aber auch eine Reihe anderer alternativer Modelle generiert wurden und nun zur Evaluierung zur Verfügung stehen. In diesem Fall können die alternativen Modelle evaluiert werden, um zu bestimmen, ob sie bessere Ergebnisse erbringen würden als das momentan verwendete prädiktive Modell. Dies kann auch ein Auslöser für die Evaluierungsauslöselogik 246 sein. Die Modellevaluierung kann auch während des Betriebes kontinuierlich erfolgen.
In einem anderen Beispiel kann auf der Grundlage des Eintretens eines aperiodischen Ereignisses der Evaluierungsauslöser detektiert werden, der angibt, dass ein prädiktives Modell zu evaluieren ist. Es kann zum Beispiel sein, dass der Bediener 232 eine Eingabe vornimmt, die angibt, dass der Bediener ein alternatives Modell evaluieren lassen möchte. Ebenso kann es sein, dass das Modellgeneratorsystem 218 neue im Voraus gewonnene Daten oder einen neuen Modellgenerationsmechanismus empfängt. Alle diese oder andere Ereignisse können das Modellevaluierungssystem 220 auslösen, ein prädiktives Modell zu evaluieren. Gleichermaßen kann, auch wenn das momentane prädiktive Modell seinen Zweck hinreichend erfüllt, ein alternatives Modellintervall eingestellt werden, in dem verfügbare alternative Modelle evaluiert werden, um sicherzustellen, dass das aktuell verwendete Modell das beste für die Steuerung der Maschine 100 ist. Wenn also das alternative Modellevaluierungsintervall läuft, so kann dies die Modellevaluierungslogik auslösen, auch ein neues Modell zu evaluieren.
Um eine Modellqualitätsmessgröße für das zu analysierende prädiktive Modell zu berechnen, wendet der Modellqualitätsmessgrößengenerator 248 zur Veranschaulichung den Satz vor Ort gewonnener Validierungsdaten auf das analysierte Modell an. Dies wird durch Block 354 angezeigt. Anschließend generiert er zur Veranschaulichung eine Fehlermessgröße, die den Fehler des Modells misst. Dies wird durch Block 356 angezeigt. In einem Beispiel ist die Fehlermessgröße die r²-Fehlermessgröße, die das Quadrat des Fehlers des Modells misst. Die Modellqualitätsmessgröße für das analysierte prädiktive Modell kann auch unter Verwendung einer breiten Vielzahl von Qualitätsmessgrößenmechanismen generiert werden. Dies wird durch Block 358 angezeigt. Zum Beispiel können die Regeln in 4C zur Bestimmung der Qualitätswertung herangezogen werden. 4C wird unten näher besprochen.
Nachdem die Modellqualitätsmessgröße für das analysierte prädiktive Modell generiert wurde, bestimmt die Modellevaluierungslogik, ob dieses Modell zur Steuerung der Maschine 100 verwendet werden soll. Dies wird durch Block 360 angezeigt. Zum Beispiel kann die Schwellenlogik 252 bestimmen, ob die Modellqualitätsmessgröße einen Schwelle erfüllt. Dies wird durch Block 362 angezeigt. Der Schwellenwert kann auf der Grundlage von Faktoren wie zum Beispiel der konkreten Anwendung, in der die Maschine 100 verwendet wird, früheren Erfahrungen usw. festgelegt werden. In einem Beispiel, in dem der r²-Wert als die Qualitätsmessgröße verwendet wird, kann eine Schwelle von 0,7 oder höher verwendet werden. Dies ist nur ein Beispiel, und die Schwelle kann auch kleiner oder größer als 0,7 sein.
Wenn mehrere verschiedene prädiktive Modelle generiert wurden, so kann die Sortierlogik 254 die Modelle auf der Grundlage der Qualitätsmessgröße sortieren. Eine Entscheidung, ob das analysierte Modell verwendet werden soll, kann anhand seines Rangs in der sortierten Liste der Modelle getroffen werden. Dies wird durch Block 364 angezeigt. Die Modellevaluierungslogik 250 kann bestimmen, ob das analysierte Modell auch anderweitig verwendet werden soll, und dies wird durch Block 366 angezeigt.
Wenn bei Block 360 bestimmt wird, dass das analysierte Modell verwendet werden soll, so wählt die Modellauswahllogik 258 dieses Modell aus und übermittelt es an das Steuerungssystem 224 zur Verwendung bei der Steuerung der Maschine 100. Das Steuerungssystem 224 generiert dann unter Verwendung des qualifizierten Modells Steuersignale, um ein oder mehrere steuerbare Teilsysteme 226 zu steuern. Dies wird durch Block 368 (3B) in dem Flussdiagramm von 3 angezeigt. Als Beispiel kann das prädiktive Modell verwendet werden, um den Ertrag oder die Biomasse oder andere Eigenschaften vorherzusagen, die durch die Arbeitsmaschine 100 zu erwarten sind. Dies wird durch Block 370 angezeigt. Die verschiedenen Arten von Logik in dem Steuerungssystem 224 können Steuersignale generieren, die auf der Vorhersage durch das prädiktive Modell basieren. Dies wird durch Block 372 angezeigt. Das qualifizierte Modell kann auch dafür verwendet werden, Steuersignale auf vielfältige andere Weise zu generierten, was durch Block 374 angezeigt wird.
Die Steuersignale werden dann auf eines oder mehrere der steuerbaren Teilsysteme angewendet, um die Maschine 100 zu steuern. Dies wird durch Block 376 in dem Flussdiagramm von 3 angezeigt. Wie oben besprochen, kann beispielsweise die Vorschubratensteuerungslogik 262 Steuersignale generieren und sie auf das Fahrtantriebssystem 272 anwenden, um die Geschwindigkeit der Maschine 100 so zu steuern, dass eine Vorschubrate aufrecht erhalten wird. Dies wird durch Block 378 angezeigt. Die Einstellungssteuerungslogik 264 kann Steuersignale generieren, um die Einstellungsaktuatoren 276 zu veranlassen, die Maschineneinstellungen oder -konfiguration zu justieren. Dies wird durch Block 380 angezeigt. Die Routensteuerungslogik 266 kann Steuersignale generieren und sie auf das Steuerungs-Teilsystem 274 zur Steuerung der Lenkung der Maschine 100 anwenden. Dies wird durch Block 382 angezeigt. Die Leistungssteuerungslogik 268 kann Steuersignale generieren und sie auf das Leistungsnutzungs-Teilsystem 278 anwenden, um die Leistungsnutzung der Maschine 100 zu steuern. Dies wird durch Block 384 angezeigt. Es können auch eine breite Vielzahl anderer Steuersignale generiert und auf eine breite Vielzahl anderer steuerbarer Teilsysteme angewendet werden, um die Maschine 100 zu steuern. Dies wird durch Block 386 angezeigt.
Sofern nicht die Operation vollendet ist, wie durch Block 388 angedeutet, setzt das Vor-Ort-Datenerfassungssystem zur Veranschaulichung die durch die Datenmesslogik 236 generierte Vor-Ort-Datenerfassungsmessung zurück, so dass bestimmt werden kann, ob eine ausreichende Menge an vor Ort gewonnenen Daten erfasst wurde, um das momentane Modell (oder ein anderes Modell) neu zu evaluieren. Das Zurücksetzen der Vor-Ort-Datenerfassungsmessung wird durch Block 390 in dem Flussdiagramm von 3 angezeigt. Wie oben besprochen, wird selbst dann, wenn ein momentanes Modell evaluiert wurde und ausreichend genau ist, um die Arbeitsmaschine 100 zu steuern, dieses Modell iterativ evaluiert und präzisiert, je mehr vor Ort gewonnene Daten (Felddaten) erhalten werden. Da sich die Feldbedingungen ändern, kann es sein, dass das Modell nicht mehr so genau ist, wie es ursprünglich war. Auf diese Weise wird es iterativ und dynamisch evaluiert, während die Maschine 100 die Operation ausführt, um sicherzustellen, dass es genau genug ist, um für die Steuerung der Maschine 100 verwendet zu werden. Nachdem also die Vor-Ort-Datenerfassungsmessung bei Block 390 zurückgesetzt wurde, kehrt die Verarbeitung zu Block 320 zurück, wo die Datenaggregationslogik 234 weiterhin vor Ort gewonnene Daten aggregiert, bis genügend aggregiert wurden, um einen weiteren Evaluierungs- oder Modellierungsschritt durchzuführen.
Wir kehren noch einmal zu Block 360 in 3 zurück. Wenn das Modellevaluierungssystem 220 bestimmt, dass das analysierte prädiktive Modell nicht von ausreichend hoher Qualität ist, um durch das Steuerungssystem 224 zur Steuerung der Maschine 100 verwendet zu werden, dann löst dies die Evaluierungsauslöselogik 246 aus zu bestimmen, ob es alternative Modelle gibt, die generiert oder evaluiert werden können, um zu bestimmen, ob sie anstelle des gerade evaluierten Modells verwendet werden sollten. Die Bestimmung, ob es weitere Modelle gibt, wird durch Block 392 (3C) in dem Flussdiagramm von 3 angezeigt. Auch hier kann ein alternatives Modell generiert werden oder verfügbar sein, weil verschiedene im Voraus gewonnenen Daten (zum Beispiel alternative im Voraus gewonnenen Daten 204) empfangen wurden, so dass ein alternatives Modell generiert werden kann oder bereits generiert wurde. Dies wird durch Block 392 angezeigt. Darüber hinaus kann es sein, dass ein anderer Modellgenerierungsmechanismus 240-242¬ verwendet werden kann (auch an denselben im Voraus gewonnenen Daten, die zuvor verwendet wurden), um ein alternatives Modell zu generieren, das evaluiert werden kann. Dies wird durch Block 394 angezeigt.
In einem anderen Beispiel kann es sein, dass sowohl ein neuer Modellgenerierungsmechanismus als auch neue im Voraus gewonnene Daten empfangen wurden, so dass ein alternatives Modell unter Verwendung des neuen Mechanismus und neuer im Voraus gewonnener Daten generiert werden kann (oder bereits generiert wurde). Dies wird durch Block 396 in dem Flussdiagramm von 3 angezeigt. Das Bestimmen, ob alternative Modelle zu generieren oder zu evaluieren sind, kann ebenfalls auf verschiedenste andere Weise erfolgen, was durch Block 398 angezeigt wird.
Wenn bei Block 392 bestimmt wird, dass es keine alternativen Modelle zum Generieren oder Evaluieren gibt, so zeigt die Modellevaluierungslogik 220 dies den Bedienerschnittstellenmechanismen 228 an, und dem Bediener 232 wird eine Meldung angezeigt, die besagt, dass die Steuerung der Maschine 100 auf manuelle oder voreingestellte Steuerung zurückkehrt. In diesem Fall empfängt das Steuerungssystem 224 Steuereingaben von dem Bediener 232 über die Bedienerschnittstellenmechanismen 228, oder es kann voreingestellte Eingaben empfangen, oder es kann zur Steuerung unter Verwendung eines Standardmodells zurückkehren. All dies wird durch Block 400 in dem Flussdiagramm von 3 angezeigt.
Wenn jedoch bei Block 392 bestimmt wird, dass es alternative Modelle gibt, die generiert werden können oder die generiert wurden und zur Evaluierung bereit stehen, so wird die Verarbeitung bei Block 402 fortgesetzt, wo eines oder mehrere der alternativen Modelle generiert und/oder evaluiert werden, um zu bestimmen, ob es von ausreichender Qualität sind, um in der Arbeitsmaschine 100 verwendet werden zu können. Die Evaluierung kann so erfolgen, wie es oben in Bezug auf die 338-360 in dem Flussdiagramm von 3 beschrieben wurde.
Die Modellauswahllogik 258 bestimmt dann, ob eines der evaluierten Modelle eine qualitativ hochwertige Messgröße hat, die zur Steuerung der Maschine 100 verwendet werden kann. Dies wird durch Block 404 angezeigt. Andernfalls kehrt die Verarbeitung zu Block 400 zurück. Es ist außerdem anzumerken, dass in einem Beispiel mehrere alternative Modelle im Wesentlichen alle gleichzeitig evaluiert werden. In diesem Fall kann die Modellauswahllogik 258 das beste alternative Modell (vorausgesetzt, dass seine Qualität gut genug ist) zur Steuerung der Maschine 100 wählen. In einem anderen Beispiel wird jeweils immer nur nur ein einziges alternatives Modell evaluiert.
Wenn die Modellevaluierungslogik 250 bei Block 404 ein Modell identifiziert, das eine ausreichend hohe Qualitätsmessgröße zur Steuerung der Maschine 100 aufweist, so wählt die Modellauswahllogik 258 in beiden Beispielen dieses Modell zur Steuerung auf der Grundlage der Auswahlkriterien aus. Dies wird durch Block 406 angezeigt. Auch hier kann, wenn mehrerer Modelle evaluiert werden, die Modellauswahllogik 258 einfach das erste Modell auswählen, das eine Qualitätswertung oberhalb einer Schwelle aufweist. Dies wird durch Block 408 angezeigt. In einem anderen Beispiel kann die Sortierlogik 254 alle evaluierten Modelle auf der Grundlage ihrer Qualitätsmessgröße sortieren, und die Modellauswahllogik 258 kann das Modell mit dem besten Qualitätsmessgrößenwert auswählen. Dies wird durch Block 410 angezeigt. Das Modell kann auch auf andere Weise ausgewählt werden, was durch Block 412 angezeigt wird. Sobald das Modell ausgewählt ist, wird die Verarbeitung bei Block 368 fortgesetzt, wo dieses Modell verwendet wird, um Steuersignale für die Steuerung der Maschine 100 zu generieren.
Bisher wurde in der Beschreibung davon ausgegangen, dass ein prädiktives Modell durch das Steuerungssystem 224 zur Steuerung der steuerbaren Teilsysteme 226 verwendet wird. Es kann jedoch sein, dass durch das Steuerungssystem 224 verschiedene prädiktive Modelle verwendet werden, um verschiedene steuerbare Teilsysteme zu steuern. Darüber hinaus kann es sein, dass die Ergebnisse mehrerer verschiedener prädiktiver Modelle verwendet werden, um mehrere verschiedene steuerbare Teilsysteme zu steuern. Ebenso kann es sein, dass die Modelle für einen bestimmten Aktuator oder einen Satz Aktuatoren spezifisch sind. In diesem Beispiel kann ein prädiktives Modell verwendet werden, um Steuersignale zum Steuern eines einzelnen Aktuators oder eines Satzes von Aktuatoren zu generieren.
4A ist ein Schaubild, das ein beispielhaftes Feld 540 zeigt, auf dem eine Ernteoperation durch eine Maschine, wie zum Beispiel der oben besprochenen Maschine 100, durchgeführt wird. Wie gezeigt, enthält das Feld 540 eine bewässerte Sektion 542 und eine nicht-bewässerte Sektion 544. In diesem Beispiel wird angenommen, dass die Niederschläge während des Vegetationsstadiums 12 (V12) für ungeerntetes Erntegut, in diesem Fall Mais, ausreichend waren, so dass keine Bewässerung erforderlich war. Während der Komfüllung wurde es sehr trocken, was den Ertrag reduzierte und staubige Bedingungen verursachte, wenn der Wind 546 zur Erntezeit eine hohe Geschwindigkeit hatte.
Das Feld 540 enthält den Abschnitt 531, der vollständig innerhalb der bewässerten Sektion 542 liegt; den Abschnitt 533, der vollständig innerhalb der nicht-bewässerten Sektion 544 liegt; und den Abschnitt 532, der sich teilweise in der bewässerten Sektion 542 und teilweise in dem nicht-bewässerten Sektion 544 befindet. Die Breite der Abschnitte 531, 532 und 533 ist ungefähr gleich der Breite der Haspel 102 der mobilen Maschine 100.
Die Abschnitte 531, 532 und 533 haben benachbarte Abschnitte 551, 552 und 553, die zuvor durch die mobile Maschine 100 abgeerntet wurden.
Für die Abschnitte 531, 532 und 533 liegen georeferenzierte Vorhersagen (in 4B gezeigt) 511a-d, 512a-d bzw. 533a-d vor. Diese georeferenzierten Vorhersagen können zum Beispiel in dem Datenspeicher 186 vorliegen. Die verschiedenen georeferenzierten Vorhersagen in 4B werden nun besprochen.
Die georeferenzierten Vorhersagen 511a, 512a und 513a werden auf der Grundlage von NDVI-Bildern getroffen. In einem Beispiel haben die NDVI-Bilder die folgenden Attribute. Die zeitliche Position des NDVI-Bildes ist der 15. Juli 2020, als sich die Ernte im Wachstumsstadium V12 befand. Die Auflösung der NDVI-Bilder beträgt 2 cm² Pixel, 5 cm Pixelpositionsrichtigkeit 1 cm Pixelpositionspräzision.
Es besteht eine Korrelation zwischen einem NDVI-Bild, das während V12 aufgenommen wurde, und dem Ernteertrag. Während die räumliche Auflösung gut ist, ist die Zeit zwischen dem Moment, an dem das NDVI-Bild aufgenommen wurde (vor der Trockenheit), und dem Moment, an dem es zur Schätzung des Ertrags (Ernte nach der Dürre) verwendet wurde, schlecht. Die NDVI-Daten, die zur Vornahme der Ertragsschätzung verwendet wurden, wurden vor dem Feuchtigkeitsstress (Dürre) erfasst, so dass der vorhergesagte Ertrag für die drei Abschnitte 531, 532 und 533 ähnlich ist. Daher werden in diesem Beispiel die Dürrebedingungen, die den Ertrag der nicht-bewässerten Feldfrucht in der nicht-bewässerten Sektion 544 beeinflussen, in dem NDVI-Bild nicht widergespiegelt, da es so früh aufgenommen wurde.
Die georeferenzierten Vorhersagen 511b, 512b und 513b werden auf der Grundlage von Signalen getroffen, die durch für jede einzelne Pflanze vorhandene Sensoren für den Maisstängeldurchmesser an der Mähdrescherhaspel 102 generiert werden. In einem Beispiel haben die Maisstängeldurchmessersensoren die folgenden Attribute. Die zeitliche Position ist der 15. Oktober 2020 (zum Beispiel Echtzeit während der Ernte). Die Durchmessergenauigkeit und Durchmesserpräzision des Sensors beträgt 2 mm bzw. 1 mm.
Es besteht eine Korrelation zwischen Stängeldurchmesser und Ertrag. Die Genauigkeit dieses Ansatzes kann auf verunkrauteten Flächen leiden, wenn Unkraut die Identifizierung und Messung der Stängel beeinträchtigen kann. Er kann auch weniger genau sein, wenn der Ertrag im reproduktiven Stadium im Vergleich zum vegetativen Stadium begrenzt ist.
Die georeferenzierten Vorhersagen 511c, 512c und 513c werden auf der Grundlage des Ertrags aus einem benachbarten Arbeitsgang des Mähdreschers 100 vorhergesagt. In einem Beispiel hat der Ertrag aus einem benachbarten Arbeitsgang eines Mähdreschers die folgenden Attribute. Die zeitliche Position ist der 15. Oktober 2020 (zum Beispiel Echtzeit während der Ernte). Die georäumliche Genauigkeit, die Lagegenauigkeit und die Lagepräzision betragen 3m, 10 cm bzw. 1 cm.
Die georeferenzierten Vorhersagen 511d, 512d und 513d werden auf der Grundlage einer nach vom gerichteten Kamera an dem Mähdrescher 100 vorhergesagt. In einem Beispiel hat die nach vorn gerichtete Kamera die folgenden Attribute. Die zeitliche Position ist der 15. Oktober 2020 (zum Beispiel Echtzeit während der Ernte). Die Pixelfläche, die Positionsgenauigkeit und die Positionspräzision betragen 5 cm², 4 cm bzw. 1 cm.
Eine beispielhafte Analyse, die durch den Modellqualitätsgenerator 248 und/oder die Modellauswahllogik 258 durchgeführt wird, wird unten für jeden der Abschnitte 531, 532 und 533 dargelegt. Die folgenden Beispiele werden in Bezug auf die beispielhaften Qualitätsregeln in 4C beschrieben. Es ist zu beachten, dass die Qualitätsregeln in 4C nur Beispiele sind und auch andere Regeln angewendet werden können.
Vorhersagen über den Abschnitt 531 in 4A sind in 4B als Vorhersagen 511a, 511b, 511c und 511d gezeigt. Für die NDVI-basierte Vorhersage 511a gelten keine der Regeln in 4C, weil Abschnitt 531 vollständig bewässert wurde. Daher bestimmt der Modellqualitätsgenerator 248, dass diese Qualitätswertung hoch ist. Für die Stängeldurchmesservorhersage 511b gelten keine der Regeln in 4C, weil der Abschnitt 531 kein Unkraut enthält (wie zum Beispiel durch ein Luftbild und/oder eine Feldbegehung bestimmt). Daher bestimmt der Modellqualitätsgenerator 248, dass diese Vorhersagequalität hoch ist. Für die Vorhersage 511c des benachbarten Arbeitsganges gelten keine der Regeln in 4C, weil der Abschnitt 531 vollständig bewässert ist und der benachbarte Abschnitt 551 ebenfalls vollständig bewässert ist, so dass die Ähnlichkeit der Erträge für alle Vorhersagen hoch sein sollte. Dementsprechend bestimmt der Modellqualitätsgenerator 248 die Qualitätswertung als hoch. Für die Vorausschau-Vorhersage 511d gelten keine der Regeln in 4C, weil eine gute Bodenfeuchtigkeit (zum Beispiel durch bekannte Bewässerung oder Niederschläge und/oder dank des Erfassens der Feuchtigkeit) vorliegt, was bedeutet, dass wenig bis gar kein Staub in der Luft liegt. Daher bestimmt der Modellqualitätsgenerator 248 diese Qualitätswertung als hoch. In einigen Beispielen wird auch ein Sichtbehinderungssensor verwendet, um zu überprüfen, ob Staub in der Luft liegt oder ein anderes sichtbehinderndes Element vorhanden ist.
Angesichts der obigen Analyse werden alle Qualitätswertungen von Vorhersagen für Abschnitt 531 durch den Modellqualitätsgenerator 248 gemäß Regel 1 von 4C auf hoch gesetzt. Gemäß Regel 2 von 4C sollte die Modellauswahllogik 258 die Vorhersagen mit hohen Qualitätswertungen mitteln, um den zu verwendenden Wert zu erhalten (zum Beispiel 200+205+200+190)/4 = 199 bu/acre als der verwendete Vorhersagewert). Diese Vorhersage wird an das Steuerungssystem 224 weitergeleitet, das die Komponenten der Maschine 100 so einstellt, dass sie eine Feldfruchtmenge mit einem Ertrag von 199 bu/acre optimal verarbeitet, wenn die Maschine 100 durch den Abschnitt 531 fährt.
Vorhersagen über den Abschnitt 532 in 4A sind in 4B als Vorhersagen 512a, 512b, 512c und 512d gezeigt. Für die NDVI-basierte Vorhersage 512a wendet die Modellauswahllogik 258 Regel 6 von 4C an, weil der Abschnitt 532 nur teilweise bewässert wurde, seit das NDVI-Bild von V12 aufgenommen wurde, und es zu einem gewissen Ertragsverlust aufgrund von Wasserstress gekommen ist. Dementsprechend gibt die Modellauswahllogik 258 dieser Vorhersage eine mittlere Wertung. Für die stängelbasierte Vorhersage 512b wendet die Modellauswahllogik 258 Regel 7 von 4C an, weil die Feldbegehung gezeigt hat, dass dieser Teil etwas verunkrautet ist. Dementsprechend bestimmt die Modellauswahllogik 258, dass dies von mittlerer Qualität sein sollte. Für die Vorhersage 512c eines benachbarten Arbeitsgangs wendet die Modellauswahllogik 258 Regel 9 von 4C an, weil der Abschnitt 532 teilweise bewässert wurde und der benachbarte Abschnitt 552 vollständig bewässert ist. Daher bestimmt der Modellqualitätsmessgrößengenerator 248, dass die Vorhersage 512c eine Qualitätsmessgröße von mittel hat. Für die Vorausschau-Vorhersage 512d gelten keine der Regeln in 4C, weil eine gute Bodenfeuchtigkeit (zum Beispiel durch bekannte Bewässerung oder Niederschläge und/oder dank des Erfassens der Feuchtigkeit) vorliegt, was bedeutet, dass wenig bis gar kein Staub in der Luft liegt. Daher bestimmt der Modellqualitätsgenerator 248 diese Qualitätswertung als hoch.
Da es nur eine einzige georeferenzierte Vorhersage für den Abschnitt 532 mit einer hohen Qualitätswertung gibt, ist die Vorausschau-Ertragsvorhersage 512d von 175 bu/acre die durch die Modellauswahllogik 258 ausgewählte Vorhersage und wird an das Steuerungssystem 224 weitergeleitet. Diese Vorhersage wird an das Steuerungssystem 224 weitergeleitet, das die Komponenten der Maschine 100 so einstellt, dass sie eine Feldfruchtmenge mit einem Ertrag von 175 bu/acre optimal verarbeitet, wenn die Maschine 100 durch den Abschnitt 531 fährt.
Vorhersagen über den Abschnitt 533 in 4A sind in 4B als Vorhersagen 513a, 513b, 513c und 513d gezeigt. Für die NDVI-basierte Vorhersage 513a werden die Modellauswahllogik 258 Regel 5 von 4C an, weil der Abschnitt 533 vollständig in der nicht-bewässerten Sektion 544 liegt. Seit der Erstellung der NDVI-Ertragsvorhersage für V12 gab es einen signifikanten Ertragsverlust durch Feuchtigkeitsstress. Dementsprechend gibt die Modellauswahllogik 258 dieser Vorhersage eine niedrige Wertung. Für die stängelbasierte Vorhersage 512b wendet die Modellauswahllogik 258 Regel 11 von 4C an, weil der Abschnitt während der Vegetationsperioden genügend Feuchtigkeit hatte. Der Stängeldurchmesser wurde nicht durch eine spätere Trockenheit während der Komfüllung, was der Ertrag reduzierte, beeinflusst. Dementsprechend bestimmt die Modellauswahllogik 258, dass diese Qualität niedrig sein sollte. Für die Vorhersage 512c eines benachbarten Arbeitsgangs wendet die Modellauswahllogik 258 Regel 9 von 4C an, weil der Abschnitt 533 gänzlich unbewässert ist und der benachbarte Abschnitt 553 teilweise bewässert ist. Daher bestimmt der Modellqualitätsmessgrößengenerator 248, dass die Vorhersage 513c eine Qualitätsmessgröße von mittel hat. Für die Vorausschau-Vorhersage 513d wendet die Modellauswahllogik 258 Regel 9 von 4C an, weil der Abschnitt 533 nicht bewässert wurde, der Boden staubig ist und der Wind 546 Staub aufwirbeln kann, der die Sicht der nach vorn gerichteten Kamera verdeckt. Dementsprechend bestimmt der Modellqualitätsmessgrößengenerator 248, dass die Vorhersage 513d eine Qualitätsmessgröße von niedrig hat.
Da die höchste georeferenzierte Vorhersage für den Abschnitt 533 die Vorhersage 513c mit einer mittleren Qualitätswertung ist, ist die Vorhersage 513c eines benachbarten Arbeitsgangs von 150 bu/acre die Vorhersage, die durch die Modellauswahllogik 258 ausgewählt wird. Diese Vorhersage wird an das Steuerungssystem 224 weitergeleitet, das die Komponenten der Maschine 100 so einstellt, dass sie eine Feldfruchtmenge mit einem Ertrag von 150 bu/acre optimal verarbeitet, wenn die Maschine 100 durch den Abschnitt 533 fährt.
5 ist ein Flussdiagramm, das ein Beispiel für die Funktionsweise der Architektur 180 in einem Beispiel veranschaulicht, in dem mehrere verschiedene prädiktive Modelle zur Steuerung verschiedener steuerbarer Teilsysteme verwendet werden. Es wird daher zunächst davon ausgegangen, dass das Modellgeneratorsystem 218 identifiziert, dass ein Satz spezifischer prädiktiver Modelle zur Steuerung der Maschine 100 anstelle eines einzelnen prädiktiven Modells verwendet werden soll. Dies wird durch Block 420 in dem Flussdiagramm von 5 angezeigt. Die prädiktiven Modelle können teilsystemspezifische Modelle sein, so dass ein anderes prädiktives Modell verwendet wird, um jedes der verschiedenen steuerbaren Teilsysteme 226 zu steuern. Dies wird durch Block 422 in dem Flussdiagramm von 5 angezeigt. Es können aktuatorspezifische Modelle sein, so dass ein anderes prädiktives Modell durch das Steuerungssystem 224 verwendet wird, um einen anderen Aktuator oder einen anderen Satz Aktuatoren zu steuern. Dies wird durch Block 424 angezeigt. Die Modelle können auf andere Weise konfiguriert werden, dergestalt, dass beispielsweise die Ausgabe mehrerer verschiedener Modelle zum Steuern eines einzelnen Teilsystems verwendet wird, oder dergestalt, dass ein einzelnes Modell zum Steuern einer Teilmenge der steuerbaren Teilsysteme verwendet wird, während ein anderes Modell zum Steuern der verbleibenden steuerbaren Teilsysteme oder einer anderen Teilmenge dieser Teilsysteme verwendet wird. Das Identifizieren des Satzes spezifischer prädiktiver Modelle auf andere Weise wird durch Block 426 in dem Flussdiagramm von 5 angedeutet.
In diesem Beispiel generiert das Modellgeneratorsystem 218 dann einen Satz spezifischer prädiktiver Modelle, die evaluiert werden sollen, und das Modellevaluierungssystem 220 evaluiert diese spezifischen prädiktiven Modelle. Das Modellevaluierungssystem 220 identifiziert zur Veranschaulichung ein qualifiziertes Modell, das jedem Teilsystem/Aktuator (oder jeder Teilmenge der Teilsysteme/Aktuatoren) an der Arbeitsmaschine 100 entspricht. Dies wird durch Block 428 in dem Flussdiagramm von 5 angezeigt.
Die Modellauswahllogik 258 wählt für jedes der Systeme/Aktuatoren ein Modell aus und speist es in das Steuerungssystem 224 ein. Das Steuerungssystem 224 verwendet die qualifizierten Modelle, um Signale für die entsprechenden Teilsysteme/Aktuatoren (oder die entsprechende Teilmenge von Teilsystemen/Aktuatoren) zu generieren. Dies wird durch Block 430 in dem Flussdiagramm von 5 angezeigt.
Beispielsweise kann es sein, dass die Traktion auf dem Feld durch ein prädiktives Modell modelliert wird. Die Ausgabe dieses Modells kann durch das Steuerungssystem 224 verwendet werden, um das Lenkungs-Teilsystem 274 zu veranlassen, um schlammige oder nasse Flächen herum zu lenken, in denen die Traktion als unzureichend vorhergesagt wird. Die vor Ort gewonnenen Daten können in diesem Fall Bodenfeuchtigkeitsdaten sein, die durch einen Bodenfeuchtigkeitssensor an der Maschine 100 erfasst und als die tatsächlichen vor Ort gewonnenen Felddaten für das prädiktive Traktionsmodell bereitgestellt werden. In einem anderen Beispiel kann der Haspelhubaktuator durch ein separates prädiktives Modell gesteuert werden, das die Topographie vorhersagt. Die vor Ort gewonnenen Daten können die tatsächliche Topographie anzeigen, über die die Maschine 100 fährt. Natürlich gibt es eine breite Vielzahl anderer Arten von prädiktiven Modellen, die durch das Steuerungssystem 224 verwendet werden können, um einzelne Aktuatoren, Aktuatorsätze, einzelne Teilsysteme, Sätze von Teilsystemen usw. zu steuern.
Wie bei dem oben in Bezug auf 3 besprochenen Einzelmodellbeispiel wird jedes der mehreren verschiedenen prädiktiven Modelle zur Veranschaulichung dynamisch und iterativ evaluiert. Gleichermaßen können sie jeweils durch ein alternatives Modell ersetzt werden, wenn während des Evaluierungsprozesses festgestellt wird, dass ein alternatives Modell bessere Ergebnisse. So werden in einem solchen Beispiel mehrere prädiktive Modelle kontinuierlich, dynamisch und iterativ aktualisiert, verbessert und im Vergleich zu alternativen Modellen evaluiert. Die zur Steuerung verwendeten Modelle können gegen alternative Modelle, auf der Grundlage der Evaluierungsergebnisse, in nahezu Echtzeit während des Betriebs der Arbeitsmaschine auf dem Feld ausgetauscht werden. Die Fortsetzung der Laufzeitevaluierung auf diese Weise wird durch Block 432 in dem Flussdiagramm von 5 angezeigt.
In der vorliegenden Besprechung wurden Prozessoren und Server erwähnt. In einer Ausführungsform enthalten die Prozessoren und Server Computerprozessoren mit zugehörigem Speicher und Zeitsteuerungsschaltungen, die nicht separat gezeigt sind. Sie sind Funktionsteile der Systeme oder Vorrichtungen, zu denen sie gehören und durch die sie aktiviert werden, und ermöglichen die Funktionalität der anderen Komponenten oder Elemente in diesen Systemen.
Es ist anzumerken, dass die obige Besprechung eine Vielzahl unterschiedlicher Systeme, Komponenten und/oder Logiken beschrieben hat. Es ist anzumerken, dass solche Systeme, Komponenten und/oder Logik aus Hardwareelementen (wie zum Beispiel Prozessoren und zugehörigem Speicher oder anderen Verarbeitungskomponenten, von denen einige unten beschrieben werden) bestehen können, die die mit diesen Systemen, Komponenten und/oder Logik verbundenen Funktionen ausführen. Darüber hinaus können die Systeme, Komponenten und/oder die Logik aus Software bestehen, die in einen Speicher geladen und anschließend durch einen Prozessor oder Server oder eine andere Computerkomponente ausgeführt wird, wie unten beschrieben. Die Systeme, Komponenten und/oder die Logik können auch aus verschiedenen Kombinationen von Hardware, Software, Firmware usw. bestehen, von denen einige Beispiele unten beschrieben werden. Dies sind nur einige Beispiele für verschiedene Strukturen, die zur Bildung der oben beschriebenen Systeme, Komponenten und/oder Logik verwendet werden können. Es können auch andere Strukturen verwendet werden.
Außerdem wurden eine Reihe von Benutzerschnittstellenanzeigen besprochen. Sie können eine breite Vielzahl verschiedener Formen annehmen und können mit einer breiten Vielzahl verschiedener benutzerbetätigter Eingabemechanismen verbunden sein. Zum Beispiel können die benutzerbetätigten Eingabemechanismen Textfelder, Kontrollkästchen, Symbole, Links, Dropdown-Menüs, Suchfelder usw. sein. Sie können auch auf unterschiedlichste Weise betätigt werden. Sie können beispielsweise mit einem Zeige- und Klickgerät (zum Beispiel Trackball oder Maus) betätigt werden. Sie können über Hardwaretasten, Schalter, einen Joystick oder eine Tastatur, Daumenschalter oder Daumenpads usw. betätigt werden. Sie können auch über eine virtuelle Tastatur oder andere virtuelle Aktuatoren bedient werden. Wenn der Bildschirm, auf dem sie angezeigt werden, ein berührungsempfindlicher Bildschirm ist, so können sie außerdem mit Berührungsgesten bedient werden. Wenn die Vorrichtung, die sie anzeigt, über Spracherkennungskomponenten verfügt, so können sie auch über Sprachbefehle gesteuert werden.
Eine Anzahl von Datenspeichern wurde ebenfalls besprochen. Es ist anzumerken, dass sie jeweils in mehrere Datenspeicher unterteilt werden können. Alle können sich lokal in den auf sie zugreifenden Systemen befinden, alle können räumlich abgesetzt sein, oder einige können lokal sein, während andere räumlich abgesetzt sind. Alle diese Konfigurationen werden im vorliegenden Text in Betracht gezogen.
Außerdem zeigen die Figuren eine Anzahl von Blöcken mit Funktionen, die jedem Block zugeordnet sind. Es ist anzumerken, dass weniger Blöcke verwendet werden können, so dass die Funktionalität von weniger Komponenten übernommen wird. Außerdem können mehr Blöcke verwendet werden, wobei die Funktionalität auf mehr Komponenten verteilt wird.
6 ist ein Blockdiagramm der in 2 gezeigten Erntemaschine 100, mit dem Unterschied, dass sie mit Elementen in einer Femserverarchitektur 500 kommuniziert. In einem Beispiel kann die Femserverarchitektur 500 Rechen-, Software-, Datenzugriffs- und Speicherdienste bereitstellen, die keine Kenntnisse seitens des Endnutzers über den physischen Standort oder die Konfiguration des Systems erfordern, das die Dienste bereitstellt. In verschiedenen Beispielen können Fernserver die Dienste über ein Fernbereichsnetz, wie beispielsweise das Internet, unter Verwendung geeigneter Protokolle bereitstellen. Zum Beispiel können Fernserver Anwendungen über ein Fernbereichsnetz bereitstellen, und auf sie kann über einen Webbrowser oder eine andere Computerkomponente zugegriffen werden. Software oder Komponenten, die in 2 gezeigt sind, sowie die entsprechenden Daten können auf Servern an einem räumlich abgesetzten Ort gespeichert werden. Die Computerressourcen in einer Fernserverumgebung können an einem räumlich abgesetzten Datenzentrumstandort konsolidiert werden, oder sie können dezentralisiert werden. Fernserver-Infrastrukturen können Dienste über gemeinsam genutzte Rechenzentren bereitstellen, auch wenn sie für den Benutzer als ein einziger Zugangspunkt erscheinen. Somit können die im vorliegenden Text beschriebenen Komponenten und Funktionen von einem Fernserver an einem räumlich abgesetzten Ort unter Verwendung einer FernserverArchitektur bereitgestellt werden. Alternativ können sie von einem herkömmlichen Server aus bereitgestellt werden, oder sie können direkt auf Client-Vorrichtungen oder auf andere Weise installiert werden.
In dem in 6 gezeigten Beispiel sind einige Elemente den in 2 gezeigten ähnlich, und sie sind ähnlich nummeriert. 6 zeigt insbesondere, dass sich das Modellgenerierungssystem 218, das Modellevaluierungssystem 220 und der Vorausdatenspeicher 186 an einem Fernserverstandort 502 befinden können. Daher greift die Erntemaschine 100 über den Fernserverstandort 502 auf diese Systeme zu.
6 zeigt ebenfalls ein weiteres Beispiel für eine Fernserverarchitektur. 6 zeigt, dass auch in Betracht gezogen wird, dass einige Elemente von 2 am Fernserverstandort 502 angeordnet sind, während andere es nicht sind. Zum Beispiel kann der Datenspeicher 186 an einem vom Standort 502 getrennten Standort angeordnet sein, und es kann über den Fernserver am Standort 502 auf ihn zugegriffen werden. Unabhängig davon, wo sie sich befinden, kann die Erntemaschine 100 über ein Netzwerk (entweder ein Fernbereichsnetz oder ein Nahbereichsnetz) direkt auf sie zugreifen; sie können an einem räumlich abgesetzten Standort durch einen Dienst gehostet werden, oder sie können als ein Dienst bereitgestellt werden, oder ein Verbindungsdienst kann auf die zugreifen, der sich an einem räumlich abgesetzten Standort befindet. Außerdem können die Daten an im Wesentlichen jedem Ort gespeichert werden, und interessierte Parteien können intermittierend auf sie zugreifen, oder sie können an interessierte Parteien weitergeleitet werden. So können beispielsweise physische Träger anstelle von, oder zusätzlich zu, elektromagnetischen Wellenträgern verwendet werden. In einem solchen Beispiel, in dem die Zellenversorgung schlecht oder nicht vorhanden ist, kann eine andere mobile Maschine (zum Beispiel ein Tankwagen) über ein automatisiertes Informationserfassungssystem verfügen. Wenn sich die Erntemaschine dem Tankwagen zum Betanken nähert, so erfasst das System automatisch die Informationen von der Erntemaschine oder überträgt Informationen über eine beliebige Art von gerade verfügbarer drahtloser Verbindung an die Erntemaschine. Die erfassten Informationen können dann an das Hauptnetz weitergeleitet werden, wenn der Tankwagen einen Ort erreicht, an dem eine Mobilfunkversorgung (oder eine andere drahtlose Versorgung) besteht. Zum Beispiel kann der Tankwagen in ein mobilfunkversorgtes Territorium einfahren, wenn er zum Betanken anderer Maschinen fährt oder wenn er sich an einem Hauptkraftstoffdepot befindet. Alle diese Architekturen werden im vorliegenden Text in Betracht gezogen. Darüber hinaus können die Informationen in der Erntemaschine gespeichert werden, bis die Erntemaschine ein mobilfunkversorgtes Territorium erreicht. Der Erntemaschine selbst kann dann die Informationen zu und von dem Hauptnetz senden bzw. empfangen.
Es ist außerdem anzumerken, dass die Elemente von 2 oder Abschnitte davon auf einer breiten Vielzahl verschiedener Vorrichtungen angeordnet werden können. Beispiele dieser Vorrichtungen sind Server, Desktop-Computer, Laptops, Tablet-Computer oder andere mobile Vorrichtungen, wie zum Beispiel Palm Top-Computer, Mobiltelefone, Smartphones, Multimedia-Player, persönliche digitale Assistenten, usw.
7 ist ein vereinfachtes Blockdiagramm eines veranschaulichenden Beispiels einer handgehaltenen oder mobilen Computervorrichtung, die als handgehaltene Vorrichtung 16 eines Benutzers oder Kunden verwendet werden kann, in der das hier besprochene System (oder Teile davon) implementiert werden kann. Zum Beispiel kann eine mobile Vorrichtung in der Fahrerkabine der Erntemaschine 100 zur Verwendung beim Generieren, Verarbeiten oder Anzeigen der Wurzelstockbreiten- und Positionsdaten verwendet werden. 8-9 sind Beispiele für handgehaltene oder mobile Vorrichtungen.
7 stellt ein allgemeines Blockdiagramm der Komponenten einer Client-Vorrichtung 16 dar, die einige der in 2 gezeigten Komponenten ausführen kann, die mit ihnen interagiert, oder beides. In der Vorrichtung 16 ist eine Kommunikationsverbindung 13 vorhanden, die sie der handgehaltenen Vorrichtung ermöglicht, mit anderen Computervorrichtungen zu kommunizieren, und in einigen Ausführungsformen einen Kanal zum automatischen Empfangen von Informationen, beispielsweise durch Scannen, bereitstellt. Beispiele für Kommunikationsverbindungen 13 enthalten das Zulassen einer Kommunikation über ein oder mehrere Kommunikationsprotokolle, wie beispielsweise drahtlose Dienste, die verwendet werden, um einen Mobilfunkzugang zu einem Netz zu ermöglichen, sowie Protokolle, die lokale drahtlose Verbindungen zu Netzen bereitstellen.
In anderen Beispielen können Anwendungen auf einer herausnehmbaren Secure Digital (SD)-Karte empfangen werden, die mit einer Schnittstelle 15 verbunden ist. Die Schnittstelle 15 und die Kommunikationsverbindungen 13 kommunizieren mit einem Prozessor 17 (der auch Prozessoren oder Server aus früheren FIGUREN verkörpern kann) über einen Bus 19, der ebenfalls mit dem Speicher 21 und den Eingabe-/Ausgabe (E/A)-Komponenten 23 sowie einer Uhr 25 und dem Positionsbestimmungssystem 27 verbunden ist.
In einem Beispiel sind E/A-Komponenten 23 vorhanden, um Ein- und Ausgabeoperationen zu ermöglichen. Die E/A-Komponenten 23 für verschiedene Ausführungsformen der Vorrichtung 16 können Eingabekomponenten wie Tasten, Berührungssensoren, optische Sensoren, Mikrofone, Berührungsbildschirme, Näherungssensoren, Beschleunigungsmesser, Orientierungssensoren und Ausgabekomponenten wie eine Anzeigevorrichtung, einen Lautsprecher und/oder einen Druckeranschluss enthalten. Es können auch andere E/A-Komponenten 23 verwendet werden.
Die Uhr 25 umfasst zur Veranschaulichung eine Echtzeituhrkomponente, die eine Uhrzeit und ein Datum ausgibt. Sie kann zur Veranschaulichung auch Zeitsteuerungsfunktionen für den Prozessor 17 bereitstellen.
Das Positionsbestimmungssystem 27 enthält zur Veranschaulichung eine Komponente, die eine momentane geografische Position der Vorrichtung 16 ausgibt. Dies kann zum Beispiel ein GPS (Global Positioning System)-Empfänger, ein LORAN-System, ein Koppelnavigationssystem, ein mobilfunkgestütztes Triangulationssystem oder ein sonstiges Positionsbestimmungssystem sein. Dazu kann beispielsweise auch eine Kartensoftware oder eine Navigationssoftware gehören, die gewünschte Karten, Navigationsrouten und andere geografische Funktionen generiert.
Der Speicher 21 speichert ein Betriebssystem 29, Netzwerkeinstellungen 31, Anwendungen 33, Anwendungskonfigurationseinstellungen 35, Datenspeicher 37, Kommunikationstreiber 39 und Kommunikationskonfigurationseinstellungen 41. Der Speicher 21 kann alle Arten von greifbaren flüchtigen und nicht-flüchtigen computerlesbaren Speichervorrichtungen enthalten. Er kann auch Computerspeichermedien enthalten (siehe unten). Der Speicher 21 speichert computerlesbare Anweisungen, die, wenn sie durch den Prozessor 17 ausgeführt werden, den Prozessor veranlassen, computerimplementierte Schritte oder Funktionen gemäß den Anweisungen auszuführen. Der Prozessor 17 kann auch durch andere Komponenten aktiviert werden, um deren Funktionalität zu ermöglichen.
8 zeigt ein Beispiel, in dem die Vorrichtung 16 ein Tablet-Computer 600 ist. In 8 ist ein Computer 600 mit dem Benutzerschnittstellenbildschirm 602 gezeigt. Der Bildschirm 602 kann ein Berührungsbildschirm oder eine stiftfähige Schnittstelle sein, die Eingaben durch einen Stift oder Stylus empfängt. Er kann auch eine virtuelle Bildschirmtastatur verwenden. Natürlich könnte er auch über einen geeigneten Verbindungsmechanismus, wie zum Beispiel eine drahtlose Verbindung oder einen USB-Anschluss, mit einer Tastatur oder einer anderen Benutzereingabevorrichtung verbunden werden. Der Computer 600 kann zur Veranschaulichung auch Spracheingaben empfangen.
9 zeigt, dass die Vorrichtung ein Smartphone 71 sein kann. Das Smartphone 71 verfügt über ein berührungsempfindliches Display 73, das Symbole oder Kacheln oder andere Benutzereingabemechanismen 75 anzeigt. Die Mechanismen 75 können durch einen Benutzer verwendet werden, um Anwendungen auszuführen, Anrufe zu tätigen, Datenübertragungsoperationen durchzuführen usw. Allgemein basiert das Smartphone 71 auf einem Mobilfunkbetriebssystem und bietet eine höhere Rechenleistung und Konnektivität als ein Feature-Phone.
Es ist zu beachten, dass auch andere Formen der Vorrichtungen 16 möglich sind.
10 ist ein Beispiel für eine Computerumgebung, in der Elemente von 2, oder Teile davon, (zum Beispiel) implementiert werden können. Wie in 10 zu sehen, enthält ein beispielhaftes System zum Implementieren einiger Ausführungsformen eine Computervorrichtung in Form eines Computers 810. Zu den Komponenten des Computers 810 können beispielsweise eine Verarbeitungseinheit 820 (die Prozessoren oder Server aus früheren FIGUREN umfassen kann), einen Systemspeicher 830 und einen Systembus 821 enthalten, der verschiedene Systemkomponenten, einschließlich des Systemspeichers, mit der Verarbeitungseinheit 820 koppelt. Der Systembus 821 kann eine von mehreren Arten von Busstrukturen sein, einschließlich eines Speicherbusses oder eines Speicher-Controllers, eines Peripheriebusses und eines lokalen Busses, der eine aus einer Vielzahl von Busarchitekturen verwendet. Speicher und Programme, die in Bezug auf 2 beschrieben sind, können in entsprechenden Abschnitten von 10 verwendet werden.
Der Computer 810 enthält typischerweise eine Vielzahl computerlesbarer Medien. Computerlesbare Medien können alle verfügbaren Medien sein, auf die der Computer 810 zugreifen kann, und enthalten sowohl flüchtige als auch nicht-flüchtige Medien, Wechselmedien und nicht-wechselfähige Medien. Als nicht-einschränkende Beispiele können computerlesbare Medien Computerspeichermedien und Kommunikationsmedien umfassen. Computerspeichermedien unterscheiden sich von einem modulierten Datensignal oder einer modulierten Trägerwelle und enthalten diese nicht. Dazu gehören Hardware-Speichermedien, einschließlich sowohl flüchtiger als auch nicht-flüchtiger, wechselfähiger und nichtwechselfähiger Medien, die in einem beliebigen Verfahren oder einer beliebigen Technologie zur Speicherung von Informationen wie zum Beispiel computerlesbaren Anweisungen, Datenstrukturen, Programmmodulen oder anderen Daten implementiert sind. Zu Computerspeichermedien gehören beispielsweise RAM, ROM, EEPROM, Flash-Speicher oder andere Speichertechnologien, CD-ROM, Digital Versatile Disks (DVD) oder andere optische Diskspeicher, Magnetkassetten, Magnetbänder, Magnetplattenspeicher oder andere magnetische Speichervorrichtungen oder jedes andere Medium, das zum Speichern der gewünschten Informationen verwendet werden kann und auf das der Computer 810 zugreifen kann. Kommunikationsmedien können computerlesbare Anweisungen, Datenstrukturen, Programmmodule oder andere Daten in einem Transportmechanismus verkörpern und enthalten alle Informationsübermittlungsmedien. Der Begriff „moduliertes Datensignal“ meint ein Signal, bei dem eine oder mehrere seiner Eigenschaften in einer solchen Weise eingestellt oder geändert werden, dass Informationen in dem Signal codiert werden.
Der Systemspeicher 830 enthält Computerspeichermedien in Form von flüchtigem und/oder nicht-flüchtigem Speicher, wie zum Beispiel Nurlesespeicher (ROM) 831 und Direktzugriffsspeicher (RAM) 832. Ein Basic Input/Output System 833 (BIOS), das die grundlegenden Routinen enthält, die helfen, Informationen zwischen Elementen innerhalb des Computers 810 zu übertragen, zum Beispiel während des Hochfahrens, wird in der Regel in dem ROM 831 gespeichert. Der RAM 832 enthält in der Regel Daten und/oder Programmmodule, auf die die Verarbeitungseinheit 820 sofort zugreifen kann und/oder die durch die Verarbeitungseinheit 820 gerade verarbeitet werden. 10 veranschaulicht als Beispiel ein Betriebssystem 834, Anwendungsprogramme 835, weitere Programmmodule 836 und Programmdaten 837.
Das Computersystem 810 kann noch andere Wechsel-/Nichtwechsel- oder flüchtige/nicht-flüchtige Computerspeichermedien enthalten. Lediglich als Beispiel veranschaulicht 10 ein Festplattenlaufwerk 841, das nicht-wechselfähige/nicht-flüchtige magnetische Medien liest oder beschreibt, ein optisches Disklaufwerk 855 und eine nicht-flüchtige optische Disk 856. Das Festplattenlaufwerk 841 ist in der Regel mit dem Systembus 821 durch eine Schnittstelle für nicht-wechselfähigen Speicher verbunden, wie zum Beispiel eine Schnittstelle 840, und das optische Disklaufwerk 855 ist in der Regel mit dem Systembus 821 durch eine Schnittstelle für wechselfähigen Speicher verbunden, wie zum Beispiel die Schnittstelle 850.
Alternativ oder zusätzlich kann die im vorliegenden Text beschriebene Funktionalität mindestens teilweise durch eine oder mehrere Hardware-Logikkomponenten ausgeführt werden. Zum Beispiel gehören zu veranschaulichenden Arten von Hardware-Logikkomponenten, die verwendet werden können, Feldprogrammierbare Gate-Arrays (FPGAs), Anwendungsspezifische Integrierte Schaltkreises (zum Beispiel ASICs), Anwendungsspezifische Standardprodukte (zum Beispiel ASSPs), System-on-Chip-Systeme (SOCs), Komplexe Programmierbare Logikvorrichtungen (CPLDs), usw.
Die Laufwerke und ihre zugehörigen Computerspeichermedien, die oben besprochen wurden und in 10 gezeigt sind, erlauben die Speicherung von computerlesbaren Anweisungen, Datenstrukturen, Programmmodulen und anderen Daten für den Computer 810. In 10 ist beispielsweise das Festplattenlaufwerk 841 so veranschaulicht, dass es das Betriebssystem 844, Anwendungsprogramme 845, andere Programmmodule 846 und Programmdaten 847 speichert. Es ist zu beachten, dass diese Komponenten entweder die gleichen sein können wie, oder andere sein können als, das Betriebssystem 834, die Anwendungsprogramme 835, andere Programmmodule 836 und Programmdaten 837.
Ein Benutzer kann über Eingabevorrichtungen wie zum Beispiel eine Tastatur 862, ein Mikrofon 863 und eine Zeigevorrichtung 861, wie eine Maus, ein Trackball oder ein Touchpad, Befehle und Informationen in den Computer 810 eingeben. Andere Eingabevorrichtungen (nicht gezeigt) können ein Joystick, ein Gamepad, eine Satellitenschüssel, ein Scanner oder dergleichen sein. Diese und andere Eingabevorrichtungen sind oft mit der Verarbeitungseinheit 820 über eine Benutzereingabeschnittstelle 860 verbunden, die mit dem Systembus gekoppelt ist, aber auch über andere Schnittstellen- und Busstrukturen verbunden sein kann. Eine visuelle Anzeige 891 oder eine andere Art von Anzeigevorrichtung ist ebenfalls über eine Schnittstelle, wie beispielsweise eine Videoschnittstelle 890, mit dem Systembus 821 verbunden. Zusätzlich zu dem Monitor können Computer auch andere periphere Ausgabevorrichtungen wie zum Beispiel Lautsprecher 897 und Drucker 896 enthalten, die über eine Ausgabeperipherieschnittstelle 895 verbunden sein können.
Der Computer 810 wird in einer vernetzten Umgebung unter Verwendung logischer Verbindungen (zum Beispiel ein Nahbereichsnetz - LAN, oder Fernbereichsnetz - WAN oder ein Controller Area Network - CAN) zu einem oder mehreren räumlich abgesetzten Computern, wie zum Beispiel einem räumlich abgesetzten Computer 880, betrieben.
Bei Verwendung in einer LAN-Netzwerkumgebung ist der Computer 810 über eine Netzwerkschnittstelle oder einen Adapter 870 mit dem LAN 871 verbunden. Bei Verwendung in einer WAN-Netzwerkumgebung enthält der Computer 810 in der Regel ein Modem 872 oder andere Mittel zum Herstellen einer Kommunikation über das WAN 873, wie beispielsweise das Internet. In einer vernetzten Umgebung können Programmmodule in einer externen Speichervorrichtung gespeichert werden. 10 veranschaulicht beispielsweise, dass sich Fernanwendungsprogramme 885 auf dem räumlich abgesetzten Computer 880 befinden können.
Es ist außerdem anzumerken, dass die verschiedenen im vorliegenden Text beschriebenen Beispiele auf verschiedene Weise kombiniert werden können. Das heißt, Teile eines oder mehrerer Beispiele können mit Teilen eines oder mehrerer anderer Beispiele kombiniert werden. All dies wird im vorliegenden Text in Betracht gezogen.
Beispiel 1 ist ein Verfahren zum Steuern einer Maschine an einem Arbeitsort, um eine Operation durchzuführen, das Folgendes umfasst:

Identifizieren von georeferenzierten Daten für den Arbeitsort, die generiert wurden, bevor die Maschine die Operation an dem Arbeitsort ausführt;
Erfassen von Felddaten, mit einem Sensor an der Maschine, während die Maschine eine Operation an dem Arbeitsort ausführt, wobei die Felddaten einem Abschnitt des Arbeitsortes entsprechen;
Generieren eines ersten prädiktiven Modells auf der Grundlage der georeferenzierten Daten und eines zweiten prädiktiven Modells auf der Grundlage der Felddaten;
Berechnen einer ersten Modellqualitätsmessgröße für das erste prädiktive Modell, die die Modellgenauigkeit anzeigt;
Berechnen einer zweiten Modellqualitätsmessgröße für das zweite prädiktive Modell, die die Modellgenauigkeit anzeigt;
Auswählen eines des ersten Modells und des zweiten Modells als ein ausgewähltes Modell auf der Grundlage der berechneten ersten Qualitätsmessgröße und der zweiten Qualitätsmessgröße; und
Steuern eines Teilsystems der Maschine unter Verwendung des ausgewählten Modells, um die Operation auszuführen.

Beispiel 2 ist das Verfahren beliebiger oder aller der vorangegangenen Beispiele, wobei das Auswählen des ausgewählten Modells Folgendes umfasst:
Bestimmen, ob die erste Modellqualitätsmessgröße und die zweite Modellqualitätsmessgröße eine Modellqualitätsschwelle erfüllen.
Beispiel 3 ist das Verfahren eines oder aller der vorangegangenen Beispiele, wobei das Auswählen des ausgewählten Modells Folgendes umfasst:

Vergleichen der ersten Qualitätsmessgröße und der zweiten Qualitätsmessgröße; und
Auswählen des ersten Modells oder des zweiten Modells auf der Grundlage des Vergleich zwischen der ersten Qualitätsmessgröße und der zweiten Qualitätsmessgröße.

Beispiel 4 ist das Verfahren beliebiger oder aller der vorangegangenen Beispiele, wobei das Identifizieren von georeferenzierten Daten Folgendes umfasst:

Erhalten von im Voraus gewonnenen georeferenzierten Vegetationsindex-Daten von einem Fernsystem, das dem Arbeitsort entspricht.

Beispiel 5 ist das Verfahren beliebiger oder aller der vorangegangenen Beispiele, wobei das Erfassen von Felddaten Folgendes umfasst:
Erhalten von Stängeldurchmesserdaten, die einem Abschnitt des Arbeitsortes entsprechen, mit einem Stängeldurchmessersensor an der Maschine, während die Maschine eine Ernteoperation an dem Arbeitsort ausführt.
Beispiel 6 ist das Verfahren beliebiger oder aller der vorangegangenen Beispiele, wobei die Maschine mehrere verschiedene Teilsysteme aufweist und wobei das Steuern eines Teilsystems Folgendes umfasst:
Steuern der mehreren verschiedenen Teilsysteme an der Maschine.
Beispiel 7 ist das Verfahren beliebiger oder aller der vorangegangenen Beispiele, wobei das Generieren der ersten Modellqualitätsmessgröße Folgendes umfasst:

Abrufen von Wetterdaten; und
Generieren der ersten Modellqualitätsmessgröße mindestens teilweise auf der Grundlage der Wetterdaten.

Beispiel 8 ist das Verfahren beliebiger oder aller der vorangegangenen Beispiele, wobei das Berechnen der zweiten Modellqualitätsmessgröße Folgendes umfasst:

Erfassen von Daten über sichtbehindernde Feldbedingungen mit einem Sichtbehinderungssensor; und
Generieren der zweiten Modellqualitätsmessgröße mindestens teilweise auf der Grundlage der Daten über sichtbehindernde Feldbedingungen.

Beispiel 9 ist das Verfahren beliebiger oder aller der vorangegangenen Beispiele, das des Weiteren Folgendes umfasst:

wenn die erste Modellqualitätsmessgröße und die zweite Modellqualitätsmessgröße beide die Modellqualitätsschwelle erfüllen, dann Steuern jedes der verschiedenen Teilsysteme der Arbeitsmaschine an dem Arbeitsort unter Verwendung eines anderen der mehreren verschiedenen prädiktiven Modelle.

Beispiel 10 ist das Verfahren beliebiger oder aller der vorangegangenen Beispiele, wobei das Berechnen der Modellqualitätsmessgröße Folgendes umfasst:

Berechnen eines Fehlerwertes, der einen Modellfehler anzeigt, auf der Grundlage eines Vergleichs von Modellwerten aus dem generierten prädiktiven Modell mit Feldwerten in den erfassten Felddaten.

Beispiel 11 ist das Verfahren beliebiger oder aller der vorangegangenen Beispiele, das des Weiteren Folgendes umfasst:

iteratives Wiederholen von Schritten zum Erfassen von Felddaten, Aktualisieren des prädiktiven Modells auf der Grundlage der Felddaten, Berechnen einer Modellqualitätsmessgröße für das aktualisierte prädiktive Modell, und Bestimmen, ob das prädiktive Modell ein qualifiziertes prädiktives Modell ist, während die Maschine die Operation ausführt.

Beispiel 12 ist ein Computersystem auf einer Arbeitsmaschine, das Folgendes umfasst:

ein Kommunikationssystem, das dafür konfiguriert ist, im Voraus gewonnene, georeferenzierte Vegetationsindex-Daten für einen Arbeitsort zu identifizieren;
ein Vor-Ort-Datenerfassungssystem, das Felddaten mit einem Sensor an einer Maschine erfasst, während die Maschine eine Operation an dem Arbeitsort ausführt, wobei die Felddaten einem Abschnitt des Arbeitsortes entsprechen;
ein Modellgeneratorsystem, das dafür konfiguriert ist, die im Voraus gewonnenen georeferenzierten Vegetationsindex-Daten und Felddaten zu empfangen und ein erstes prädiktives Modell auf der Grundlage der im Voraus gewonnenen georeferenzierten Vegetationsindex-Daten und ein zweites prädiktives Modell auf der Grundlage der Felddaten zu generieren; und
ein Modellevaluierungssystem, das dafür konfiguriert ist, eine erste Modellqualitätsmessgröße für das erste prädiktive Modell und eine zweite Modellqualitätsmessgröße für das zweite prädiktive Modell zu berechnen und zu bestimmen, ob das erste und das zweite prädiktive Modell qualifizierte prädiktive Modelle sind; und
ein Steuerungssystem, das, wenn eines des ersten und des zweiten prädiktiven Modells ein qualifiziertes prädiktives Modell ist, ein Teilsystem der Maschine unter Verwendung des qualifizierten prädiktiven Modells steuert.
Beispiel 13 ist das Computersystem beliebiger oder aller der vorangegangenen Beispiele, wobei das Modellevaluierungssystem Folgendes umfasst:
einen Modellqualitätsmessgrößengenerator, der dafür konfiguriert ist, die Modellqualitätsmessgröße für das prädiktive Modell auf der Grundlage eines Satzes Modellqualitätsregeln zu berechnen.
Beispiel 14 ist das Computersystem beliebiger oder aller der vorangegangenen Beispiele, wobei das Modellevaluierungssystem Folgendes umfasst:
eine Evaluierungsauslöselogik, die dafür konfiguriert ist, einen Evaluierungsauslöser zu detektieren und in Reaktion darauf ein Auslösungsausgangssignal für das Modellevaluierungssystem zu generieren, ein alternatives prädiktives Modell zu evaluieren.

Beispiel 15 ist das Computersystem beliebiger oder aller vorhergehenden Beispiele, wobei das Modellgenerierungssystem dafür konfiguriert ist, in Reaktion auf das Auslösungsausgangssignal das alternative prädiktive Modell unter Verwendung alternativer im Voraus gewonnener Daten für den Arbeitsort zu generieren.
Beispiel 16 ist das Computersystem beliebiger oder aller der vorangegangenen Beispiele, wobei das Modellgenerierungssystem dafür konfiguriert ist, in Reaktion auf das Auslösungsausgangssignal das alternative prädiktive Modell unter Verwendung eines alternativen Modellgenerierungsmechanismus zu generieren.
Beispiel 17 ist das Computersystem beliebiger oder aller der vorangegangenen Beispiele, wobei das Modellgeneratorsystem dafür konfiguriert ist, das erste prädiktive Modell und das zweite prädiktive Modell in Entsprechung zu einem bestimmten steuerbaren Teilsystem zu generieren, und wobei das Steuerungssystem jedes der prädiktiven Modelle verwendet, um das entsprechende bestimmte steuerbare Teilsystem zu steuern.
Beispiel 18 ist das Computersystem beliebiger oder aller vorhergehenden Beispiele, wobei der Modellqualitätsmessgrößengenerator dafür konfiguriert ist, die Modellqualitätsmessgröße durch Berechnen eines Fehlervektors auf der Grundlage von Werten, die durch das prädiktive Modell generiert wurden, und Ist-Werten in den erfassten Felddaten zu berechnen.
Beispiel 19 ist eine Arbeitsmaschine, die Folgendes umfasst:

ein Kommunikationssystem, das dafür konfiguriert ist, georeferenzierte Daten für einen Arbeitsort zu empfangen;
ein Vor-Ort-Datenerfassungssystem, das dafür konfiguriert ist, Felddaten mit einem Sensor an einer Maschine, während die Maschine eine Operation an dem Arbeitsort ausführt, für einen Abschnitt des Arbeitsortes zu erfassen;
mehrere steuerbare Teilsysteme;
ein Modellgeneratorsystem, das dafür konfiguriert ist, mehrere verschiedene prädiktive Modelle auf der Grundlage der georeferenzierten Daten und der Felddaten zu generieren, die jeweils einem anderen steuerbaren Teilsystem der mehreren steuerbaren Teilsysteme der Arbeitsmaschine entsprechen;
ein Modellevaluierungssystem, das dafür konfiguriert ist, eine Modellqualitätsmessgröße für jedes der prädiktiven Modelle auf der Grundlage eines Satzes Modellqualitätsregeln zu berechnen und auf der Grundlage der Modellqualitätsmessgrößen zu bestimmen, ob jedes der prädiktiven Modelle ein qualifiziertes prädiktives Modell ist; und
ein Steuerungssystem, das Steuersignale generiert, um jedes der steuerbaren Teilsysteme unter Verwendung eines entsprechenden qualifizierten prädiktiven Modells zu steuern.

Beispiel 20 ist die Arbeitsmaschine beliebiger oder aller der vorangegangenen Beispiele, wobei die steuerbaren Teilsysteme steuerbare Erntemaschinen-Teilsysteme umfassen.
Obgleich der Gegenstand in Formulierungen beschrieben wurde, die für strukturelle Merkmale und/oder methodologische Aktionen spezifisch sind, versteht es sich, dass der in den beiliegenden Ansprüchen definierte Gegenstand nicht unbedingt auf die oben beschriebenen spezifischen Merkmale oder Handlungen beschränkt ist. Vielmehr werden die oben beschriebenen Merkmale und Aktionen als beispielhafte Formen der Implementierung der Ansprüche offenbart.

Claims

Verfahren zum Steuern einer Maschine an einem Arbeitsort, um eine Operation durchzuführen, das Folgendes umfasst: Identifizieren von georeferenzierten Daten für den Arbeitsort, die generiert wurden, bevor die Maschine die Operation an dem Arbeitsort ausführt; Erfassen von Felddaten, mit einem Sensor an der Maschine, während die Maschine eine Operation an dem Arbeitsort ausführt, wobei die Felddaten einem Abschnitt des Arbeitsortes entsprechen; Generieren eines ersten prädiktiven Modells auf der Grundlage der georeferenzierten Daten und eines zweiten prädiktiven Modells auf der Grundlage der Felddaten; Berechnen einer ersten Modellqualitätsmessgröße für das erste prädiktive Modell, die die Modellgenauigkeit anzeigt; Berechnen einer zweiten Modellqualitätsmessgröße für das zweite prädiktive Modell, die die Modellgenauigkeit anzeigt; Auswählen eines des ersten Modells und des zweiten Modells als ein ausgewähltes Modell auf der Grundlage der berechneten ersten Qualitätsmessgröße und der zweiten Qualitätsmessgröße; und Steuern eines Teilsystems der Maschine unter Verwendung des ausgewählten Modells, um die Operation auszuführen.
Verfahren nach Anspruch 1, wobei das Auswählen des ausgewählten Modells Folgendes umfasst: Bestimmen, ob die erste Modellqualitätsmessgröße und die zweite Modellqualitätsmessgröße eine Modellqualitätsschwelle erfüllen.
Verfahren nach Anspruch 1, wobei das Auswählen des ausgewählten Modells Folgendes umfasst: Vergleichen der ersten Qualitätsmessgröße und der zweiten Qualitätsmessgröße; und Auswählen des ersten Modells oder des zweiten Modells auf der Grundlage des Vergleich zwischen der ersten Qualitätsmessgröße und der zweiten Qualitätsmessgröße.
Verfahren nach Anspruch 1, wobei das Identifizieren von georeferenzierten Daten Folgendes umfasst: Erhalten von im Voraus gewonnenen georeferenzierten Vegetationsindex-Daten von einem Fernsystem, das dem Arbeitsort entspricht.
Verfahren nach Anspruch 1, wobei das Erfassen von Felddaten Folgendes umfasst: Erhalten von Stängeldurchmesserdaten, die einem Abschnitt des Arbeitsortes entsprechen, mit einem Stängeldurchmessersensor an der Maschine, während die Maschine eine Ernteoperation an dem Arbeitsort ausführt.
Verfahren nach Anspruch 1, wobei die Maschine mehrere verschiedene Teilsysteme aufweist, und wobei das Steuern eines Teilsystems Folgendes umfasst: Steuern der mehreren verschiedenen Teilsysteme an der Maschine.
Verfahren nach Anspruch 1, wobei das Generieren der ersten Modellqualitätsmessgröße Folgendes umfasst: Abrufen von Wetterdaten; und Generieren der ersten Modellqualitätsmessgröße mindestens teilweise auf der Grundlage der Wetterdaten.
Verfahren nach Anspruch 1, wobei das Berechnen der zweiten Modellqualitätsmessgröße Folgendes umfasst: Erfassen von Daten über sichtbehindernde Feldbedingungen mit einem Sichtbehinderungssensor; und Generieren der zweiten Modellqualitätsmessgröße mindestens teilweise auf der Grundlage der Daten über sichtbehindernde Feldbedingungen.
Verfahren nach Anspruch 2, das des Weiteren Folgendes umfasst: wenn die erste Modellqualitätsmessgröße und die zweite Modellqualitätsmessgröße beide die Modellqualitätsschwelle erfüllen, dann Steuern jedes der verschiedenen Teilsysteme der Arbeitsmaschine an dem Arbeitsort unter Verwendung eines anderen der mehreren verschiedenen prädiktiven Modelle.
Verfahren nach Anspruch 1, wobei das Berechnen der Modellqualitätsmessgröße Folgendes umfasst: Berechnen eines Fehlerwertes, der einen Modellfehler anzeigt, auf der Grundlage eines Vergleichs von Modellwerten aus dem generierten prädiktiven Modell mit Feldwerten in den erfassten Felddaten.
Verfahren nach Anspruch 1, das des Weiteren Folgendes umfasst: iteratives Wiederholen von Schritten zum Erfassen von Felddaten, Aktualisieren des prädiktiven Modells auf der Grundlage der Felddaten, Berechnen einer Modellqualitätsmessgröße für das aktualisierte prädiktive Modell, und Bestimmen, ob das prädiktive Modell ein qualifiziertes prädiktives Modell ist, während die Maschine die Operation ausführt.
Computersystem auf einer Arbeitsmaschine, das Folgendes umfasst: ein Kommunikationssystem, das dafür konfiguriert ist, im Voraus gewonnene, georeferenzierte Vegetationsindex-Daten für einen Arbeitsort zu identifizieren; ein Vor-Ort-Datenerfassungssystem, das Felddaten mit einem Sensor an einer Maschine erfasst, während die Maschine eine Operation an dem Arbeitsort ausführt, wobei die Felddaten einem Abschnitt des Arbeitsortes entsprechen; ein Modellgeneratorsystem, das dafür konfiguriert ist, die im Voraus gewonnenen georeferenzierten Vegetationsindex-Daten und Felddaten zu empfangen und ein erstes prädiktives Modell auf der Grundlage der im Voraus gewonnenen georeferenzierten Vegetationsindex-Daten und ein zweites prädiktives Modell auf der Grundlage der Felddaten zu generieren; und ein Modellevaluierungssystem, das dafür konfiguriert ist, eine erste Modellqualitätsmessgröße für das erste prädiktive Modell und eine zweite Modellqualitätsmessgröße für das zweite prädiktive Modell zu berechnen und zu bestimmen, ob das erste und das zweite prädiktive Modell qualifizierte prädiktive Modelle sind; und ein Steuerungssystem, das, wenn eines des ersten und des zweiten prädiktiven Modells ein qualifiziertes prädiktives Modell ist, ein Teilsystem der Maschine unter Verwendung des qualifizierten prädiktiven Modells steuert.
Computersystem nach Anspruch 12, wobei das Modellevaluierungssystem Folgendes umfasst: einen Modellqualitätsmessgrößengenerator, der dafür konfiguriert ist, die Modellqualitätsmessgröße für das prädiktive Modell auf der Grundlage eines Satzes Modellqualitätsregeln zu berechnen.
Computersystem nach Anspruch 13, wobei das Modellevaluierungssystem Folgendes umfasst: eine Evaluierungsauslöselogik, die dafür konfiguriert ist, einen Evaluierungsauslöser zu detektieren und in Reaktion darauf ein Auslösungsausgangssignal für das Modellevaluierungssystem zu generieren, ein alternatives prädiktives Modell zu evaluieren.
Computersystem nach Anspruch 14, wobei das Modellgenerierungssystem dafür konfiguriert ist, in Reaktion auf das Auslösungsausgangssignal das alternative prädiktive Modell unter Verwendung alternativer im Voraus gewonnener Daten für den Arbeitsort zu generieren.
Computersystem nach Anspruch 14, wobei das Modellgenerierungssystem dafür konfiguriert ist, in Reaktion auf das Auslösungsausgangssignal das alternative prädiktive Modell unter Verwendung eines alternativen Modellgenerierungsmechanismus zu generieren.
Computersystem nach Anspruch 12, wobei das Modellgeneratorsystem dafür konfiguriert ist, das erste prädiktive Modell und das zweite prädiktive Modell in Entsprechung zu einem bestimmten steuerbaren Teilsystem zu generieren, und wobei das Steuerungssystem jedes der prädiktiven Modelle verwendet, um das entsprechende bestimmte steuerbare Teilsystem zu steuern.
Computersystem nach Anspruch 13, wobei der Modellqualitätsmessgrößengenerator dafür konfiguriert ist, die Modellqualitätsmessgröße durch Berechnen eines Fehlervektors auf der Grundlage von Werten, die durch das prädiktive Modell generiert wurden, und Ist-Werten in den erfassten Felddaten zu berechnen.
Arbeitsmaschine, die Folgendes umfasst: ein Kommunikationssystem, das dafür konfiguriert ist, georeferenzierte Daten für einen Arbeitsort zu empfangen; ein Vor-Ort-Datenerfassungssystem, das dafür konfiguriert ist, Felddaten mit einem Sensor an einer Maschine, während die Maschine eine Operation an dem Arbeitsort ausführt, für einen Abschnitt des Arbeitsortes zu erfassen; mehrere steuerbare Teilsysteme; ein Modellgeneratorsystem, das dafür konfiguriert ist, mehrere verschiedene prädiktive Modelle auf der Grundlage der georeferenzierten Daten und der Felddaten zu generieren, die jeweils einem anderen steuerbaren Teilsystem der mehreren steuerbaren Teilsysteme der Arbeitsmaschine entsprechen; ein Modellevaluierungssystem, das dafür konfiguriert ist, eine Modellqualitätsmessgröße für jedes der prädiktiven Modelle auf der Grundlage eines Satzes Modellqualitätsregeln zu berechnen und auf der Grundlage der Modellqualitätsmessgrößen zu bestimmen, ob jedes der prädiktiven Modelle ein qualifiziertes prädiktives Modell ist; und ein Steuerungssystem, das Steuersignale generiert, um jedes der steuerbaren Teilsysteme unter Verwendung eines entsprechenden qualifizierten prädiktiven Modells zu steuern.
Arbeitsmaschine nach Anspruch 19, wobei die steuerbaren Teilsysteme steuerbare Erntemaschinen-Teilsysteme umfassen.