DE102020204478A1

DE102020204478A1 - Maschinensteuerung unter verwendung eines echtzeitmodells

Info

Publication number: DE102020204478A1
Application number: DE102020204478.3A
Authority: DE
Inventors: Bhanu Kiran Palla; Nathan R. Vandike; Federico Pardina-Malbran; Michael Waldo; Noel W. Anderson
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: US20210302925A1; US11829112B2; US20230213900A1; BR102020001022A2; CN111802061B; CN111802061A; US20200326674A1; US11079725B2; US11650553B2

Abstract

[00163] Für einen Arbeitsort werden georeferenzierte vegetative A-priori-Indexdaten abgerufen, zusammen mit Felddaten, die von einem Sensor an einer Arbeitsmaschine, die einen Vorgang am Arbeitsort ausführt, gesammelt werden. Auf der Grundlage der georeferenzierten vegetativen Indexdaten und der Felddaten wird ein prädiktives Modell generiert, während die Maschine den Vorgang ausführt. Für das prädiktive Modell wird eine Modellqualitätsmetrik generiert, die verwendet wird um zu bestimmen, ob das prädiktive Modell ein qualifiziertes prädiktives Modell ist. Falls ja, steuert ein Steuerungssystem ein Teilsystem der Arbeitsmaschine unter Verwendung des qualifizierten prädiktiven Modells und einer Position der Arbeitsmaschine, um den Vorgang auszuführen.

Description

GEBIET DER ERFINDUNG
Die vorliegende Beschreibung betrifft Arbeitsmaschinen. Insbesondere betrifft die vorliegende Beschreibung ein Steuerungssystem, das während der Laufzeit dynamisch Daten erfasst und ein prädiktives Modell erzeugt und qualifiziert und die Arbeitsmaschine unter Verwendung dieses Modells steuert.
HINTERGRUND DER ERFINDUNG
Es gibt eine breite Vielfalt verschiedener Arten von Arbeitsmaschinen. Zu diesen Maschinen können Baumaschinen, Rasenpflegemaschinen, forstwirtschaftliche Maschinen, landwirtschaftliche Maschinen usw. gehören.
Einige aktuelle Systeme haben versucht, A-priori-Daten zu verwenden, um ein prädiktives Modell zu generieren, das zur Steuerung der Arbeitsmaschine verwendet werden kann. Beispielsweise können landwirtschaftliche Erntemaschinen unter anderem Mähdrescher, Feldhäcksler, Baumwollerntemaschinen beinhalten. Einige aktuelle Systeme haben versucht, A-priori-Daten (wie Luftbilder eines Feldes) zu verwenden, um eine prädiktive Ertragskarte zu erzeugen. Die prädiktive Ertragskarte prognostiziert Erträge an verschiedenen geographischen Standorten des zu erntenden Feldes. Die derzeitigen Systeme haben versucht, diese prädiktive Ertragskarte bei der Steuerung der Erntemaschine zu verwenden.
Die vorstehende Erläuterung dient lediglich allgemeinen Hintergrundinformationen und ist nicht als eine Hilfe bei der Bestimmung des Umfangs des beanspruchten Gegenstands zu verwenden.
KURZDARSTELLUNG
Für einen Arbeitsort werden georeferenzierte vegetative A-priori-Indexdaten abgerufen, zusammen mit Felddaten, die von einem Sensor an einer Arbeitsmaschine, die einen Vorgang am Arbeitsort ausführt, gesammelt werden. Auf der Grundlage der georeferenzierten vegetativen Indexdaten und der Felddaten wird ein prädiktives Modell generiert, während die Maschine den Vorgang ausführt. Für das prädiktive Modell wird eine Modellqualitätsmetrik generiert, die verwendet wird um zu bestimmen, ob das prädiktive Modell ein qualifiziertes prädiktives Modell ist. Falls ja, steuert ein Steuerungssystem ein Teilsystem der Arbeitsmaschine unter Verwendung des qualifizierten prädiktiven Modells und einer Position der Arbeitsmaschine, um den Vorgang auszuführen.
Diese Zusammenfassung wird bereitgestellt, um eine Auswahl von Begriffen in einer vereinfachten Form einzuführen, die weiter unten in der ausführlichen Beschreibung näher beschrieben werden. Diese Zusammenfassung ist weder dazu bestimmt, Hauptmerkmale oder wesentliche Merkmale des beanspruchten Gegenstands zu identifizieren, noch soll sie als eine Hilfe bei der Bestimmung des Umfangs des beanspruchten Gegenstands verwendet werden. Der beanspruchte Gegenstand ist nicht auf Implementierungen beschränkt, die einige oder alle der im Hintergrund angeführten Nachteile beseitigen.
Figurenliste

1 ist eine teilweise schematische, teilweise bildliche Darstellung eines Mähdreschers.
2 ist ein Blockdiagramm, das ein Beispiel einer Rechensystemarchitektur zeigt, die den in 1. gezeigten Mähdrescher beinhaltet.
3A-3C (hier gemeinsam als 3 bezeichnet) zeigen ein Ablaufdiagramm, das ein Beispiel für den Betrieb der in 2 gezeigten Rechensystemarchitektur veranschaulicht.
4 ist ein Ablaufdiagramm, das ein weiteres Beispiel für den Betrieb der in 2 veranschaulichten Architektur veranschaulicht, die dynamisch aktuatorspezifische oder teilsystemspezifische Steuerungsmodelle erzeugt.
5 zeigt ein Blockdiagramm der in 1 dargestellten Architektur, die in einer Remote-Server-Umgebung eingesetzt wird.
6-8 zeigen Beispiele für mobile Vorrichtungen, die in den in den vorangehenden Figuren gezeigten Architekturen verwendet werden können.
9 ist ein Blockdiagramm, das ein Beispiel einer Rechenumgebung zeigt, die in den in den vorangehenden Figuren gezeigten Architekturen verwendet werden kann.

AUSFÜHRLICHE BESCHREIBUNG
Wie oben erörtert, versuchen einige aktuelle Systeme, A-priori-Daten (wie etwa Luftbilder) zu verwenden, um eine prädiktive Karte zu erzeugen, die verwendet werden kann, um eine Arbeitsmaschine zu steuern. Beispielsweise wurde viel Arbeit bei dem Versuch geleistet, eine prädiktive Ertragskarte für ein Feld auf der Grundlage von Vegetationsindexwerten zu erzeugen, die aus Luftbildern generiert wurden. Solche prädiktiven Ertragskarten versuchen, einen Ertrag an verschiedenen Stellen innerhalb des Feldes vorherzusagen. Die Systeme versuchen, einen Mähdrescher (oder eine andere Erntemaschine) auf Grundlage des prognostizierten Ertrags zu steuern.
Auch versuchen einige Systeme, perspektivische Wahrnehmungssysteme zu verwenden, die ein Aufnehmen optischer Bilder des Feldes vor einer Erntemaschine in Fahrtrichtung beinhalten können. Auf der Grundlage dieser Bilder kann ein Ertrag für den Bereich unmittelbar vor der Erntemaschine prognostiziert werden. Dies ist eine weitere Quelle von A-priori-Daten, die verwendet werden können, um eine Form einer prädiktiven Ertragskarte zu generieren.
All diese Arten von Systemen können Schwierigkeiten bereiten.
Beispielsweise repräsentiert keines der auf der Grundlage von A-priori-Daten generierten Modelle aktuelle Ground-Truth-Daten. Beispielsweise stellen sie nur prädiktive Erträge dar, nicht aber tatsächliche Ground-Truth-Ertragswerte. Daher haben einige Systeme versucht, mehrere verschiedene Modelle zu generieren und ihnen dann eine Qualitätsbewertung basierend auf historischer Leistung zuzuweisen. Beispielsweise kann eine Remote-Server-Umgebung A-priori-Luftbilddaten abrufen und eine prädiktive Ertragskarte generieren. Die Remote-Server-Umgebung kann dann tatsächliche Ertragsdaten empfangen, die erzeugt wurden, als das Feld geerntet wurde. Sie kann die Qualität oder Genauigkeit des Modells auf der Grundlage der tatsächlichen Ertragsdaten bestimmen. Das prädiktive Ertragsmodell oder der Algorithmus, der zum Erstellen des Modells genutzt wurde, kann dann modifiziert werden, um es zu verbessern.
Dies hilft jedoch nicht bei der Steuerung der Erntemaschine während des Erntevorgangs. Stattdessen werden die tatsächlichen Ertragsdaten nach Beendigung des Erntevorgangs der Remote-Server-Umgebung bereitgestellt, sodass das Modell für die nächste Erntesaison für dieses Feld verbessert werden kann.
Im Gegensatz hierzu beschreibt die nachfolgende Beschreibung ein System und Verfahren zur Erzeugung eines prädiktiven Modells nicht nur auf der Grundlage von A-priori-Daten, sondern auf der Grundlage von In-situ-Felddaten, die Istwerte repräsentieren, die modelliert werden. Wenn die prädiktive Karte beispielsweise eine prädiktive Ertragskarte ist, wird das Modell, das verwendet wird, um diese Karte zu generieren, dynamisch auf Grundlage von A-priori-Daten (wie etwa Luftbilddaten) und In-situ-Daten, wie etwa aktuellen Ertragsdaten, die während des Erntevorgangs an der Erntemaschine erfasst wurden, generiert. Sobald die prädiktive Ertragskarte generiert ist, wird das Modell (z. B. die prädiktive Karte), das verwendet wurde, um sie zu generieren, bewertet, um ihre Genauigkeit (oder Qualität) zu bestimmen. Wenn die Qualität des Modells ausreichend ist, wird es zur Steuerung des Mähdreschers während des Erntevorgangs verwendet, und es wird dynamisch und iterativ unter Verwendung von In-situ-Daten bewertet, die während des Erntevorgangs vom Mähdrescher gesammelt wurden. Hat das Modell keine ausreichend hohe Qualität, kann das System dynamisch auf ein alternatives Modell umschalten, oder es kann wieder auf Handbetrieb oder voreingestellte Werte umgeschaltet werden, oder es kann andere alternative Modelle generieren und auswerten.
1 ist eine teilweise bildliche, teilweise schematische Darstellung einer landwirtschaftlichen Maschine 100 in einem Beispiel, in dem die Maschine 100 ein Mähdrescher (oder eine Kombine) ist. Es ist in 1 zu sehen, dass die Kombine 100 beispielsweise einen Bedienerraum 101 beinhaltet, der eine Vielzahl von verschiedenen Bedienerschnittstellenmechanismen zum Steuern der Kombine 100 aufweisen kann, wie nachfolgend ausführlicher erörtert wird. Die Kombine 100 kann einen Satz von Frontausrüstung, die einen Erntevorsatz 102 beinhalten kann, und ein Schneidwerk, das allgemein bei 104 angegeben ist, beinhalten. Sie kann auch ein Förderergehäuse 106, einen Aufgabebeschleuniger 108 und einen Drescher, der allgemein bei 110 angegeben ist, beinhalten. Der Drescher 110 beispielsweise beinhaltet einen Dreschrotor 112 und einen Satz von Dreschkörben 114. Ferner kann die Kombine 100 einen Separator 116 beinhalten, der einen Separatorrotor beinhaltet. Die Kombine 100 kann ein Reinigungsteilsystem (oder einen Reinigungsschuh) 118 beinhalten, das selbst ein Reinigungsgebläse 120, ein Obersieb 122 und ein Sieb 124 beinhalten kann. Das Materialhandhabungsteilsystem in Kombine 100 kann (zusätzlich zu einem Förderergehäuse 106 und einem Aufgabebeschleuniger 108) eine Abladestreuwalze 126, einen Überkehrelevator 128, einen Reinkomelevator 130 (der reines Korn in einen Reinkorntank 132 bewegt) sowie eine Abladeschnecke 134 und einen Auswerfer 136 beinhalten. Die Kombine 100 kann ferner ein Reststoffteilsystem 138 beinhalten, das den Häcksler 140 und den Streuer 142 beinhalten kann. Die Kombine 100 kann auch ein Antriebsteilsystem aufweisen, das einen Motor (oder eine andere Energiequelle) beinhaltet, der in den Boden eingreifende Räder 144 oder Ketten usw. antreibt. Es sei angemerkt, dass die Kombine 100 auch mehr als eines von jeglichen der oben erwähnten Teilsysteme aufweisen kann (wie etwa linke und rechte Reinigungsschuhe, Separatoren usw.).
Im Betrieb und in Form einer Übersicht bewegt sich die Kombine 100 beispielsweise durch ein Feld in der durch den Pfeil 146 angegebenen Richtung. Während sie sich bewegt, greift der Erntevorsatz 102 in das Erntegut ein und sammelt es in Richtung des Schneidwerks 104 ein. Nachdem es geschnitten wurde, wird es durch einen Förderer im Förderergehäuse 106 zum Aufgabebeschleuniger 108 bewegt, der das Erntegut in den Drescher 110 beschleunigt. Das Erntegut wird durch den Rotor 112 gedroschen, der das Erntegut gegen den Dreschkorb 114 dreht. Das gedroschene Erntegut wird durch einen Abscheiderrotor im Abscheider 116 bewegt, wo ein Teil des Reststoffs durch die Abladestreuwalze 126 in Richtung des Reststoffteilsystems 138 bewegt wird. Er kann vom Reststoffhäcksler 140 gehäckselt und vom Streuer 142 auf das Feld gestreut werden. In anderen Implementierungen wird der Reststoff einfach in einem Schwad fallengelassen, anstatt gehackt und verstreut zu werden.
Korn fällt auf den Reinigungsschuh (oder das Reinigungsteilsystem) 118. Das Obersieb 122 trennt einen Teil des größeren Materials von dem Korn, und das Sieb 124 trennt einen Teil des feineren Materials von dem reinen Korn. Reines Korn fällt auf eine Schnecke im Reinkornelevator 130, der das reine Korn nach oben bewegt und es im Reinkorntank 132 ablegt. Reststoff kann von dem Reinigungsschuh 118 durch einen Luftstrom entfernt werden, der von dem Reinigungsgebläse 120 erzeugt wird. Dieser Reststoff kann auch in der Kombine 100 nach hinten in Richtung des Reststoffhandhabungsteilsystems 138 bewegt werden.
Über den Überkehrelevator 128 kann Überkehr zurück zum Drescher 110 bewegt werden, wo sie wieder gedroschen werden kann. Alternativ kann die Überkehr auch einem separaten Nachdreschmechanismus (auch unter Verwendung eines Überkehrelevators oder eines anderen Transportmechanismus) zugeführt werden, wo es ebenfalls nachgedroschen werden kann.
1 zeigt auch, dass die Kombine 100 in einem Beispiel einen Bodengeschwindigkeitssensor 147, einen oder mehrere Separatorverlustsensoren 148, eine Reinkornkamera 150 und einen oder mehrere Reinigungsschuhverlustsensoren 152 beinhalten kann. Der Bodengeschwindigkeitssensor 147 beispielsweise erfasst die Fahrgeschwindigkeit der Kombine 100 über dem Boden. Dies kann durch Erfassung der Drehzahl der Räder, der Antriebswelle, der Achse oder anderer Bauteile erfolgen. Die Fahrgeschwindigkeit und Position der Kombine 100 kann auch durch ein Positionsbestimmungssystem 157 erfasst werden, wie etwa ein globales Positionsbestimmungssystem (GPS), ein Koppelnavigationssystem, ein LORAN-System oder eine breite Vielfalt anderer Systeme oder Sensoren, die eine Angabe der Fahrgeschwindigkeit bereitstellen.
Reinigungsschuhverlustsensoren 152 beispielsweise stellen ein Ausgangssignal bereit, das die Menge des Kornverlusts sowohl durch die rechte als auch durch die linke Seite des Reinigungsschuhs 118 angibt. In einem Beispiel sind die Sensoren 152 Schlagsensoren (oder Aufprallsensoren), die Kornschläge pro Zeiteinheit (oder pro zurückgelegter Entfernungseinheit) zählen, um eine Angabe des Reinigungsschuh-Kornverlusts bereitzustellen. Die Schlagsensoren für die rechte und linke Seite des Reinigungsschuhs können einzelne Signale oder ein kombiniertes oder aggregiertes Signal bereitstellen. Es ist anzumerken, dass die Sensoren 152 anstelle separater Sensoren für jeden Schuh auch nur einen einzelnen Sensor umfassen können.
Der Abscheiderverlustsensor 148 stellt ein Signal bereit, das bezeichnend für den Kornverlust im linken und rechten Abscheider ist. Die dem linken und rechten Abscheider zugeordneten Sensoren können getrennte Kornverlustsignale oder ein kombiniertes oder aggregiertes Signal bereitstellen. Dies kann auch unter Verwendung einer breiten Vielfalt verschiedener Sensortypen erfolgen. Es ist anzumerken, dass die Separatorverlustsensoren 148 anstelle separater linker und rechter Sensoren auch nur einen einzelnen Sensor umfassen können.
Es versteht sich auch, dass Sensor- und Messmechanismen (zusätzlich zu den bereits beschriebenen Sensoren) auch andere Sensoren an der Kombine 100 beinhalten können. Zum Beispiel können sie einen Reststoffeinstellsensor beinhalten, der dazu ausgelegt ist, zu erfassen, ob die Maschine 100 dazu ausgelegt ist, den Reststoff zu häckseln, ein Schwad fallenzulassen usw. Sie können Reinigungsschuhgebläsedrehzahlsensoren beinhalten, die in der Nähe des Gebläses 120 dazu ausgelegt sein können, die Drehzahl des Gebläses zu erfassen. Sie können einen Dreschspielsensor beinhalten, der ein Spiel zwischen dem Rotor 112 und Dreschkörben 114 erfasst. Sie beinhalten einen Dreschrotordrehzahlsensor, der eine Rotordrehzahl des Rotors 112 erfasst. Sie können einen Obersiebspaltsensor beinhalten, der die Größe der Öffnungen in dem Obersieb 122 erfasst. Sie können einen Siebspaltsensor beinhalten, der die Größe der Öffnungen in dem Sieb 124 erfasst. Sie können einen Feuchtigkeitssensor für ein anderes Material als Getreide (Material Other than Grain, MOG) beinhalten, der dazu ausgelegt sein kann, den Feuchtigkeitsgrad eines durch die Kombine 100 laufenden anderen Materials als Getreide zu erfassen. Sie können Maschineneinstellsensoren beinhalten, die dazu ausgelegt sind, die verschiedenen konfigurierbaren Einstellungen an der Kombine 100 zu erfassen. Sie können auch einen Maschinenausrichtungssensor beinhalten, der ein beliebiger aus einer breiten Vielfalt von verschiedenen Arten von Sensoren sein kann, die die Ausrichtung oder Haltung der Kombine 100 erfassen. Ernteguteigenschaftssensoren können eine Vielfalt verschiedener Arten von Ernteguteigenschaften erfassen, wie etwa Erntegutart, Erntegutfeuchtigkeit und andere Ernteguteigenschaften. Sie können auch dazu ausgelegt sein, Eigenschaften des Ernteguts zu erfassen, während sie von der Kombine 100 verarbeitet werden. Beispielsweise können sie eine Kornzufuhrrate erfassen, wenn es durch den Reinkomelevator 130 bewegt wird. Sie können Ertrag als Massendurchflussrate von Korn durch den Elevator 130 erfassen, korreliert mit einer Position, von der es geerntet wurde, wie durch den Positionssensor 157 angegeben, oder andere Ausgangssignale bereitstellen, die bezeichnend für andere erfasste Variablen sind. Nachfolgend werden einige weitere Beispiele für die verwendbaren Sensortypen beschrieben.
2 ist ein Blockdiagramm, das ein Beispiel einer Rechensystemarchitektur 180 zeigt, die die Arbeitsmaschine 100, A-priori-Datensammelsysteme 182, alternative Datensammelsysteme 184 und einen A-priori-Datenspeicher 186 beinhaltet, der durch ein Netzwerk 188 mit der Arbeitsmaschine 100 verbunden ist. Einige in 2 gezeigte Elemente ähneln den in 1 gezeigten, und sie sind ähnlich nummeriert.
Das Netzwerk 188 kann ein beliebiges aus einer breiten Vielfalt von verschiedenen Arten von Netzwerken sein. Beispielsweise kann es ein Weitverkehrsnetzwerk, ein lokales Netzwerk, ein Nahfeld-Kommunikationsnetzwerk, ein zellulares Kommunikationsnetzwerk oder ein beliebiges einer breiten Vielfalt anderer Netzwerke oder Kombinationen von Netzwerken sein.
A-priori-Datensammelsysteme 182 beispielsweise sammeln A-priori-Daten, die von der Arbeitsmaschine 100 verwendet werden können, um ein Modell (wie etwa eine prädiktive Karte) zu generieren, das verwendet werden kann, um die Arbeitsmaschine 100 zu steuern. Somit können die Systeme 182 in einem Beispiel einen normalisierten Differenzvegetationsindexbildgeber 190, einen Wärmebildgeber 192, einen Radar-/Mikrowellenbildgeber 194, Erntemodelldaten 196, Bodenmodelldaten 198 beinhalten, und sie können eine breite Vielfalt anderer Elemente 200 beinhalten. Der NDVI-Bildgeber 190 kann solche Dinge wie Luftbildgebungssysteme (z. B. Satellitensysteme, bemannte oder unbemannte Luftfahrzeug-Bildgebungssysteme usw.) beinhalten, die verwendet werden können, um Bilder aufzunehmen, von denen NDVI-Werte erzeugt werden können. Der Wärmebildgeber 192 beispielsweise beinhaltet einen oder mehrere Wärmebildsensoren, die Wärmedaten erzeugen. Der Radar-/Mikrowellenbildgeber 194 beispielsweise erzeugt Radar- oder Mikrowellenbilder. Ein Erntegutmodell 196 kann verwendet werden, um Daten zu erzeugen, die prädiktiv für bestimmte Merkmale des Ernteguts sind, wie etwa Ertrag, Feuchtigkeit usw. Das Bodenmodell 198 beispielsweise ist ein prädiktives Modell, das Eigenschaften des Bodens an verschiedenen Stellen in einem Feld generiert. Solche Eigenschaften können Bodenfeuchtigkeit, Bodenverdichtung, Bodenqualität oder Bodengehalt usw. beinhalten.
Alle diese Systeme 182 können verwendet werden, um Daten zu generieren, die direkt bezeichnend für metrische Werte sind oder aus denen metrische Werte abgeleitet und genutzt werden können, um die Arbeitsmaschine 100 zu steuern. Sie können an Fernerfassungssystemen wie unbemannten Luftfahrzeugen, bemannten Luftfahrzeugen, Satelliten usw. eingesetzt werden. Die Daten, die von den Systemen 182 generiert werden, können auch eine Vielzahl von anderen Dingen beinhalten, wie etwa Wetterdaten, Bodentypdaten, topographische Daten, vom Menschen generierte Karten auf Grundlage historischer Informationen und eine breite Vielfalt von anderen Systemen zum Generieren von Daten, die dem Arbeitsort entsprechen, an dem die Arbeitsmaschine 100 aktuell eingesetzt wird.
Alternative Datensammelsysteme 184 können Systemen 182 ähnlich oder unterschiedlich sein. Wenn sie gleich oder ähnlich sind, können sie die gleichen Arten von Daten sammeln, aber zu unterschiedlichen Zeiten während der Wachstumssaison. Zum Beispiel können einige Luftbilder, die während eines ersten Males in der Wachstumssaison erzeugt wurden, hilfreicher sein als andere Luftbilder, die später in der Wachstumssaison aufgenommen wurden. Dies ist nur ein Beispiel.
Alternative Datensammelsysteme 184 können auch unterschiedliche Sammelsysteme beinhalten, die unterschiedliche Arten von Daten über das Feld erzeugen, auf dem die Arbeitsmaschine 100 eingesetzt wird. Zusätzlich können alternative Datensammelsysteme 184 Systemen 182 ähneln, sie können jedoch dazu ausgelegt sein, Daten mit einer anderen Auflösung (wie etwa mit einer höheren Auflösung, einer niedrigeren Auflösung usw.) zu sammeln. Sie können auch dazu ausgelegt sein, die gleiche Art von Daten unter Verwendung eines anderen Sammelmechanismus oder Datenerfassungsmechanismus zu sammeln, der unter verschiedenen Kriterien mehr oder weniger genau sein kann.
Der A-priori-Datenspeicher 186 enthält somit georeferenzierte A-priori-Daten 202 sowie als Alternative georeferenzierte A-priori-Daten 204. Er kann auch andere Elemente 206 beinhalten. Bei den Daten 202 kann es sich beispielsweise um Vegetationsindexdaten handeln, die Vegetationsindexwerte beinhalten, die georeferenziert für das geerntete Feld sind. Die Vegetationsindexdaten können unter anderem Dinge wie NDVI-Daten, Blattflächenindexdaten, bodenangepasste Vegetationsindexdaten (Soil Adjusted Vegetation Index Data, SAVI-Daten), modifizierte oder optimierte SAVI-Daten, einfache Verhältnis- oder modifizierte einfache Verhältnisdaten, renormalisierte Differenzvegetationsindexdaten, Chlorophyll-/Pigment-bezogene Indizes (Chlorophyll/Pigment Related Indices, CARI), modifizierte oder transformierte CARI, dreieckige Vegetationsindexdaten, strukturunempfindliche Pigmentindexdaten, normalisierte Pigmentchlorphyllindexdaten, photochemische Reflexionsindexdaten, Rotkantenindizes, Derivatanalyseindizes unter einer breiten Vielfalt anderer beinhalten.
2 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 Vielfalt von anderen Sensoren 214 (die die oben in Bezug auf 1 beschriebenen oder andere sein können) beinhalten kann, ein In-situ-Datensammelsystem 216, ein Modellgeneratorsystem 218, ein Modellbewertungssystem 220, einen Datenspeicher 222, ein Steuerungssystem 224, steuerbare Teilsysteme 226, Bedienerschnittstellenmechanismen 228 beinhalten kann, und sie kann eine breite Vielfalt von anderen Elementen 230 beinhalten.
2 zeigt, dass der Bediener 232 mit Bedienerschnittstellenmechanismen 228 interagieren kann, um die Maschine 100 zu steuern und zu bedienen. Somit können Bedienerschnittstellenmechanismen 228 solche Dinge wie ein Lenkrad, Pedale, Hebel, Joysticks, Tasten, Zifferblätter, Gestänge usw. beinhalten. Zusätzlich können sie eine Anzeigevorrichtung beinhalten, die vom Benutzer betätigbare Elemente wie etwa Symbole, Links, Schaltflächen usw. anzeigt. Wenn das Display ein berührungsempfindliches Display ist, können diese vom Benutzer betätigbaren Elemente durch Berührungsgesten betätigt werden. In ähnlicher Weise kann der Bediener 232 Eingaben bereitstellen und Ausgaben über ein Mikrofon bzw. einen Lautsprecher empfangen, wenn die Mechanismen 228 Sprachverarbeitungsmechanismen beinhalten. Die Bedienerschnittstellenmechanismen 228 können beliebige einer breiten Vielfalt anderer akustischer, visueller oder haptischer Mechanismen beinhalten.
Das In-situ-Datensammelsystem 216 beispielsweise beinhaltet eine Datenaggregationslogik 234, eine Datenmesslogik 236, und es kann andere Elemente 238 beinhalten. Das Modellgeneratorsystem 218 beispielsweise beinhaltet einen Satz verschiedener Modellgenerierungsmechanismen 240-242, die verschiedene Schemata verwenden können, um prädiktive Modelle zu generieren, die in der Steuerung der Maschine 100 verwendet werden können. Zum Beispiel können sie prädiktive Modelle unter Verwendung einer linearen Funktion, verschiedener Funktionen, wie etwa einer Kurve, generieren, oder sie können verwendet werden, um verschiedene Arten von prädiktiven Modellen, wie etwa ein neuronales Netzwerk, ein Bayes-Modell usw., zu generieren. Das System 218 kann auch andere Elemente 244 beinhalten.
Das Modellbewertungssystem 220 beispielsweise empfängt ein oder mehrere prädiktive Modelle, die durch das Modellgeneratorsystem 218 erzeugt werden, und bewertet die Genauigkeit dieses Modells. Somit beinhaltet es einen Modellbewertungsauslöser 246, einen Modellqualitätsmetrikgenerator 248, eine Modellbewertungslogik 250 (die ihrerseits eine Schwellenwertlogik 252, eine Sortierlogik 254 und andere Elemente 256 beinhaltet), eine Modellauswahllogik 258, und sie kann andere Elemente 260 beinhalten.
Die Bewertungsauslöselogik 246 erkennt einen Bewertungsauslöser, der angibt, dass das Modellbewertungssystem 220 die Genauigkeit eines oder mehrerer prädiktiver Modelle bewerten soll. Diese Modelle können derzeit bei der Steuerung der Arbeitsmaschine 100 verwendet werden, oder sie können verschiedene Modelle sein, die als alternative Modelle generiert werden, die verwendet werden können, um das aktuelle Modell zu ersetzen, wenn das alternative Modell genauer ist. Einmal ausgelöst, erzeugt der Modellqualitätsmetrikgenerator 248 beispielsweise eine Modellqualitätsmetrik für ein analysiertes Modell. Ein Beispiel kann hilfreich sein.
Angenommen, das durch das System 218 erzeugte prädiktive Modell ist ein prädiktives Ertragsmodell, das einen Ertrag an verschiedenen Stellen auf dem geernteten Feld vorhersagt. Die Bewertungsauslöselogik 246 wird auf Grundlage einer beliebigen einer Vielzahl von verschiedenen Arten von Kriterien (von denen einige unten beschrieben werden) ausgelöst, sodass das Modellbewertungssystem 220 iterativ und dynamisch die Genauigkeit des prädiktiven Ertragsmodells während des Erntebetriebs bewertet. In diesem Fall ruft der Modellqualitätsmetrikgenerator 248 tatsächliche Ertragsdaten von Ertragssensoren 211 ab und bestimmt die Genauigkeit des prädiktiven Ertragsmodells, das er bewertet. Basierend auf dieser Genauigkeit generiert er eine Genauigkeitsbewertung oder Qualitätsbewertung. Er kann dies für ein oder mehrere verschiedene Modelle tun.
Die Modellbewertungslogik 250 bestimmt dann, ob das Modell qualifiziert ist, um verwendet zu werden, um die Maschine 100 zu steuern. Dies kann es auf eine Vielzahl unterschiedlicher Arten tun. Die Schwellenwertlogik 252 kann die durch den Generator 248 erzeugte Modellqualitätsmetrik mit einem Schwellenwert vergleichen, um festzustellen, ob das Modell angemessen arbeitet (oder arbeiten wird). Wenn mehrere Modelle gleichzeitig ausgewertet werden, kann die Sortierlogik 254 diese Modelle auf Grundlage der Modellqualitätsmetrik sortieren, die für jedes von ihnen generiert wird. Sie kann das leistungsstärkste Modell finden (für das die Modellqualitätsmetrik am höchsten ist), und die Schwellenwertlogik 252 kann dann bestimmen, ob die Modellqualitätsmetrik für dieses Modell dem Schwellenwert entspricht.
Die Modellauswahllogik 258 wählt dann auf der Grundlage der Modellqualitätsmetrik und ihrer Bewertung ein Modell aus, bei dem man angemessen arbeitet (oder arbeiten wird). Es stellt dem Steuerungssystem 224 das ausgewählte prädiktive Modell bereit, welches dieses Modell verwendet, um ein oder mehrere der verschiedenen steuerbaren Teilsysteme 226 zu steuern.
Somit kann das Steuerungssystem 224 eine Vorschubratensteuerungslogik 262, eine Einstellungssteuerungslogik 264, eine Routensteuerungslogik 266, eine Leistungssteuerungslogik 268 beinhalten, und es kann andere Elemente 270 beinhalten. Die steuerbaren Teilsysteme 226 können Sensoren 212, das Antriebsteilsystem 272, das Lenkungsteilsystem 274, einen oder mehrere verschiedene Aktuatoren 276, die verwendet werden können, um Maschineneinstellungen, Maschinenkonfiguration usw. zu ändern, das Leistungsnutzungsteilsystem 278 beinhalten, und es kann eine breite Vielfalt anderer Systeme 280 beinhalten, von denen einige oben in Bezug auf 1 beschrieben wurden.
Die Vorschubratensteuerungslogik 262 beispielsweise steuert das Antriebssystem 272 und/oder beliebige andere steuerbare Teilsysteme 226, um eine relativ konstante Vorschubrate auf Grundlage des Ertrags für den geografischen Standort, auf den die Erntemaschine 100 treffen wird, oder einer anderen durch das prädiktive Modell prognostizierten Eigenschaft aufrechtzuerhalten. Wenn das prädiktive Modell beispielsweise angibt, dass der prognostizierte Ertrag vor der Kombine (in Fahrtrichtung) reduziert wird, dann kann die Vorschubratensteuerungslogik 262 das Antriebssystem 272 steuern, um die Vorwärtsgeschwindigkeit der Arbeitsmaschine 100 zu erhöhen, um die Vorschubrate relativ konstant zu halten. Andererseits, wenn das prädiktive Modell angibt, dass der Ertrag vor der Arbeitsmaschine 100 relativ hoch sein wird, kann die Vorschubratensteuerungslogik 262 das Antriebssystem 272 so steuern, dass es langsamer wird, um wiederum die Vorschubrate auf einem relativ konstanten Niveau zu halten.
In ähnlicher Weise kann die Einstellungssteuerungslogik 264 Aktuatoren 276 steuern, um Maschineneinstellungen auf Grundlage der prognostizierten Charakteristik des Feldes, das geerntet wird, zu ändern (z. B. auf Grundlage des prognostizierten Ertrags oder einer anderen prognostizierten Charakteristik). Beispielsweise kann die Einstellungssteuerungslogik 264 Aktuatoren 276 betätigen, die den Dreschkorbabstand an einem Mähdrescher auf Grundlage des prognostizierten Ertrags oder der prognostizierten Biomasse, auf die der Mähdrescher treffen wird, ändern.
Die Routensteuerungslogik 266 kann das Lenkungsteilsystem 274 ebenfalls auf Grundlage des prädiktiven Modells steuern. Beispielsweise kann der Bediener 232 wahrgenommen haben, dass sich ein Gewitter nähert, und eine Eingabe über Bedienerschnittstellenmechanismen 228 bereitgestellt haben, die angibt, dass der Bediener 232 wünscht, dass das Feld in einer minimalen Zeitspanne geerntet wird. In diesem Fall kann das prädiktive Ertragsmodell Bereiche mit relativ hohem Ertrag identifizieren und die Routensteuerungslogik 266 kann das Lenkungsteilsystem 274 steuern, um diese Bereiche bevorzugt zuerst zu ernten, sodass ein Großteil des Ertrags vor dem Eintreffen des Gewitters von dem Feld eingebracht werden kann. Dies ist nur ein Beispiel. In einem anderen Beispiel kann es sein, dass das prädiktive Modell eine Bodeneigenschaft (wie etwa Bodenfeuchtigkeit, das Vorhandensein von Schlamm usw.) prognostiziert, die Traktion beeinflussen kann. Die Routensteuerungslogik 266 kann Lenkungsteilsysteme 274 steuern, um die Route oder Richtung der Arbeitsmaschine 100 auf Grundlage der prognostizierten Traktion auf verschiedenen Routen durch das Feld zu ändern.
Die Leistungssteuerungslogik 268 kann Steuersignale generieren, um das Leistungsnutzungsteilsystem 278 ebenfalls auf Grundlage des prognostizierten Werts zu steuern. Zum Beispiel kann sie Leistung verschiedenen Teilsystemen zuweisen, im Allgemeinen die Leistungsauslastung erhöhen oder die Leistungsauslastung verringern usw., basierend auf dem prädiktiven Modell. Dies sind nur Beispiele, und eine breite Vielfalt anderer Steuersignale kann verwendet werden, um auch andere steuerbare Teilsysteme auf unterschiedliche Weise zu steuern.
Die 3A-3C (hier gemeinsam als 3 bezeichnet) veranschaulichen ein Ablaufdiagramm, das ein Beispiel für den Betrieb der in 2 gezeigten Architektur 180 zeigt. Zunächst wird davon ausgegangen, dass die Arbeitsmaschine 100 bereit ist, einen Vorgang an einem Arbeitsort auszuführen. In dem Ablaufdiagramm von 3 ist dies durch Block 290 angegeben. Die Maschine kann mit anfänglichen Maschineneinstellungen ausgelegt sein, die vom Bediener bereitgestellt werden können oder die Standardeinstellungen für den Maschinenbetrieb sein können. Dies ist durch Block 292 angegeben. Ein prädiktives Modell, das zum Steuern der Arbeitsmaschine 100 verwendet werden kann, kann ebenfalls initialisiert werden. In diesem Fall können die Modellparameter auf Anfangswerte oder Standardwerte gesetzt werden, die empirisch bestimmt oder auf andere Weise bestimmt werden. Das Initialisieren des prädiktiven Modells wird durch Block 294 angegeben.
In einem anderen Beispiel kann ein prädiktives Modell während des anfänglichen Betriebs der Arbeitsmaschine 100 in dem Feld auf Grundlage der historischen Verwendung verwendet werden. Beispielsweise kann es sein, dass beim letzten Mal, als dieses aktuelle Feld geerntet wurde, bei dieser Erntegutart ein prädiktives Modell verwendet und gespeichert wurde. Dieses Modell kann abgerufen und als das anfängliche prädiktive Modell beim Steuern der Arbeitsmaschine 100 verwendet werden. Dies ist durch Block 296 angegeben. Die Arbeitsmaschine kann auch auf eine breite Vielfalt anderer Weisen ausgelegt und initialisiert werden, was durch Block 298 angegeben ist.
Das Kommunikationssystem 210 ist beispielhaft eine Art von System, das verwendet werden kann, um A-priori-Daten über das Netzwerk 188 von einem A-priori-Datenspeicher 186 abzurufen. Es erhält somit A-priori-Daten, die beispielsweise georeferenzierte Vegetationsindexdaten für das geerntete (oder demnächst zu erntende) Feld sind. Das Abrufen der A-priori-Daten wird durch Block 300 angegeben. Die A-priori-Daten, wie oben in Bezug auf 2 erörtert, können aus einer breiten Vielfalt von verschiedenen Arten von Datenquellen generiert werden, wie etwa aus Luftbildern 302, Wärmebildern 304, Temperatur von einem Sensor an einem Saatgutverfestiger, der verwendet wurde, um das Feld zu bepflanzen, wie durch Block 306 angegeben, oder einer breiten Vielfalt von anderen Datenquellen 308.
Sobald die A-priori-Daten abgerufen wurden, werden sie dem Modellgeneratorsystem 218 bereitgestellt, und die Arbeitsmaschine 100 beginnt (oder fährt fort), den Vorgang (z. B. den Erntevorgang) auszuführen. Dies ist durch Block 310 angegeben. Wiederum kann das Steuerungssystem 224 beginnen, steuerbare Teilsysteme 226 mit einem Standardsatz von Steuerparametern 312 unter manuellem Betrieb 314 unter Verwendung eines anfänglichen prädiktiven Modells (wie oben erörtert) 316 oder auf andere Weise zu steuern, wie durch Block 318 angegeben.
Während die Maschine 100 den Vorgang (z. B. den Erntevorgang) ausführt, erzeugen die Sensoren 212 beispielsweise In-situ-Daten (oder Felddaten), die für die verschiedenen erfassten Variablen während des Betriebs bezeichnend sind. Das Abrufen von In-situ- (oder Feld-) Daten von Sensoren an der Arbeitsmaschine 100 während des Vorgangs wird durch Block 320 in dem Ablaufdiagramm aus 3 angegeben. In dem hier erörterten Beispiel können die In-situ-Daten tatsächliche Ertragsdaten 322 sein, die von Ertragssensoren 211 generiert werden. Die Ertragssensoren 211 können, wie oben erörtert, Massenstromsensoren sein, die den Massenstrom von Korn erfassen, das in den Reinkorntank an der Maschine 100 eintritt. Dieser Massenstrom kann dann einer geographischen Position in dem Feld, von dem er geerntet wurde, zugeordnet werden, um einen tatsächlichen Ertragswert für diese geographische Position zu erhalten. Selbstverständlich können die In-situ- (oder Feld-) Daten in Abhängigkeit von der Art des zu generierenden prädiktiven Modells auch beliebige einer breiten Vielfalt anderer Arten von Daten 324 sein.
Bevor das Modellerzeugungssystem 218 dynamisch ein prädiktives Modell (z. B. eine Karte) erzeugen kann oder bevor das Modellbewertungssystem 220 die Genauigkeit eines prädiktiven Modells angemessen bewerten kann, müssen die Sensoren 212 ausreichende In-situ-Felddaten erzeugen, um die Modellerzeugung und/oder -bewertung aussagekräftig zu machen. Daher beinhaltet das In-situ-Datenerfassungssystem 216 in einem Beispiel eine Datenaggregationslogik 234, die die In-situ-Daten aggregiert, die durch die oder auf Grundlage der Ausgabe von den Sensoren 212 generiert werden. Die Datenmesslogik 236 kann diese Daten entlang verschiedener Kriterien verfolgen, um festzustellen, wann die Menge an In-situ-Daten ausreichend ist. In dem Ablaufdiagramm von 3 ist dies durch Block 326 angegeben. Bis dies geschieht, kehrt die Verarbeitung zu Block 320 zurück, wo die Maschine 100 weiterhin den Vorgang ausführt und die Datenaggregationslogik 234 weiterhin In-situ- (Feld-) Daten auf Grundlage der Ausgaben von Sensoren 212 (und möglicherweise auch anderer Informationen) aggregiert. In einem Beispiel erzeugt die Datenmesslogik 236 eine Datensammelmessgröße, die für eine Menge an In-situ-Daten bezeichnend sein kann, die gesammelt wurden. Dies ist durch Block 328 angegeben. Beispielsweise kann die konkrete Art von prädiktivem Modell, das generiert oder ausgewertet wird, am besten generiert oder ausgewertet werden, nachdem eine bestimmte Datenmenge generiert wurde. Dies kann durch die Datensammelmessgröße 328 angegeben werden.
Die Datenmesslogik 236 kann die Strecke messen, die die Maschine 100 in dem Feld zurückgelegt hat, während sie den Vorgang ausführt. Dies kann genutzt werden, um festzustellen, ob ausreichende In-situ- (Feld-) Daten aggregiert wurden, und es wird durch Block 330 angegeben.
Die Datenmesslogik 236 kann die Zeitdauer messen, in der die Maschine 100 den Vorgang ausführt, und dies kann einen Hinweis darauf geben, ob ausreichende In-situ-Daten abgerufen wurden. Dies ist durch Block 332 angegeben. Die Datenmesslogik 236 kann die Anzahl von Datenpunkten quantifizieren, die durch die Datenaggregationslogik 234 aggregiert wurden, um festzustellen, ob sie ausreichend ist. In dem Ablaufdiagramm von 3 ist dies durch Block 334 angegeben. Die Feststellung, ob ausreichend In-situ-Daten gesammelt wurden, kann auch auf eine breite Vielfalt anderer Weisen bestimmt werden, was durch Block 336 angegeben ist.
Sobald ausreichende In-situ-Daten gesammelt wurden, werden sie dem Modellgeneratorsystem 218 (das auch die A-priori-Daten empfangen hat) bereitgestellt. Das System 218 verwendet mindestens einen der Modellgenerierungsmechanismen 240-242, um ein prädiktives Modell unter Verwendung der A-priori-Daten und der In-situ-Daten zu generieren. In dem Ablaufdiagramm von 3 ist dies durch Block 338 angegeben. Es ist auch anzumerken, dass, wie nachfolgend erörtert, selbst nachdem ein prädiktives Modell generiert wurde und verwendet wird, um die Arbeitsmaschine 100 zu steuern, es iterativ auf Grundlage des fortgesetzten Empfangs von In-situ-Daten ausgewertet und aktualisiert (oder verfeinert) werden kann. Somit kann es bei Block 338, wo bereits ein prädiktives Modell generiert wurde, dynamisch und iterativ aktualisiert und verbessert werden.
In einem Beispiel wird das prädiktive Modell durch Aufteilen der In-situ-Daten in Trainingsdaten und Validierungsdatensätze generiert. Dies ist durch Block 340 angegeben. Die Trainingsdaten können zusammen mit den A-priori-Daten einem Modellgenerierungsmechanismus (wie etwa Mechanismus 240) zugeführt werden, um das prädiktive Modell zu generieren. Dies ist durch Block 342 angegeben. Es sei angemerkt, dass zusätzliche Modellgenerierungsmechanismen 242 verwendet werden können, um alternative prädiktive Modelle zu generieren. Gleichermaßen kann sogar der gleiche Modellgenerierungsmechanismus 240, der das zu analysierende prädiktive Modell erzeugt hat, verwendet werden, um alternative prädiktive Modelle unter Verwendung eines anderen Satzes von A-priori-Daten zu generieren. Das Verwenden eines alternativen Satzes von A-priori-Daten oder eines alternativen Modellgenerierungsmechanismus zum Generieren alternativer Modelle wird durch Block 344 angegeben.
Die Modellgenerierungsmechanismen 240-242 können eine breite Vielfalt von verschiedenen Arten von Mechanismen beinhalten, wie etwa ein lineares Modell, ein Polynomkurvenmodell, ein neuronales Netzwerk, ein Bayes-Modell oder andere Modelle. Dies ist durch Block 346 angegeben. Das prädiktive Modell kann auch auf eine breite Vielfalt anderer Weisen generiert und/oder dynamisch aktualisiert werden, was durch Block 348 angegeben ist.
Sobald ein prädiktives Modell generiert oder aktualisiert wurde, bewertet das Modellbewertungssystem 220 dieses Modell durch Generieren einer Modellqualitätsmetrik für das prädiktive Modell. In dem Ablaufdiagramm von 3 ist dies durch Block 350 angegeben. Beispielsweise kann die Bewertungsauslöselogik 246 einen Bewertungsauslöser erkennen, der angibt, dass ein Modell bewertet werden soll. Dies ist durch Block 352 angegeben. Beispielsweise kann das Bewertungssystem 220 einfach durch die Tatsache ausgelöst werden, dass das Modellgeneratorsystem 218 ihm ein prädiktives Modell zur Bewertung bereitstellt. In einem anderen Beispiel kann ein prädiktives Modell bereits bei der Steuerung der Arbeitsmaschine 100 verwendet werden, es ist jedoch intermittierend oder periodisch zu bewerten. In diesem Fall, wenn das Intervall für die Bewertung verstrichen ist, kann dies die Bewertungsauslöselogik 246 auslösen. In noch einem weiteren Beispiel kann es sein, dass derzeit ein prädiktives Modell verwendet wird, um die Arbeitsmaschine 100 zu steuern, aber eine Reihe von verschiedenen alternativen Modellen ebenfalls generiert wurde und nun zur Bewertung zur Verfügung steht. In diesem Fall können die alternativen Modelle bewertet werden, um festzustellen, ob sie besser als das derzeit verwendete prädiktive Modell funktionieren werden. Dies kann auch ein Auslöser für die Bewertungsauslöselogik 246 sein. Die Modellbewertung kann auch während des Betriebs kontinuierlich erfolgen.
In einem anderen Beispiel kann der Bewertungsauslöser erkannt werden, was angibt, dass ein prädiktives Modell auf Grundlage des Vorhandenseins eines aperiodischen Ereignisses bewertet werden soll. Zum Beispiel kann es sein, dass der Bediener 232 eine Eingabe bereitstellt, die angibt, dass der Bediener ein alternatives Modell bewerten lassen möchte. Gleichermaßen kann es sein, dass das Modellgeneratorsystem 218 neue A-priori-Daten oder einen neuen Modellgenerierungsmechanismus empfängt. Alle diese oder andere Ereignisse können das Modellbewertungssystem 220 auslösen, um ein prädiktives Modell zu bewerten. Gleichermaßen kann, auch wenn das aktuelle prädiktive Modell ausreichend arbeitet, ein alternatives Modellintervall eingestellt werden, bei dem verfügbare alternative Modelle bewertet werden, um sicherzustellen, dass das aktuell verwendete Modell das beste zum Steuern der Maschine 100 ist. Wenn also das alternative Modellbewertungsintervall abgelaufen ist, kann dies die Modellbewertungslogik veranlassen, auch ein neues Modell zu bewerten.
Um eine Modellqualitätsmetrik für das zu analysierende prädiktive Modell zu berechnen, wendet der Modellqualitätsmetrikgenerator 248 den In-situ-Validierungsdatensatz beispielhaft auf das zu analysierende Modell an. Dies ist durch Block 354 angegeben. Er erzeugt dann beispielsweise eine Fehlermetrik, die den Fehler des Modells misst. Dies ist durch Block 356 angegeben. In einem Beispiel ist die Fehlermetrik die r²-Fehlermetrik, die das Quadrat des Fehlers des Modells misst. Die Modellqualitätsmetrik für das zu analysierende prädiktive Modell kann auch unter Verwendung einer breiten Vielfalt an Qualitätsmetrikmechanismen erzeugt werden. Dies ist durch Block 358 angegeben.
Sobald die Modellqualitätsmetrik für das zu analysierende prädiktive Modell generiert wurde, bestimmt die Modellbewertungslogik, ob dieses Modell zum Steuern der Maschine 100 verwendet werden sollte. Dies ist durch Block 360 angegeben. Zum Beispiel kann die Schwellenwertlogik 252 feststellen, ob die Modellqualitätsmetrik einen Schwellenwert erfüllt. Dies ist durch Block 362 angegeben. Der Schwellenwert kann auf Grundlage von Faktoren wie etwa der konkreten Anwendung, in der die Maschine 100 verwendet wird, historischer Erfahrung usw. festgelegt werden. In einem Beispiel, in dem der r²-Wert als die Qualitätsmetrik verwendet wird, kann ein Schwellenwert von 0,7 oder mehr verwendet werden. Dies ist nur ein Beispiel, und der Schwellenwert kann auch kleiner oder größer als 0,7 sein.
Wenn mehrere verschiedene prädiktive Modelle erzeugt wurden, kann die Sortierlogik 254 die Modelle auf Grundlage der Qualitätsmetrik sortieren. Eine Entscheidung, ob das zu analysierende Modell verwendet werden soll, kann anhand seines Ranges in der sortierten Liste der Modelle getroffen werden. Dies ist durch Block 364 angegeben. Die Modellbewertungslogik 250 kann feststellen, ob das zu analysierende Modell auch auf andere Weise verwendet werden soll, was durch Block 366 angegeben ist.
Wenn bei Block 360 festgestellt wird, dass das analysierte Modell verwendet werden soll, dann wählt die Modellauswahllogik 358 dieses Modell aus und stellt es dem Steuerungssystem 224 zur Verwendung beim Steuern der Maschine 100 bereit. Das Steuerungssystem 224 erzeugt dann Steuersignale, um ein oder mehrere steuerbare Teilsysteme 226 unter Verwendung des qualifizierten Modells zu steuern. Dies ist durch Block 368 (3B) im Ablaufdiagramm aus 3 angegeben. Beispielsweise kann das prädiktive Modell verwendet werden, um Ertrag oder Biomasse oder andere Eigenschaften zu prognostizieren, auf welche die Arbeitsmaschine 100 treffen wird. Dies ist durch Block 370 angegeben. Die verschiedenen unterschiedlichen Arten von Logik im Steuerungssystem 224 können Steuersignale auf Grundlage der Prognose generieren, die durch das prädiktive Modell bereitgestellt wird. Dies ist durch Block 372 angegeben. Das qualifizierte Modell kann verwendet werden, um Steuersignale auch auf eine breite Vielfalt anderer Weisen zu generieren, was durch Block 374 angegeben ist.
Die Steuersignale werden dann an eines oder mehrere der steuerbaren Teilsysteme angelegt, um die Maschine 100 zu steuern. In dem Ablaufdiagramm von 3 ist dies durch Block 376 angegeben. Zum Beispiel kann, wie oben erörtert, die Vorschubratensteuerungslogik 262 Steuersignale erzeugen und sie an das Antriebssystem 272 anlegen, um die Geschwindigkeit der Maschine 100 zu steuern, um eine Vorschubrate aufrechtzuerhalten. Dies ist durch Block 378 angegeben. Die Einstellungssteuerungslogik 264 kann Steuersignale generieren, um Einstellungsaktuatoren 276 zu steuern, um die Maschineneinstellungen oder -konfiguration anzupassen. Dies ist durch Block 380 angegeben. Die Routensteuerungslogik 266 kann Steuersignale erzeugen und sie auf das Lenkungsteilsystem 274 anwenden, um die Lenkung der Maschine 100 zu steuern. Dies ist durch Block 382 angegeben. Die Leistungssteuerungslogik 268 kann Steuersignale erzeugen und sie an das Leistungsnutzungsteilsystem 278 anlegen, um die Leistungsnutzung der Maschine 100 zu steuern. Dies ist durch Block 384 angegeben. Eine breite Vielfalt von anderen Steuersignalen kann erzeugt und auf eine breite Vielfalt von anderen steuerbaren Teilsystemen angewendet werden, um auch die Maschine 100 zu steuern. Dies ist durch Block 386 angegeben.
Bis der Vorgang abgeschlossen ist, wie durch Block 388 angegeben, setzt das In-situ-Datensammelsystem beispielsweise die In-situ-Datensammelmessgröße, die durch die Datenmesslogik 236 generiert wurde, zurück, sodass festgestellt werden kann, ob eine ausreichende Menge an In-situ-Daten erfasst wurde, um das aktuelle Modell (oder ein anderes Modell) neu zu bewerten. Das Zurücksetzen der In-situ-Datensammelmessgröße ist in dem Ablaufdiagramm von 3 durch Block 390 angegeben. Wie oben erörtert, wird selbst dann, wenn ein aktuelles Modell bewertet wurde und ausreichend genau ist, um die Arbeitsmaschine 100 zu steuern, dasselbe Modell iterativ bewertet und verfeinert, da mehr In-situ- (Feld-) Daten abgerufen werden. Wenn sich die Feldbedingungen ändern, kann es sein, dass das Modell nicht mehr so genau ist, wie es ursprünglich war. Somit wird es iterativ und dynamisch bewertet, während die Maschine 100 den Vorgang ausführt, um sicherzustellen, dass es ausreichend genau ist, um bei der Steuerung der Maschine 100 verwendet zu werden. Sobald also die In-situ-Datensammelmessgröße bei Block 390 zurückgesetzt wurde, kehrt die Verarbeitung zu Block 320 zurück, wo die Datenaggregationslogik 234 weiterhin In-situ-Daten aggregiert, bis genug aggregiert wurde, um einen weiteren Bewertungs- oder Modellgenerierungsschritt auszuführen.
Zurückkehrend zu Block 360 in 3, wenn das Modellbewertungssystem 220 feststellt, dass das zu analysierende prädiktive Modell nicht von ausreichend hoher Qualität ist, um von dem Steuerungssystem 224 beim Steuern der Maschine 100 verwendet zu werden, dann löst dies die Bewertungsauslöselogik 246 aus, um festzustellen, ob es alternative Modelle gibt, die generiert oder bewertet werden können, um festzustellen, ob sie anstelle des soeben bewerteten Modells verwendet werden sollten. Das Feststellen, ob es andere Modelle gibt, ist in dem Ablaufdiagramm von 3 durch Block 392 (3C) angegeben. Wiederum kann ein alternatives Modell generiert werden oder verfügbar sein, da andere A-priori-Daten (z. B. alternative A-priori-Daten 204) empfangen wurden, sodass ein alternatives Modell generiert werden kann oder bereits generiert wurde. Dies ist durch Block 392 angegeben. Darüber hinaus kann es sein, dass ein anderer Modellgenerierungsmechanismus 240-242 verwendet werden kann (sogar für die gleichen A-priori-Daten, die vorher verwendet wurden), um ein alternatives Modell zu erzeugen, das bewertet werden kann. Dies ist durch Block 394 angegeben.
In einem anderen Beispiel kann es sein, dass sowohl ein neuer Modellgenerierungsmechanismus empfangen wurde als auch neue A-priori-Daten empfangen wurden, sodass ein alternatives Modell unter Verwendung des neuen Mechanismus und neuer A-priori-Daten erzeugt werden kann (oder bereits erzeugt wurde). In dem Ablaufdiagramm von 3 ist dies durch Block 396 angegeben. Die Feststellung, ob alternative Modelle generiert oder bewertet werden können, kann auch auf eine breite Vielfalt anderer Weisen vorgenommen werden, was durch Block 398 angegeben ist.
Wenn bei Block 392 festgestellt wird, dass es keine alternativen Modelle zum Generieren oder Bewerten gibt, dann zeigt die Modellbewertungslogik 220 dies den Bedienerschnittstellenmechanismen 228 an, und dem Bediener 232 wird eine Nachricht angezeigt, die angibt, dass die Steuerung der Maschine 100 zur manuellen oder voreingestellten Steuerung zurückkehrt. In diesem Fall empfängt das Steuerungssystem 224 Steuerungseingaben von dem Bediener 232 über Bedienerschnittstellenmechanismen 228, oder es kann voreingestellte Eingaben empfangen, oder es kann unter Verwendung eines Standardmodells zur Steuerung zurückkehren. In dem Ablaufdiagramm von 3 ist dies durch Block 400 angegeben.
Wenn jedoch bei Block 392 festgestellt wird, dass es alternative Modelle gibt, die generiert werden können oder die generiert wurden und zur Bewertung bereit sind, dann wird die Verarbeitung bei Block 402 fortgesetzt, wo eines oder mehrere der alternativen Modelle generiert und/oder bewertet werden, um festzustellen, ob sie von ausreichender Qualität sind, um in der Arbeitsmaschine 100 verwendet zu werden. Die Bewertung kann wie oben unter Bezugnahme auf die 338-360 in dem Ablaufdiagramm aus 3 beschrieben erfolgen.
Die Modellauswahllogik 258 stellt dann fest, ob eines der zu bewertenden Modelle eine Qualitätsmetrik aufweist, die hoch genug ist, um zum Steuern der Maschine 100 verwendet zu werden. Dies ist durch Block 404 angegeben. Falls nicht, kehrt die Verarbeitung zu Block 400 zurück. Es ist auch anzumerken, dass in einem Beispiel mehrere alternative Modelle alle im Wesentlichen gleichzeitig bewertet werden. In diesem Fall kann die Modellauswahllogik 258 das beste alternative Modell (unter der Annahme, dass seine Qualität gut genug ist) zum Steuern der Maschine 100 auswählen. In einem anderen Beispiel wird zu einem gegebenen Zeitpunkt nur ein alternatives Modell bewertet.
Wenn in jedem Beispiel bei Block 404 die Modellbewertungslogik 250 ein Modell identifiziert, das eine ausreichend hohe Qualitätsmetrik zum Steuern der Maschine 100 aufweist, dann wählt die Modellauswahllogik 258 dieses Modell zum Steuern auf Grundlage der Auswahlkriterien aus. Dies ist durch Block 406 angegeben. Auch hier, wo mehrere Modelle bewertet werden, kann die Modellauswahllogik 258 einfach das erste Modell auswählen, das eine Qualitätsmetrik über einem Schwellenwert aufweist. Dies ist durch Block 408 angegeben. In einem anderen Beispiel kann die Sortierlogik 254 alle bewerteten Modelle auf Grundlage ihrer Qualitätsmetrik sortieren, und die Modellauswahllogik 258 kann das Modell mit dem besten Qualitätsmetrikwert auswählen. Dies ist durch Block 410 angegeben. Das Modell kann auch auf andere Weise ausgewählt werden, was durch Block 412 angegeben ist. Sobald das Modell ausgewählt ist, wird die Verarbeitung bei Block 368 fortgesetzt, wo dieses Modell verwendet wird, um Steuersignale zum Steuern der Maschine 100 zu erzeugen.
Bisher wurde in der Beschreibung davon ausgegangen, dass ein prädiktives Modell von dem Steuerungssystem 224 verwendet wird, um die steuerbaren Teilsysteme 226 zu steuern. Es kann jedoch sein, dass von dem Steuerungssystem 224 verschiedene prädiktive Modelle verwendet werden, um verschiedene steuerbare Teilsysteme zu steuern. Darüber hinaus können die Ergebnisse einer Vielzahl von unterschiedlichen prädiktiven Modellen zur Steuerung einer Vielzahl unterschiedlicher steuerbarer Teilsysteme verwendet werden. Ebenso kann es sein, dass die Modelle spezifisch für einen bestimmten Aktuator oder Satz von Aktuatoren sind. In diesem Beispiel kann ein prädiktives Modell verwendet werden, um Steuersignale zu erzeugen, um einen einzelnen Aktuator oder einen Satz von Aktuatoren zu steuern.
4 ist ein Ablaufdiagramm, das ein Beispiel für den Betrieb der Architektur 180 in einem Beispiel veranschaulicht, in dem mehrere verschiedene prädiktive Modelle verwendet werden, um verschiedene steuerbare Teilsysteme zu steuern. Es wird daher zunächst angenommen, dass das Modellgeneratorsystem 218 identifiziert, dass anstelle eines einzelnen prädiktiven Modells ein Satz von spezifischen prädiktiven Modellen zum Steuern der Maschine 100 verwendet werden soll. In dem Ablaufdiagramm von 4 ist dies durch Block 420 angegeben. Die prädiktiven Modelle können teilsystemspezifische Modelle sein, sodass ein anderes prädiktives Modell verwendet wird, um jedes der verschiedenen steuerbaren Teilsysteme 226 zu steuern. In dem Ablaufdiagramm von 4 ist dies durch Block 422 angegeben. Sie können aktuatorspezifische Modelle sein, sodass ein anderes prädiktives Modell von dem Steuerungssystem 224 verwendet wird, um einen anderen Aktuator oder Satz von Aktuatoren zu steuern. Dies ist durch Block 424 angegeben. Die Modelle können auf andere Weise konfiguriert sein, sodass beispielsweise das Ergebnis einer Vielzahl von verschiedenen Modellen verwendet wird, um ein einzelnes Teilsystem zu steuern, oder so, dass ein einzelnes Modell verwendet wird, um eine Teilmenge der steuerbaren Teilsysteme zu steuern, während ein anderes Modell verwendet wird, um die verbleibenden steuerbaren Teilsysteme oder eine andere Teilmenge dieser Teilsysteme zu steuern. Das Identifizieren der Gruppe spezifischer prädiktiver Modelle auf sonstige Weisen ist in dem Ablaufdiagramm von 4 durch Block 426 angegeben.
In diesem Beispiel generiert das Modellgeneratorsystem 218 dann einen Satz spezifischer prädiktiver Modelle, die bewertet werden sollen, und das Modellbewertungssystem 220 bewertet diese spezifischen prädiktiven Modelle. Das Modellbewertungssystem 220 beispielsweise identifiziert ein qualifiziertes Modell, das jedem Teilsystem/Aktuator (oder einer Teilmenge der Teilsysteme/Aktuatoren) an der Arbeitsmaschine 100 entspricht. In dem Ablaufdiagramm von 4 ist dies durch Block 428 angegeben.
Die Modellauswahllogik 258 wählt ein Modell für jedes der Systeme/Aktuatoren aus und stellt es dem Steuerungssystem 224 bereit. Das Steuerungssystem 224 verwendet die qualifizierten Modelle, um Signale für die entsprechenden Teilsysteme/Aktuatoren (oder eine Teilmenge von Teilsystemen/Aktuatoren) zu erzeugen. In dem Ablaufdiagramm von 4 ist dies durch Block 430 angegeben.
Beispielsweise kann es sein, dass die Traktion auf dem Feld durch ein prädiktives Modell modelliert wird. Die Ausgabe dieses Modells kann von dem Steuerungssystem 224 verwendet werden, um das Lenkungsteilsystem 274 so zu steuern, dass es um schlammige oder nasse Bereiche, in denen die Traktion voraussichtlich unzureichend ist, herumgelenkt wird. Die In-situ-Daten können in diesem Fall Bodenfeuchtigkeitsdaten sein, die von einem Bodenfeuchtigkeitssensor an der Maschine 100 erfasst und als die tatsächlichen In-situ-Felddaten für das prädiktive Traktionsmodell bereitgestellt werden. In einem anderen Beispiel kann der Hubaktuator des Erntevorsatzes durch ein separates prädiktives Modell gesteuert werden, das Topographie vorhersagt. Die In-situ-Daten können die tatsächliche Topographie angeben, über die die Maschine 100 fährt. Natürlich gibt es eine breite Vielfalt anderer Arten von prädiktiven Modellen, die von dem Steuerungssystem 224 verwendet werden können, um einzelne Aktuatoren, Sätze von Aktuatoren, einzelne Teilsysteme, Sätze von Teilsystemen usw. zu steuern.
Wie bei dem einzelnen Modellbeispiel, das oben in Bezug auf 3 erörtert wurde, wird jedes von der Vielzahl von unterschiedlichen prädiktiven Modellen beispielhaft dynamisch und iterativ bewertet. Ebenso können sie jeweils durch ein alternatives Modell ersetzt werden, wenn bei der Bewertung festgestellt wird, dass ein alternatives Modell besser funktioniert. Somit werden in einem solchen Beispiel mehrere prädiktive Modelle kontinuierlich, dynamisch und iterativ aktualisiert, verbessert und anhand alternativer Modelle bewertet. Die zur Steuerung verwendeten Modelle können aufgrund der Bewertungsergebnisse während des Betriebs der Arbeitsmaschine auf dem Feld nahezu in Echtzeit gegen alternative Modelle ausgetauscht werden. Das Fortsetzen der Laufzeitbewertung auf diese Weise ist in dem Ablaufdiagramm von 4 durch Block 432 angegeben.
In der vorliegenden Erläuterung wurden Prozessoren und Server erwähnt. In einer Ausführungsform beinhalten die Prozessoren und Server Rechnerprozessoren mit zugehörigem Speicher und Zeitsteuerungsschaltungen, die nicht separat dargestellt sind. Sie sind funktionale Teile der Systeme oder Vorrichtungen, zu denen sie gehören, und werden von diesen aktiviert und erleichtern die Funktionalität der anderen Komponenten oder Elemente in diesen Systemen.
Es wird darauf hingewiesen, dass die vorstehende Erläuterung eine Vielzahl von verschiedenen Systemen, Komponenten und/oder Logiken beschrieben hat. Es versteht sich, dass solche Systeme, Komponenten und/oder Logik aus Hardwareelementen (wie etwa Prozessoren und zugehörigem Speicher oder anderen Verarbeitungskomponenten, von denen einige unten beschrieben werden) bestehen können, die die Funktionen ausführen, die diesen Systemen, Komponenten und/oder dieser Logik zugeordnet sind. Darüber hinaus können die Systeme, Komponenten und/oder Logik aus Software bestehen, die in einen Speicher geladen wird und anschließend von einem Prozessor oder Server oder einer anderen Rechenkomponente ausgeführt wird, wie nachfolgend beschrieben. Die Systeme, Komponenten und/oder Logik können auch aus verschiedenen Kombinationen von Hardware, Software, Firmware usw. bestehen, von denen einige Beispiele nachfolgend beschrieben werden. Dies sind nur einige Beispiele für verschiedene Strukturen, die zur Ausbildung der oben beschriebenen Systeme, Komponenten und/oder Logik verwendet werden können. Es können auch andere Strukturen verwendet werden.
Auch eine Anzahl von Benutzeroberflächenanzeigen wurde diskutiert. Sie können breite Vielfalt von verschiedenen Formen annehmen und mit einer breiten Vielfalt vom Benutzer betätigbarer Eingabemechanismen versehen sein. Beispielsweise können die vom Benutzer betätigbaren Eingabemechanismen Textfelder, Kontrollkästchen, Symbole, Links, Dropdown-Menüs, Suchfelder usw. sein. Sie können auch in einer breiten Vielfalt unterschiedlicher Weisen betätigt werden. Beispielsweise können sie mit einem Zeige-and-Klick-Gerät (wie Trackball oder Maus) betätigt werden. Sie können über Hardwaretasten, Schalter, einen Joystick oder eine Tastatur, Daumenschalter oder Daumenauflagen usw. betätigt werden. Sie können auch über eine virtuelle Tastatur oder andere virtuelle Aktuatoren betätigt werden. Darüber hinaus können sie, wenn der Bildschirm, auf dem sie angezeigt werden, ein berührungsempfindlicher Bildschirm ist, durch Berührungsgesten betätigt werden. Wenn die Vorrichtung, die sie anzeigt, Spracherkennungskomponenten aufweist, können sie auch mit Sprachbefehlen betätigt werden.
Es wurde auch eine Reihe von Datenspeichern diskutiert. Es wird darauf hingewiesen, dass sie jeweils in mehrere Datenspeicher aufgegliedert werden können. Alle können lokal zu den Systemen sein, die auf sie zugreifen, alle können entfernt sein, oder einige können lokal sein, während andere entfernt sind. Alle diese Konfigurationen werden hier in Betracht gezogen.
Die Figuren zeigen auch eine Anzahl von Blöcken mit Funktionalität, die jedem Block zugeordnet ist. Es wird darauf hingewiesen, dass weniger Blöcke verwendet werden können, sodass die Funktionalität von weniger Komponenten ausgeführt wird. Auch können mehr Blöcke verwendet werden, wobei die Funktionalität auf mehr Komponenten verteilt ist.
5 ist ein Blockdiagramm der Erntemaschine 100, die in 2 gezeigt ist, mit der Ausnahme, dass sie mit Elementen in einer Remote-Server-Architektur 500 kommuniziert. In einem Beispiel kann die Remote-Server-Architektur 500 Rechen-, Software- , Datenzugriffs- und Speicherdienste bereitstellen, die kein Endbenutzerwissen über den physischen Standort oder die Konfiguration des Systems erfordern, das die Dienste bereitstellt. In verschiedenen Beispielen können Remote-Server die Dienste über ein Weitverkehrsnetzwerk, wie etwa das Internet, unter Verwendung geeigneter Protokolle bereitstellen. Remote-Server können beispielsweise Anwendungen über ein Weitverkehrsnetzwerk bereitstellen; auf sie kann über einen Webbrowser oder eine beliebige andere Rechenkomponente zugegriffen werden. Die in 2 gezeigte Software oder Komponenten sowie die entsprechenden Daten können auf Servern an einem entfernten Ort gespeichert werden. Die Rechenressourcen in einer Remote-Server-Umgebung können an einem Remote-Rechenzentrumsstandort konsolidiert oder verteilt werden. Remote-Server-Infrastrukturen können Dienste über gemeinsam genutzte Rechenzentren bereitstellen, auch wenn sie als ein einziger Zugriffspunkt für den Benutzer erscheinen. Somit können die hier beschriebenen Komponenten und Funktionen von einem Remote-Server an einem entfernten Standort unter Verwendung einer Remote-Server-Architektur bereitgestellt werden. Alternativ können sie von einem herkömmlichen Server bereitgestellt werden, oder sie können direkt oder auf andere Weise auf Client-Geräten installiert werden.
In dem in 5 gezeigten Beispiel ähneln einige Elemente den in 2 gezeigten, und sie sind ähnlich nummeriert. 5 zeigt insbesondere, dass sich das Modellgenerierungssystem 218, das Modellbewertungssystem 220 und der A-priori-Datenspeicher 186 an einem Remote-Server-Standort 502 befinden können. Daher greift die Erntemaschine 100 über den entfernten Serverstandort 502 auf diese Systeme zu.
5 zeigt auch ein weiteres Beispiel einer Remote-Server-Architektur. 4 zeigt, dass auch in Betracht gezogen wird, dass einige Elemente aus 2 am Remote-Server-Standort 502 angeordnet sind, während andere dies nicht sind. Beispielsweise kann der Datenspeicher 186 an einer Stelle getrennt von der Stelle 502 angeordnet sein und über den Remote-Server an der Stelle 502 auf ihn zugegriffen werden. Unabhängig davon, wo sie sich befinden, kann von der Erntemaschine 100 direkt über ein Netzwerk (entweder ein Weitverkehrsnetzwerk oder ein lokales Netzwerk) auf sie zugegriffen werden, sie können an einem entfernten Ort von einem Dienst gehostet werden, oder sie können als Dienst bereitgestellt werden, oder es kann auf sie von einem Verbindungsdienst zugegriffen werden, der sich an einem entfernten Ort befindet. Auch können die Daten an im Wesentlichen jedem Ort gespeichert und von interessierten Parteien in Abständen abgerufen oder an sie weitergeleitet werden. Beispielsweise können anstelle von oder zusätzlich zu elektromagnetischen Wellenträgern physische Träger verwendet werden. In einem solchen Beispiel, in dem die Zellenabdeckung schlecht oder nicht vorhanden ist, kann eine andere mobile Maschine (wie etwa ein Tanklastwagen) ein automatisiertes Informationserfassungssystem aufweisen. Wenn sich die Erntemaschine zum Betanken dem Tanklastwagen nähert, sammelt das System automatisch die Informationen von der Erntemaschine oder überträgt Informationen an die Erntemaschine über jede Art von drahtloser Ad-hoc-Verbindung. Die gesammelten Informationen können dann an das Hauptnetzwerk weitergeleitet werden, wenn der Tanklastwagen einen Ort erreicht, an dem eine Mobilfunkabdeckung (oder eine andere drahtlose Abdeckung) besteht. Zum Beispiel kann der Tanklastwagen in einen abgedeckten Ort gelangen, wenn er zum Betanken anderer Maschinen fährt oder wenn er sich an einem Hauptkraftstofflagerort befindet. Alle diese Architekturen werden hier in Betracht gezogen. Ferner können die Informationen auf der Erntemaschine gespeichert werden, bis die Erntemaschine einen abgedeckten Ort erreicht. Die Erntemaschine selbst kann dann die Informationen an das/von dem Hauptnetzwerk senden und empfangen.
Es wird auch angemerkt, dass die Elemente der 2 oder Teile davon auf einer breiten Vielfalt von unterschiedlichen Vorrichtungen angeordnet sein können. Einige dieser Vorrichtungen beinhalten Server, Desktop-Rechner, Laptop-Rechner, Tablet-Rechner oder andere mobile Vorrichtungen, wie Palm-Top-Rechner, Handys, Smartphones, Multimedia-Player, persönliche digitale Assistenten usw.
6 ist ein vereinfachtes Blockdiagramm eines veranschaulichenden Beispiels einer tragbaren oder mobilen Rechenvorrichtung, die als tragbare Vorrichtung 16 eines Benutzers oder Clients verwendet werden kann, in der das vorliegende System (oder Teile davon) eingesetzt werden kann. Zum Beispiel kann eine mobile Vorrichtung in der Bedienerkabine der Erntemaschine 100 zur Verwendung beim Erzeugen, Verarbeiten oder Anzeigen der Stuhlbreiten- und -positionsdaten eingesetzt werden. 7-8 sind Beispiele für tragbare oder mobile Vorrichtungen.
6 stellt ein allgemeines Blockdiagramm der Komponenten einer Client-Vorrichtung 16 bereit, die einige in 2 gezeigte Komponenten ausführen kann, die mit ihnen interagiert, oder beide. In der Vorrichtung 16 ist eine Kommunikationsverbindung 13 bereitgestellt, die es der tragbaren Vorrichtung ermöglicht, mit anderen Rechenvorrichtungen zu kommunizieren, und gemäß einigen Ausführungsformen einen Kanal zum automatischen Empfangen von Informationen bereitstellt, wie etwa durch Scannen. Beispiele für eine Kommunikationsverbindung 13 beinhalten das Zulassen von Kommunikation durch ein oder mehrere Kommunikationsprotokolle, wie etwa drahtlose Dienste, die verwendet werden, um zellularen Zugriff auf ein Netzwerk bereitzustellen, sowie Protokolle, die lokale drahtlose Verbindungen zu Netzwerken bereitstellen.
In anderen Beispielen können Anwendungen auf einer abnehmbaren Secure-Digital-Karte (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 den vorhergehenden Figuren umfassen kann) entlang eines Busses 19, der ebenfalls mit dem Speicher 21 und den Ein-/Ausgabekomponenten (E/A-Komponenten) 23 sowie der Uhr 25 und dem Ortungssystem 27 verbunden ist.
In einem Beispiel sind E/A-Komponenten 23 bereitgestellt, um Eingabe- und Ausgabevorgänge zu erleichtern. E/A-Komponenten 23 für verschiedene Ausführungsformen der Vorrichtung 16 können Eingabekomponenten wie etwa Tasten, Berührungssensoren, optische Sensoren, Mikrofone, Berührungsbildschirme, Näherungssensoren, Beschleunigungsmesser, Orientierungssensoren und Ausgabekomponenten wie etwa eine Anzeigevorrichtung, einen Lautsprecher und/oder einen Druckeranschluss beinhalten. Es können auch andere E/A-Komponenten 23 verwendet werden.
Die Uhr 25 umfasst beispielsweise eine Echtzeit-Uhrkomponente, die eine Uhrzeit und ein Datum ausgibt. Sie kann beispielsweise auch Zeitsteuerungsfunktionen für den Prozessor 17 bereitstellen.
Das Ortungssystem 27 beinhaltet beispielsweise eine Komponente, die einen aktuellen geografischen Standort der Vorrichtung 16 ausgibt. Diese kann beispielsweise einen GPS-Empfänger (Global Positioning System), ein LORAN-System, ein Koppelnavigationssystem, ein zellulares Triangulationssystem oder ein anderes Positionsbestimmungssystem beinhalten. Sie kann beispielsweise auch Kartierungssoftware oder Navigationssoftware beinhalten, die gewünschte Karten, Navigationsrouten und andere geografische Funktionen generiert.
Der Speicher 21 speichert das Betriebssystem 29, die Netzwerkeinstellungen 31, die Anwendungen 33, die Anwendungskonfigurationseinstellungen 35, den Datenspeicher 37, die Kommunikationstreiber 39 und die Kommunikationskonfigurationseinstellungen 41. Der Speicher 21 kann alle Arten von materiellen flüchtigen und nichtflüchtigen rechnerlesbaren Speichervorrichtungen beinhalten. Er kann auch Rechnerspeichermedien (unten beschrieben) umfassen. Der Speicher 21 speichert rechnerlesbare Anweisungen, die, wenn sie durch den Prozessor 17 ausgeführt werden, den Prozessor veranlassen, rechnerimplementierte Schritte oder Funktionen gemäß den Anweisungen auszuführen. Der Prozessor 17 kann durch andere Komponenten aktiviert werden, um auch deren Funktionalität zu erleichtern.
7 zeigt ein Beispiel, bei dem die Vorrichtung 16 ein Tablet-Rechner 600 ist. In 7 ist der Rechner 600 mit einem Benutzerschnittstellenanzeigebildschirm 602 gezeigt. Der Bildschirm 602 kann ein Touchscreen oder eine stiftfähige Oberfläche sein, die Eingaben von einem Stift oder Eingabestift empfängt. Er kann auch eine virtuelle Bildschirmtastatur verwenden. Selbstverständlich könnte er auch über einen geeigneten Befestigungsmechanismus, wie beispielsweise eine kabellose Verbindung oder einen USB-Anschluss, an einer Tastatur oder einer anderen Benutzereingabevorrichtung befestigt sein. Der Rechner 600 kann beispielsweise auch Spracheingaben empfangen.
8 zeigt, dass die Vorrichtung ein Smartphone 71 sein kann. Das Smartphone 71 weist eine berührungsempfindliche Anzeige 73 auf, die Symbole oder Kacheln oder andere Benutzereingabemechanismen 75 anzeigt. Mechanismen 75 können von einem Benutzer verwendet werden, um Anwendungen auszuführen, Anrufe zu tätigen, Datenübertragungsvorgänge auszuführen usw. Im Allgemeinen ist das Smartphone 71 auf einem mobilen Betriebssystem aufgebaut und bietet im Vergleich zu einem Funktionstelefon erweiterte Rechenkapazität und Konnektivität.
Zu beachten ist, dass andere Formen der Vorrichtungen 16 möglich sind.
9 ist ein Beispiel einer Rechenumgebung, in der Elemente aus 2 oder Teile davon (zum Beispiel) eingesetzt werden können. Unter Bezugnahme auf 9 beinhaltet ein beispielhaftes System zum Implementieren einiger Ausführungsformen eine Rechenvorrichtung in der Form eines Rechners 810. Komponenten des Rechners 810 können, ohne darauf beschränkt zu sein, eine Verarbeitungseinheit 820 (die Prozessoren oder Server aus vorherigen FIGs. umfassen kann), einen Systemspeicher 830 und einen Systembus 821 beinhalten, der verschiedene Systemkomponenten, einschließlich des Systemspeichers, an die Verarbeitungseinheit 820 koppelt. Der Systembus 821 kann jede von mehreren Arten von Busstrukturen sein, einschließlich eines Speicherbusses, eines Peripheriebusses und eines lokalen Busses, die jegliche von einer Vielzahl von Busarchitekturen nutzen. Speicher und Programme, die in Bezug auf 2 beschrieben sind, können in entsprechenden Abschnitten von 9 eingesetzt werden.
Der Rechner 810 beinhaltet typischerweise eine Vielfalt von rechnerlesbaren Medien. Rechnerlesbare Medien können alle verfügbaren Medien sein, auf die durch die Vorrichtung 810 zugegriffen werden kann, und beinhalten sowohl flüchtige als auch nichtflüchtige Medien, entfernbare Medien und nicht entfernbare Medien. Als ein Beispiel und nicht einschränkend können rechnerlesbare Medien Rechnerspeichermedien und Kommunikationsmedien umfassen. Rechnerspeichermedien unterscheiden sich von modulierten Datensignalen oder Trägerwellen und beinhalten diese nicht. Rechnerspeichermedien beinhalten flüchtige und nichtflüchtige sowie entfernbare und nicht entfernbare Medien, die in einem beliebigen Verfahren oder einer beliebigen Technologie zur Speicherung von Informationen, wie etwa rechnerlesbaren Befehlen, Datenstrukturen, Programmmodulen oder anderen Daten, implementiert sind. Die Rechnerspeichermedien beinhalten, ohne darauf beschränkt zu sein, RAM, ROM, EEPROM, Flash-Speicher oder andere Speichertechnologie, CD-ROM, digitale, vielseitig verwendbare Scheiben (Digital Versatile Disks, DVDs) oder andere optische Plattenspeicher, Magnetkassetten, Magnetband, Magnetplattenspeicher oder andere Magnetspeichervorrichtungen oder jedes andere Medium, das verwendet werden kann, um die gewünschten Informationen zu speichern, und auf das von dem Rechner 810 zugegriffen werden kann. Kommunikationsmedien können rechnerlesbare Anweisungen, Datenstrukturen, Programmmodule oder andere Daten in einem Transportmechanismus verkörpern und beinhalten beliebige Informationsbereitstellungsmedien. Der Begriff „moduliertes Datensignal“ bezeichnet ein Signal, bei dem eine oder mehrere seiner Eigenschaften so eingestellt oder verändert sind, dass Informationen in dem Signal codiert werden.
Der Systemspeicher 830 kann Rechnerspeichermedien in der Form von flüchtigem und/oder nicht flüchtigem Speicher wie etwa Lesespeicher (ROM) 831 und Direktzugriffsspeicher (RAM) 832 beinhalten. Ein Basis-Eingabe-/Ausgabesystem 833 (Basic Input/Output System, BIOS), das die grundlegenden Routinen zum Übertragen von Informationen zwischen Elementen in dem Rechner 810, etwa während des Starts, enthält, ist in der Regel im ROM 831 gespeichert. Der RAM 832 enthält typischerweise Daten- und/oder Programmmodule, auf die die Verarbeitungseinheit 820 unmittelbar zugreifen kann und/oder die derzeit auf ihr genutzt werden. Als ein Beispiel und nicht einschränkend veranschaulicht 9 ein Betriebssystem 834, Anwendungsprogramme 835, andere Programmmodule 836 und Programmdaten 837.
Der Rechner 810 kann auch andere entfernbare/nicht entfernbare flüchtige/nicht flüchtige Rechnerspeichermedien beinhalten. Rein beispielhaft veranschaulicht 9 ein Festplattenlaufwerk 841, das nichtentfernbare, nichtflüchtige magnetische Medien, ein optisches Plattenlaufwerk 855 und eine nichtflüchtige optische Platte 856 liest oder darauf schreibt. Das Festplattenlaufwerk 841 ist typischerweise über eine nicht entfernbare Speicherschnittstelle, wie etwa die Schnittstelle 840, mit dem Systembus 821 verbunden, und das optische Plattenlaufwerk 855 ist typischerweise über eine entfernbare Speicherschnittstelle, wie etwa die Schnittstelle 850, mit dem Systembus 821 verbunden.
Alternativ oder zusätzlich kann die hier beschriebene Funktionalität zumindest teilweise durch eine oder mehrere Hardwarelogikkomponenten ausgeführt werden. Beispielsweise und ohne Einschränkung können veranschaulichende Arten von HardwareLogikkomponenten verwendet werden, darunter feldprogrammierbare Gate-Arrays (FPGAs), anwendungsspezifische integrierte Schaltungen (z. B. ASICs), anwendungsspezifische Standardprodukte (z. B. ASSPs), System-on-a-Chip-Systeme (SOCs), komplexe programmierbare Logikvorrichtungen (Complex Programmable Logic Devices, CPLDs) usw.
Die oben erörterten und in 9 veranschaulichten Laufwerke und ihre zugehörigen Rechnerspeichermedien stellen Speicherung von rechnerlesbaren Anweisungen, Datenstrukturen, Programmmodulen und anderen Daten für den Rechner 810 bereit. In 9 beispielsweise ist ein Festplattenlaufwerk 841 veranschaulicht, das ein Betriebssystem 844, Anwendungsprogramme 845, andere Programmmodule 846 und Programmdaten 847 speichert. Zu beachten ist, dass diese Komponenten entweder die gleichen wie das Betriebssystem 834, Anwendungsprogramme 835, andere Programmmodule 836 und Programmdaten 837 sein oder sich von diesen unterscheiden können.
Ein Benutzer kann Befehle und Informationen über Eingabevorrichtungen, wie etwa eine Tastatur 862, ein Mikrofon 863 und eine Zeigevorrichtung 861, wie etwa eine Maus, einen Trackball oder ein Touchpad, in den Rechner 810 eingeben. Weitere Eingabevorrichtungen (nicht gezeigt) können einen Joystick, ein Gamepad, eine Satellitenschüssel, einen Scanner oder dergleichen beinhalten. Diese und andere Eingabevorrichtungen sind häufig über eine Benutzereingabeschnittstelle 860, die an einen Systembus gekoppelt ist, mit der Verarbeitungseinheit 820 verbunden, können aber durch andere Schnittstellen- und Busstrukturen verbunden sein. Ein visuelle Anzeige 891 oder eine andere Art von Anzeigevorrichtung ist über eine Schnittstelle wie eine Videoschnittstelle 890 ebenfalls mit dem Systembus 821 verbunden. Zusätzlich zu dem Monitor können Rechner auch andere periphere Ausgabevorrichtungen wie etwa Lautsprecher 897 und einen Drucker 896 beinhalten, die über einen Ausgang/eine Schnittstelle 895 für ein Peripheriegerät verbunden sein können.
Der Rechner 810 wird in einer vernetzten Umgebung unter Verwendung logischer Verbindungen (wie etwa eines lokalen Netzwerks - LAN oder Weitverkehrsnetzwerks - WAN oder eines Controller-Area-Netzwerks - CAN) zu einem oder mehreren entfernten Rechnern, wie etwa einem entfernten Rechner 880, betrieben.
Bei Verwendung in einer LAN-Netzwerkumgebung ist der Rechner 810 über eine Netzwerkschnittstelle oder einen Adapter 870 mit dem LAN 871 verbunden. Bei Verwendung in einer WAN-Netzwerkumgebung beinhaltet der Rechner 810 typischerweise ein Modem 872 oder andere Mittel zum Aufbau von Kommunikation über das WAN 873, wie beispielsweise über das Internet. In einer vernetzten Umgebung können Programmmodule in einer entfernten Speichervorrichtung gespeichert sein. 9 veranschaulicht zum Beispiel, dass sich entfernte Anwendungsprogramme 885 auf dem entfernten Rechner 880 befinden können.
Beispiel 1 ist ein Verfahren zum Steuern einer Maschine an einem Arbeitsort, um einen Vorgang auszuführen, umfassend:
Identifizieren von georeferenzierten vegetativen Indexdaten für den Arbeitsort, die erzeugt wurden, bevor die Maschine den Vorgang am Arbeitsort ausführt;
Sammeln von Felddaten mit einem Sensor an der Maschine, während die Maschine einen Vorgang am Arbeitsort ausführt, wobei die Felddaten einem Abschnitt des Arbeitsorts entsprechen;
Erzeugen eines prädiktiven Modells auf Grundlage der georeferenzierten vegetativen Indexdaten und der Felddaten;
Berechnen einer Modellqualitätsmetrik für das prädiktive Modell, die bezeichnend für die Modellgenauigkeit ist;
Feststellen, während die Maschine den Vorgang am Arbeitsort ausführt, ob das prädiktive Modell ein qualifiziertes prädiktives Modell ist, basierend auf der berechneten Modellqualitätsmetrik; und
wenn ja, Steuern eines Teilsystems der Maschine unter Verwendung des qualifizierten prädiktiven Modells, um den Vorgang auszuführen.
Beispiel 2 ist das Verfahren nach einem beliebigen oder allen der vorangehenden Beispiele, wobei festgestellt wird, ob das prädiktive Modell ein qualifiziertes
prädiktives Modell ist, umfassend:
Feststellen, ob die Modellqualitätsmetrik einen Modellqualitätsschwellenwert erfüllt.
Beispiel 3 ist das Verfahren nach einem beliebigen oder allen der vorangehenden Beispiele, ferner umfassend:
wenn festgestellt wird, dass das prädiktive Modell kein qualifiziertes prädiktives Modell ist, dann
Identifizieren verschiedener georeferenzierter vegetativer Indexdaten zum Erzeugen eines anderen prädiktiven Modells;
Generieren des anderen prädiktiven Modells;
Feststellen, während die Maschine den Vorgang am Arbeitsort ausführt, ob das andere prädiktive Modell ein qualifiziertes Modell ist; und
wenn ja, Steuern eines Teilsystems der Maschine unter Verwendung des anderen prädiktiven Modells, um den Vorgang auszuführen.
Beispiel 4 ist das Verfahren nach einem beliebigen oder allen der vorangehenden Beispiele, wobei das Identifizieren georeferenzierter vegetativer Indexdaten Folgendes umfasst:
Abrufen georeferenzierter vegetativer A-priori-Indexdaten, die dem Arbeitsort entsprechen, von einem entfernten System.
Beispiel 5 ist das Verfahren nach einem beliebigen oder allen der vorangehenden Beispiele, wobei das Sammeln von Felddaten Folgendes umfasst:
Beschaffen von Erntegutertragsdaten, die einem Abschnitt des Arbeitsortes entsprechen, mit einem Erntegutertragssensor an der Maschine, während die Maschine einen Erntevorgang an dem Arbeitsort ausführt.
Beispiel 6 ist das Verfahren nach einem beliebigen oder allen der vorangehenden Beispiele, wobei die Maschine eine Vielzahl von verschiedenen Teilsystemen aufweist und wobei das Steuern eines Teilsystems Folgendes umfasst:
Steuern der Vielzahl von verschiedenen Teilsystemen an der Maschine.
Beispiel 7 ist das Verfahren nach einem beliebigen oder allen der vorangehenden Beispiele, wobei das Generieren eines prädiktiven Modells Folgendes umfasst:
Generieren einer Vielzahl von verschiedenen prädiktiven Modellen auf Grundlage von A-priori-Daten und der Felddaten für die verschiedenen Teilsysteme der Arbeitsmaschine.
Beispiel 8 ist das Verfahren nach einem beliebigen oder allen der vorangehenden Beispiele, wobei das Berechnen einer Modellqualitätsmetrik Folgendes umfasst:
Berechnen einer Vielzahl von unterschiedlichen Modellqualitätsmetrikwerten für die unterschiedlichen prädiktiven Modelle, wobei das Feststellen, ob das prädiktive Modell ein qualifiziertes prädiktives Modell ist, das Feststellen beinhaltet, ob jedes von der Vielzahl von prädiktiven Modellen ein qualifiziertes prädiktives Modell ist, basierend auf den berechneten Modellqualitätsmetrikwerten.
Beispiel 9 ist das Verfahren nach einem beliebigen oder allen der vorangehenden Beispiele, ferner umfassend:
wenn die Vielzahl von unterschiedlichen prädiktiven Modellen qualifizierte prädiktive Modelle sind, dann Steuern jedes der unterschiedlichen Teilsysteme der Arbeitsmaschine am Arbeitsort unter Verwendung eines anderen von der Vielzahl von unterschiedlichen prädiktiven Modellen.
Beispiel 10 ist das Verfahren nach einem beliebigen oder allen der vorangehenden Beispiele, wobei das Berechnen der Modellqualitätsmetrik Folgendes umfasst:
Berechnen eines Fehlerwerts, der bezeichnend für einen Modellfehler ist, auf Grundlage eines Vergleichs von Modellwerten aus dem erzeugten prädiktiven Modell mit Feldwerten in den gesammelten Felddaten.
Beispiel 11 ist das Verfahren nach einem beliebigen oder allen der vorangehenden Beispiele, und ferner umfassend:
iteratives Wiederholen der Schritte des Sammelns von Felddaten, des Aktualisierens des prädiktiven Modells auf Grundlage der Felddaten, des Berechnens einer Modellqualitätsmetrik für das aktualisierte prädiktive Modell und des Feststellens, ob das prädiktive Modell ein qualifiziertes prädiktives Modell ist, während die Maschine den Vorgang ausführt.
Beispiel 12 ist ein Rechensystem auf einer Arbeitsmaschine, umfassend:
ein Kommunikationssystem, das dazu ausgelegt ist, georeferenzierte vegetative A-priori-Indexdaten für einen Arbeitsort zu identifizieren;
ein System zum Sammeln von In-situ-Daten, das Felddaten sammelt, mit einem Sensor an einer Maschine, während die Maschine einen Vorgang am Arbeitsort ausführt, wobei die Felddaten einem Abschnitt von dem Arbeitsort entsprechen;
ein Modellgeneratorsystem, das dazu ausgelegt ist, die georeferenzierten vegetativen A-priori-Indexdaten und Felddaten zu empfangen und ein prädiktives Modell auf Grundlage der georeferenzierte vegetativen A-priori-Indexdaten und der Felddaten unter Verwendung eines Modellgenerierungsmechanismus zu generieren; und
ein Modellbewertungssystem, das dazu ausgelegt ist, eine Modellqualitätsmetrik für das prädiktive Modell zu berechnen und festzustellen, ob das prädiktive Modell ein qualifiziertes prädiktives Modell ist; und
ein Steuerungssystem, das, wenn das prädiktive Modell ein qualifiziertes prädiktives Modell ist, ein Teilsystem der Maschine unter Verwendung des qualifizierten prädiktiven Modells steuert.
Beispiel 13 ist das Rechensystem nach einem beliebigen oder allen der vorangehenden Beispiele, wobei das Modellbewertungssystem Folgendes umfasst:
einen Modellqualitätsmetrikgenerator, der dazu ausgelegt ist, die Modellqualitätsmetrik für das prädiktive Modell zu berechnen.
Beispiel 14 ist das Rechensystem nach einem beliebigen oder allen der vorangehenden Beispiele, wobei das Modellbewertungssystem Folgendes umfasst:
eine Bewertungsauslöselogik, die dazu ausgelegt ist, einen Bewertungsauslöser zu erkennen und in Reaktion darauf eine Auslöserausgabe für das Modellbewertungssystem zu erzeugen, um ein alternatives prädiktives Modell zu bewerten.
Beispiel 15 ist das Rechnersystem nach einem beliebigen oder allen der vorangehenden Beispiele, wobei das Modellgenerierungssystem dazu ausgelegt ist, in Reaktion auf die Auslöserausgabe das alternative prädiktive Modell unter Verwendung alternativer vegetativer A-priori-Indexdaten für die Arbeitsorte zu erzeugen.
Beispiel 16 ist das Rechnersystem nach einem beliebigen oder allen der vorangehenden Beispiele, wobei das Modellgenerierungssystem dazu ausgelegt ist, in Reaktion auf die Auslöserausgabe das alternative prädiktive Modell unter Verwendung eines alternativen Modellgenerierungsmechanismus zu erzeugen.
Beispiel 17 ist das Rechensystem nach einem beliebigen oder allen der vorangehenden Beispiele, wobei das Modellgeneratorsystem dazu ausgelegt ist, eine Vielzahl von prädiktiven Modellen zu generieren, die jeweils einem spezifischen steuerbaren Teilsystem entsprechen, und wobei das Steuerungssystem jedes der prädiktiven Modelle verwendet, um das entsprechende spezifische steuerbare Teilsystem zu steuern.
Beispiel 18 ist das Rechensystem nach einem beliebigen oder allen der vorangehenden Beispiele, wobei der Modellqualitätsmetrikgenerator dazu ausgelegt ist, die Modellqualitätsmetrik durch Berechnen eines Fehlervektors basierend auf Werten, die durch das prädiktive Modell erzeugt werden, und tatsächlichen Werten in den gesammelten Felddaten zu berechnen.
Beispiel 19 ist eine Arbeitsmaschine, umfassend:
ein Kommunikationssystem, das dazu ausgelegt ist, georeferenzierte vegetative Indexdaten für einen Arbeitsort zu empfangen;
ein System zum Sammeln von In-situ-Daten, das dazu ausgelegt ist, Felddaten zu sammeln, mit einem Sensor an einer Maschine, während die Maschine einen Vorgang am Arbeitsort ausführt, für einen Abschnitt des Arbeitsorts;
eine Vielzahl von steuerbaren Teilsystemen;
ein Modellgeneratorsystem, das dazu ausgelegt ist, eine Vielzahl von unterschiedlichen prädiktiven Modellen auf Grundlage der georeferenzierten vegetativen Indexdaten und der Felddaten zu erzeugen, die jeweils einem unterschiedlichen steuerbaren Teilsystem der Vielzahl von steuerbaren Teilsystemen der Arbeitsmaschine entsprechen;
ein Modellbewertungssystem, das dazu ausgelegt ist, eine Modellqualitätsmetrik für jedes der prädiktiven Modelle zu berechnen und festzustellen, ob jedes der prädiktiven Modelle ein qualifiziertes prädiktives Modell ist, das auf der Modellqualitätsmetrik basiert; 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 nach einem beliebigen oder allen vorangehenden Beispielen, wobei die steuerbaren Teilsysteme steuerbare Erntemaschinenteilsysteme umfassen.
Es sei noch angemerkt, dass die verschiedenen hier 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 hier in Betracht gezogen.
Obwohl der Gegenstand in für Strukturmerkmale und/oder methodische Handlungen spezifischer Sprache beschrieben wurde, versteht es sich, dass der in den beigefügten Patentansprüchen definierte Gegenstand nicht notwendigerweise auf die vorstehend konkret beschriebenen Merkmale oder Handlungen beschränkt ist. Vielmehr werden die vorstehend beschriebenen Merkmale und Handlungen als beispielhafte Formen der Umsetzung der Patentansprüche offenbart.

Claims

Verfahren zum Steuern einer Maschine an einem Arbeitsort, um einen Vorgang auszuführen, umfassend: Identifizieren von georeferenzierten vegetativen Indexdaten für den Arbeitsort, die erzeugt wurden, bevor die Maschine den Vorgang am Arbeitsort ausführt; Sammeln von Felddaten mit einem Sensor an der Maschine, während die Maschine einen Vorgang am Arbeitsort ausführt, wobei die Felddaten einem Abschnitt des Arbeitsorts entsprechen; Erzeugen eines prädiktiven Modells auf Grundlage der georeferenzierten vegetativen Indexdaten und der Felddaten; Berechnen einer Modellqualitätsmetrik für das prädiktive Modell, die bezeichnend für die Modellgenauigkeit ist; Feststellen, während die Maschine den Vorgang am Arbeitsort ausführt, ob das prädiktive Modell ein qualifiziertes prädiktives Modell ist, basierend auf der berechneten Modellqualitätsmetrik; und wenn ja, Steuern eines Teilsystems der Maschine unter Verwendung des qualifizierten prädiktiven Modells, um den Vorgang auszuführen.
Verfahren nach Anspruch 1, wobei festgestellt wird, ob das prädiktive Modell ein qualifiziertes prädiktives Modell ist, umfassend: Feststellen, ob die Modellqualitätsmetrik einen Modellqualitätsschwellenwert erfüllt.
Verfahren nach Anspruch 1, das ferner Folgendes umfasst: wenn festgestellt wird, dass das prädiktive Modell kein qualifiziertes prädiktives Modell ist, dann Identifizieren verschiedener georeferenzierter vegetativer Indexdaten zum Erzeugen eines anderen prädiktiven Modells; Generieren des anderen prädiktiven Modells; Feststellen, während die Maschine den Vorgang am Arbeitsort ausführt, ob das andere prädiktive Modell ein qualifiziertes Modell ist; und wenn ja, Steuern eines Teilsystems der Maschine unter Verwendung des anderen prädiktiven Modells, um den Vorgang auszuführen.
Verfahren nach Anspruch 1, wobei das Identifizieren georeferenzierter vegetativer Indexdaten Folgendes umfasst: Abrufen georeferenzierter vegetativer A-priori-Indexdaten, die dem Arbeitsort entsprechen, von einem entfernten System.
Verfahren nach Anspruch 1, wobei das Sammeln von Felddaten Folgendes umfasst: Abrufen von Erntegutertragsdaten, die einem Abschnitt des Arbeitsortes entsprechen, mit einem Erntegutertragssensor an der Maschine, während die Maschine einen Erntevorgang an dem Arbeitsort ausführt.
Verfahren nach Anspruch 1, wobei die Maschine eine Vielzahl von verschiedenen Teilsystemen aufweist und wobei das Steuern eines Teilsystems Folgendes umfasst: Steuern der Vielzahl von verschiedenen Teilsystemen an der Maschine.
Verfahren nach Anspruch 6, wobei das Generieren eines prädiktiven Indexmodells Folgendes umfasst: Generieren einer Vielzahl von verschiedenen prädiktiven Modellen auf Grundlage von A-priori-Daten und der Felddaten für die verschiedenen Teilsysteme der Arbeitsmaschine.
Verfahren nach Anspruch 7, wobei das Berechnen einer Modellqualitätsmetrik Folgendes umfasst: Berechnen einer Vielzahl von unterschiedlichen Modellqualitätsmetrikwerten für die unterschiedlichen prädiktiven Modelle, wobei das Feststellen, ob das prädiktive Modell ein qualifiziertes prädiktives Modell ist, das Feststellen beinhaltet, ob jedes von der Vielzahl von prädiktiven Modellen ein qualifiziertes prädiktives Modell ist, basierend auf den berechneten Modellqualitätsmetrikwerten.
Verfahren nach Anspruch 8, das ferner Folgendes umfasst: wenn die Vielzahl von unterschiedlichen prädiktiven Modellen qualifizierte prädiktive Modelle sind, dann Steuern jedes der unterschiedlichen Teilsysteme der Arbeitsmaschine am Arbeitsort unter Verwendung eines anderen von der Vielzahl von unterschiedlichen prädiktiven Modellen.
Verfahren nach Anspruch 1, wobei das Berechnen der Modellqualitätsmetrik Folgendes umfasst: Berechnen eines Fehlerwerts, der bezeichnend für einen Modellfehler ist, auf Grundlage eines Vergleichs von Modellwerten aus dem erzeugten prädiktiven Modell mit Feldwerten in den gesammelten Felddaten.
Verfahren nach Anspruch 1, das ferner Folgendes umfasst: iteratives Wiederholen der Schritte des Sammelns von Felddaten, des Aktualisierens des prädiktiven Modells auf Grundlage der Felddaten, des Berechnens einer Modellqualitätsmetrik für das aktualisierte prädiktive Modell und des Feststellens, ob das prädiktive Modell ein qualifiziertes prädiktives Modell ist, während die Maschine den Vorgang ausführt.
Rechensystem auf einer Arbeitsmaschine, umfassend: ein Kommunikationssystem, das dazu ausgelegt ist, georeferenzierte vegetative A-priori-Indexdaten für einen Arbeitsort zu identifizieren; ein System zum Sammeln von In-situ-Daten, das Felddaten sammelt, mit einem Sensor an einer Maschine, während die Arbeitsmaschine einen Vorgang am Arbeitsort ausführt, wobei die Felddaten einem Abschnitt von dem Arbeitsort entsprechen; ein Modellgeneratorsystem, das dazu ausgelegt ist, die georeferenzierten vegetativen A-priori-Indexdaten und Felddaten zu empfangen und ein prädiktives Modell auf Grundlage der georeferenzierten vegetativen A-priori-Indexdaten und der Felddaten unter Verwendung eines Modellgenerierungsmechanismus zu generieren, wenn die Arbeitsmaschine den Vorgang an dem Arbeitsort ausführt; und ein Steuerungssystem, das ein Teilsystem der Maschine unter Verwendung des prädiktiven Modells steuert.
Rechensystem nach Anspruch 12, das ferner Folgendes umfasst: ein Modellbewertungssystem, das dazu ausgelegt ist, eine Modellqualitätsmetrik für das prädiktive Modell zu berechnen und festzustellen, ob das prädiktive Modell ein qualifiziertes prädiktives Modell ist; und wobei das Steuerungssystem das Teilsystem unter Verwendung des prädiktiven Modells steuert, wenn das prädiktive Modell ein qualifiziertes prädiktives Modell ist.
Rechensystem nach Anspruch 13, wobei das Modellbewertungssystem Folgendes umfasst: einen Modellqualitätsmetrikgenerator, der dazu ausgelegt ist, die Modellqualitätsmetrik für das prädiktive Modell zu berechnen.
Rechensystem nach Anspruch 14, wobei das Modellbewertungssystem Folgendes umfasst: eine Bewertungsauslöselogik, die dazu ausgelegt ist, einen Bewertungsauslöser zu erkennen und in Reaktion darauf eine Auslöserausgabe für das Modellbewertungssystem zu erzeugen, um ein alternatives prädiktives Modell zu bewerten.
Rechnersystem nach Anspruch 15, wobei das Modellgenerierungssystem dazu ausgelegt ist, in Reaktion auf die Auslöserausgabe das alternative prädiktive Modell unter Verwendung alternativer vegetativer A-priori-Indexdaten für die Arbeitsorte zu erzeugen.
Rechnersystem nach Anspruch 15, wobei das Modellgenerierungssystem dazu ausgelegt ist, in Reaktion auf die Auslöserausgabe das alternative prädiktive Modell unter Verwendung eines alternativen Modellgenerierungsmechanismus zu erzeugen.
Rechensystem nach Anspruch 17, wobei das Modellgeneratorsystem dazu ausgelegt ist, eine Vielzahl von prädiktiven Modellen zu generieren, die jeweils einem spezifischen steuerbaren Teilsystem entsprechen, und wobei das Steuerungssystem jedes der prädiktiven Modelle verwendet, um das entsprechende spezifische steuerbare Teilsystem zu steuern.
Arbeitsmaschine, umfassend: ein Kommunikationssystem, das dazu ausgelegt ist, georeferenzierte vegetative Indexdaten für einen Arbeitsort zu empfangen; ein System zum Sammeln von In-situ-Daten, das dazu ausgelegt ist, Felddaten zu sammeln, mit einem Sensor an einer Maschine, während die Maschine einen Vorgang am Arbeitsort ausführt, für einen Abschnitt des Arbeitsorts; eine Vielzahl von steuerbaren Teilsystemen; ein Modellgeneratorsystem, das dazu ausgelegt ist, eine Vielzahl von unterschiedlichen prädiktiven Modellen auf Grundlage der georeferenzierten vegetativen Indexdaten und der Felddaten zu erzeugen, die jeweils einem unterschiedlichen steuerbaren Teilsystem der Vielzahl von steuerbaren Teilsystemen der Arbeitsmaschine entsprechen; ein Steuerungssystem, das Steuersignale generiert, um jedes der steuerbaren Teilsysteme unter Verwendung eines entsprechenden prädiktiven Modells zu steuern.
Arbeitsmaschine nach Anspruch 19, wobei die steuerbaren Teilsysteme steuerbare Erntemaschinenteilsysteme umfassen, und ferner umfassend: ein Modellbewertungssystem, das dazu ausgelegt ist, eine Modellqualitätsmetrik für jedes der prädiktiven Modelle zu berechnen und festzustellen, ob jedes der prädiktiven Modelle ein qualifiziertes prädiktives Modell ist, das auf der Modellqualitätsmetrik basiert, wobei das Steuerungssystem die Steuersignale generiert, um jedes der steuerbaren Teilsysteme unter Verwendung eines entsprechenden qualifizierten prädiktiven Modells zu steuern.