DE102021123055A1 - PREDICTIVE PERFORMANCE MAP GENERATION AND CONTROL SYSTEM - Google Patents
PREDICTIVE PERFORMANCE MAP GENERATION AND CONTROL SYSTEM Download PDFInfo
- Publication number
- DE102021123055A1 DE102021123055A1 DE102021123055.1A DE102021123055A DE102021123055A1 DE 102021123055 A1 DE102021123055 A1 DE 102021123055A1 DE 102021123055 A DE102021123055 A DE 102021123055A DE 102021123055 A1 DE102021123055 A1 DE 102021123055A1
- Authority
- DE
- Germany
- Prior art keywords
- predictive
- map
- agricultural
- model
- sensor
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01D—HARVESTING; MOWING
- A01D41/00—Combines, i.e. harvesters or mowers combined with threshing devices
- A01D41/12—Details of combines
- A01D41/127—Control or measuring arrangements specially adapted for combines
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01B—SOIL WORKING IN AGRICULTURE OR FORESTRY; PARTS, DETAILS, OR ACCESSORIES OF AGRICULTURAL MACHINES OR IMPLEMENTS, IN GENERAL
- A01B79/00—Methods for working soil
- A01B79/005—Precision agriculture
Abstract
Es werden eine oder mehrere Informationskarten von einer landwirtschaftlichen Arbeitsmaschine erhalten. Die eine oder mehreren Informationskarten bilden einen oder mehrere landwirtschaftliche Merkmalswerte an verschiedenen geografischen Positionen eines Feldes ab. Ein In-situ-Sensor an der landwirtschaftlichen Arbeitsmaschine erfasst ein landwirtschaftliches Merkmal, während sich die landwirtschaftliche Arbeitsmaschine durch das Feld bewegt. Ein prädiktiver Kartengenerator erzeugt eine prädiktive Karte, die ein prädiktives landwirtschaftliches Merkmal an verschiedenen Positionen in dem Feld auf Grundlage einer Beziehung zwischen den Werten in der einen oder den mehreren Informationskarten und des landwirtschaftlichen Merkmals, das durch den In-situ-Sensor erfasst wird, vorhersagt. Die prädiktive Karte kann ausgegeben und in der automatisierten Maschinensteuerung verwendet werden.One or more information cards are obtained from an agricultural work machine. The one or more information maps depict one or more agricultural characteristic values at different geographic locations of a field. An in situ sensor on the agricultural work machine senses an agricultural feature as the agricultural work machine moves through the field. A predictive map generator generates a predictive map that predicts a predictive agricultural trait at various locations in the field based on a relationship between the values in the one or more information maps and the agricultural trait sensed by the in situ sensor . The predictive map can be output and used in automated machine control.
Description
GEBIET DER BESCHREIBUNGFIELD OF DESCRIPTION
Die vorliegende Beschreibung bezieht sich auf landwirtschaftliche Maschinen.The present description relates to agricultural machines.
HINTERGRUNDBACKGROUND
Es gibt eine Vielzahl verschiedener Arten von landwirtschaftlichen Maschinen. Einige landwirtschaftliche Maschinen beinhalten Erntemaschinen, wie etwa Mähdrescher, Zuckerrohrerntemaschinen, Baumwollerntemaschinen, selbstfahrende Feldhäcksler und Schwader. Einige Erntemaschinen können auch mit verschiedenen Arten von Erntevorsätzen ausgestattet werden, um verschiedene Arten von Erntegut zu ernten.There are many different types of agricultural machinery. Some agricultural machines include harvesters such as combine harvesters, sugar cane harvesters, cotton harvesters, forage harvesters, and windrowers. Some harvesters can also be fitted with different types of headers to harvest different types of crops.
Landwirtschaftliche Erntemaschinen beinhalten typischerweise einen Motor oder eine andere Leistungsquelle, die eine endliche Leistungsmenge erzeugt, die den verschiedenen Teilsystemen der landwirtschaftlichen Erntemaschine bereitgestellt wird. Das Aufrechterhalten einer effizienten Leistungsverteilung an die verschiedenen Teilsysteme aus einer begrenzten Leistungsmenge kann bei sich ändernden Feldbedingungen schwierig zu erreichen sein.Agricultural harvesters typically include an engine or other power source that produces a finite amount of power that is provided to the various subsystems of the agricultural harvester. Maintaining efficient power distribution to the various subsystems from a limited amount of power can be difficult to achieve as field conditions change.
KURZFASSUNGSHORT VERSION
Es werden eine oder mehrere Informationskarten von einer landwirtschaftlichen Arbeitsmaschine erhalten. Die eine oder mehreren Informationskarten bilden einen oder mehrere landwirtschaftliche Merkmalswerte an verschiedenen geografischen Positionen eines Feldes ab. Ein In-situ-Sensor an der landwirtschaftlichen Arbeitsmaschine erfasst ein landwirtschaftliches Merkmal, während sich die landwirtschaftliche Arbeitsmaschine durch das Feld bewegt. Ein prädiktiver Kartengenerator erzeugt eine prädiktive Karte, die ein prädiktives landwirtschaftliches Merkmal an verschiedenen Positionen in dem Feld auf Grundlage einer Beziehung zwischen den Werten in der einen oder den mehreren Informationskarten und des landwirtschaftlichen Merkmals, das durch den In-situ-Sensor erfasst wird, vorhersagt. Die prädiktive Karte kann ausgegeben und in der automatisierten Maschinensteuerung verwendet werden.One or more information cards are obtained from an agricultural work machine. The one or more information maps depict one or more agricultural characteristic values at different geographic locations of a field. An in situ sensor on the agricultural work machine senses an agricultural feature as the agricultural work machine moves through the field. A predictive map generator generates a predictive map that predicts a predictive agricultural feature at various locations in the field based on a relationship between the values in the one or more information maps and the agricultural feature sensed by the in situ sensor . The predictive map can be output and used in automated machine control.
Figurenlistecharacter list
-
1 ist eine teilweise bildliche, teilweise schematische Darstellung für ein Beispiel eines Mähdreschers.1 12 is a partially pictorial, partially schematic representation of an example combine harvester. -
2 ist ein Blockdiagramm, das einige Abschnitte einer landwirtschaftlichen Erntemaschine gemäß einiger Beispiele der vorliegenden Offenbarung detaillierter zeigt.2 12 is a block diagram showing in more detail some portions of an agricultural harvesting machine according to some examples of the present disclosure. -
Die
3a-3b (hierin gemeinsam als3 bezeichnet) zeigen ein Flussdiagramm, das ein Beispiel für den Betrieb einer landwirtschaftlichen Erntemaschine beim Erzeugen einer Karte veranschaulicht.the3a-3b (herein together as3 ) show a flow chart illustrating an example of the operation of an agricultural harvesting machine in generating a map. -
4 ist ein Blockdiagramm, das ein Beispiel für einen prädiktiven Modellgenerator und einen prädiktiven metrischen Kartengenerator zeigt.4 Figure 12 is a block diagram showing an example of a predictive model generator and a predictive metric map generator. -
5 ist ein Flussdiagramm, das ein Beispiel für einen Betrieb einer landwirtschaftlichen Erntemaschine beim Empfangen eines vegetativen Index, Erntegutfeuchtigkeit, Bodeneigenschaften, Topographie, Ertrag, Unkraut oder einer Biomassekarte, Erkennen eines Leistungsmerkmals und Erzeugen einer funktionellen prädiktiven Leistungskarte zur Verwendung beim Steuern der landwirtschaftlichen Erntemaschine während eines Erntevorgangs zeigt.5 is a flow chart depicting an example of an operation of an agricultural harvester in receiving a vegetative index, crop moisture, soil properties, topography, yield, weeds, or biomass map, recognizing a performance characteristic, and generating a functional predictive performance map for use in controlling the agricultural harvester during a harvesting process shows. -
6 ist ein Blockdiagramm, das ein Beispiel für eine landwirtschaftliche Erntemaschine in Kommunikation mit einer Remote-Serverumgebung zeigt.6 Figure 12 is a block diagram showing an example agricultural harvester in communication with a remote server environment. -
Die
7-9 zeigen Beispiele für mobile Vorrichtungen, die in einer landwirtschaftlichen Erntemaschine verwendet werden können.the7-9 show examples of mobile devices that can be used in an agricultural harvesting machine. -
10 ist ein Blockdiagramm, das ein Beispiel einer Computerumgebung zeigt, die in einer landwirtschaftlichen Erntemaschine verwendet werden kann, und die Architekturen, die in den vorhergehenden Figuren veranschaulicht sind.10 Figure 12 is a block diagram showing an example of a computing environment that may be used in an agricultural harvester and the architectures illustrated in the previous figures.
AUSFÜHRLICHE BESCHREIBUNGDETAILED DESCRIPTION
Für ein besseres Verständnis der Prinzipien der vorliegenden Offenbarung wird nun auf die in den Zeichnungen dargestellten Beispiele Bezug genommen, und es wird eine spezifische Sprache verwendet, um diese zu beschreiben. Es versteht sich jedoch, dass keine Einschränkung des Schutzumfangs der Offenbarung beabsichtigt ist. Alle Abänderungen und weiteren Modifikationen der beschriebenen Vorrichtungen, Systeme, Verfahren und jede weitere Anwendung der Prinzipien der vorliegenden Offenbarung werden vollständig in Betracht gezogen, wie sie normalerweise Fachleute auf dem Gebiet, auf das sich die Offenbarung bezieht, bemerken würden. Insbesondere wird vollständig in Betracht gezogen, dass die Merkmale, Komponenten und/oder Schritte, die in Bezug auf ein Beispiel beschrieben sind, mit den Merkmalen, Komponenten und/oder Schritten kombiniert werden können, die in Bezug auf andere Beispiele der vorliegenden Offenbarung beschrieben sind.For a better understanding of the principles of the present disclosure, reference will now be made to the examples illustrated in the drawings and specific language will be used to describe them. However, it should be understood that no limitation on the scope of the disclosure is intended. All alterations and further modifications to the described devices, systems, methods, and any further application of the principles of the present disclosure are contemplated fully as would normally occur to those skilled in the art to which the disclosure pertains. In particular, it is fully contemplated that the features, components, and/or steps described with respect to one example may be combined with the features, components, and/or steps described with respect to other examples of the present disclosure .
Die vorliegende Beschreibung bezieht sich auf die Verwendung von In-situ-Daten, die gleichzeitig mit einem landwirtschaftlichen Vorgang in Kombination mit prädiktiven oder vorherigen Daten aufgenommen wurden, um eine prädiktive Karte und insbesondere eine prädiktive Leistungskarte zu erzeugen. In einigen Beispielen kann die prädiktive Leistungskarte verwendet werden, um eine landwirtschaftliche Arbeitsmaschine, wie etwa eine landwirtschaftliche Erntemaschine, zu steuern. Wie vorstehend erörtert, weist die Leistungserzeugung einer Erntemaschine einen endlichen Grenzwert auf und die Gesamtleistung kann beeinträchtigt werden, wenn ein oder mehrere Teilsysteme einen erhöhten Leistungsbedarf aufweisen.The present description relates to the use of in situ data collected concurrently with a farming operation in combination with predictive or historical data to generate a predictive map and in particular a predictive performance map. In some examples, the predictive performance map may be used to control an agricultural work machine, such as an agricultural harvester. As discussed above, a harvester's power production has a finite limit and overall performance may be impacted when one or more subsystems have an increased power demand.
Die Leistung einer Erntemaschine kann aufgrund einer Reihe unterschiedlicher Kriterien negativ beeinflusst werden. Zum Beispiel können Flächen mit dichten Erntegutpflanzen, Unkräutern oder Kombinationen davon schädliche Auswirkungen auf den Betrieb der Erntemaschine haben, da Teilsysteme mehr Leistung benötigen, um größere Materialmengen zu verarbeiten, was Erntegutpflanzen und Unkräuter beinhaltet. Ein vegetativer Index kann signalisieren, wo Flächen von dichten Erntegutpflanzen, Unkräutern oder Kombinationen davon vorhanden sein können. Oder zum Beispiel nehmen Erntegutpflanzen oder Unkräuter, die einen höheren Feuchtigkeitsgehalt haben, auch mehr Leistung für die Verarbeitung ein. Oder zum Beispiel können Bodeneigenschaften, wie Art oder Feuchtigkeit, den Leistungsverbrauch durch die Lenk- und Antriebssysteme beeinflussen. Zum Beispiel können nasse Lehmböden im Vergleich zu trockenen Böden zusätzlichen Schlupf verursachen, was die Effizienz des Antriebsstrangs reduziert. Oder zum Beispiel kann die Topographie des Feldes die Leistungsmerkmale einer landwirtschaftlichen Erntemaschine ändern. Wenn die Erntemaschine beispielsweise einen Hügel hinauffährt, muss etwas Leistung an das Antriebssystem umgeleitet werden, um eine konstante Geschwindigkeit aufrechtzuerhalten. Oder zum Beispiel kann ein Bereich des Feldes mit einem höheren Kornertrag erfordern, dass mehr Leistung an die Erntegutverarbeitungs-Teilsysteme umgeleitet wird. Oder zum Beispiel kann ein Bereich des Feldes, der eine große Biomasse enthält, erfordern, dass mehr Leistung an die Erntegutverarbeitungs-Teilsysteme umgeleitet wird.Harvester performance can be adversely affected based on a number of different criteria. For example, areas with dense crop plants, weeds, or combinations thereof may adversely affect harvester operation because subsystems require more power to process larger amounts of material, which includes crop plants and weeds. A vegetative index may signal where areas of dense crop plants, weeds, or combinations thereof may be present. Or, for example, crop plants or weeds that have a higher moisture content also take more power to process. Or, for example, soil characteristics such as type or moisture can affect power consumption by the steering and propulsion systems. For example, wet clay soils can cause additional slip compared to dry soils, reducing drive train efficiency. Or, for example, the topography of the field can change the performance characteristics of an agricultural harvester. For example, when the harvester is going up a hill, some power needs to be diverted to the drive system to maintain a constant speed. Or, for example, an area of the field with a higher grain yield may require more power to be diverted to the crop processing subsystems. Or, for example, an area of the field containing a large biomass may require more power to be diverted to the crop processing subsystems.
Einige aktuelle Systeme bieten vegetative Indexkarten. Eine vegetative Indexkarte bildet veranschaulichend vegetative Indexwerte (die auf vegetatives Wachstum hinweisen können) über verschiedene geografische Positionen in einem Feld von Interesse ab. Ein Beispiel eines vegetativen Index beinhaltet einen normalisierten Differenzvegetationsindex (NDVI). Es gibt viele andere vegetative Indizes, die im Umfang der vorliegenden Offenbarung liegen. In einigen Beispielen kann ein vegetativer Index aus Sensormesswerten eines oder mehrerer Bänder elektromagnetischer Strahlung abgeleitet werden, die von den Pflanzen reflektiert werden. Ohne Einschränkungen können diese Bänder im Mikrowellen-, Infrarot-, sichtbaren oder ultravioletten Teil des elektromagnetischen Spektrums liegen.Some current systems provide vegetative index maps. A vegetative index map illustratively maps vegetative index values (which may be indicative of vegetative growth) across various geographic locations in a field of interest. An example of a vegetative index includes a normalized difference vegetative index (NDVI). There are many other vegetative indices that are within the scope of the present disclosure. In some examples, a vegetative index may be derived from sensor readings of one or more bands of electromagnetic radiation reflected from the plants. Without limitation, these bands can be in the microwave, infrared, visible, or ultraviolet portions of the electromagnetic spectrum.
Eine vegetative Indexkarte kann verwendet werden, um das Vorhandensein und die Position der Vegetation zu identifizieren. In einigen Beispielen ermöglichen diese Karten, dass Unkraut in Gegenwart von nacktem Boden, Erntegutrückständen oder anderen Pflanzen, einschließlich Erntegut oder anderem Unkraut, identifiziert und georeferenziert werden. Zum Beispiel können die Erntegutpflanzen am Ende einer Vegetationsperiode, wenn eine Kultur reif ist, einen relativ geringen Anteil an lebender, wachsender Vegetation aufweisen. Unkräuter verharren jedoch oft nach der Reife der Kultur in einem Wachstumszustand. Wenn daher eine vegetative Indexkarte relativ spät in der Wachstumsperiode erstellt wird, kann die vegetative Indexkarte die Position von Unkraut auf dem Feld anzeigen.A vegetative index map can be used to identify the presence and location of vegetation. In some examples, these maps allow weeds to be identified and georeferenced in the presence of bare soil, crop residue, or other vegetation, including crop or other weeds. For example, at the end of a growing season, when a crop is mature, the crop plants may have a relatively low proportion of living, growing vegetation. However, weeds often remain in a state of growth after the crop has matured. Therefore, if a vegetative index map is made relatively late in the growing season, the vegetative index map can indicate the position of weeds in the field.
Einige aktuelle Systeme bieten Erntegutfeuchtigkeitskarten. Eine Erntegutfeuchtigkeitskarte bildet veranschaulichend Erntegutfeuchtigkeit über verschiedene geografische Positionen in einem Feld von Interesse ab. In einem Beispiel kann Erntegutfeuchtigkeit vor einem Erntevorgang durch ein unbemanntes Luftfahrzeug (UAV) erfasst werden, das mit einem Feuchtigkeitssensor ausgestattet ist. Wenn sich das UAV über das Feld bewegt, werden die Erntegutfeuchtigkeitsmessungen geolokalisiert, um eine Erntegutfeuchtigkeitskarte zu erstellen. Dies ist nur ein Beispiel und die Erntegutfeuchtigkeitskartekarte kann auch auf andere Weise erstellt werden, zum Beispiel kann die Erntegutfeuchtigkeit über ein Feld auf Grundlage von Niederschlag, Bodenfeuchtigkeit oder Kombinationen davon vorhergesagt werden.Some current systems provide crop moisture maps. A crop moisture map illustratively depicts crop moisture across various geographic locations in a field of interest. In one example, crop moisture may be sensed prior to a harvesting operation by an unmanned aerial vehicle (UAV) equipped with a moisture sensor. As the UAV moves across the field, the crop moisture measurements are geolocated to create a crop moisture map. This is just an example and the crop moisture map can be created in other ways, for example crop moisture across a field can be predicted based on precipitation, soil moisture, or combinations thereof.
Einige aktuelle Systeme bieten topographische Karten. Eine topographische Karte bildet veranschaulichend Höhen oder andere topographische Merkmale des Bodens über verschiedene geografische Positionen in einem Feld von Interesse ab. Da die Bodenneigung eine Höhenänderung anzeigt, ermöglicht das Bereitstellen von zwei oder mehr Höhenwerten die Berechnung der Neigung über die Bereiche mit bekannten Höhenwerten. Eine größere Granularität der Neigung kann erreicht werden, indem mehr Bereiche mit bekannten Höhenwerten bereitgestellt werden. Wenn eine landwirtschaftliche Erntemaschine in bekannte Richtungen über das Gelände fährt, können die Neigung und das Rollen der landwirtschaftlichen Erntemaschine basierend auf der Neigung des Bodens (d. h. Bereichen mit wechselnder Höhe) bestimmt werden. Topographische Merkmale, auf die nachstehend Bezug genommen wird, können unter anderem die Höhe, die Neigung (z. B. einschließlich der Maschinenausrichtung relativ zur Neigung) und das Bodenprofil (z. B. Unebenheit) beinhalten.Some current systems provide topographic maps. A topographical map illustratively maps elevations or other topographical features of the ground across various geographic locations in a field of interest. Since ground slope indicates a change in elevation, providing two or more elevation values allows the slope to be calculated over the areas of known elevation values. Greater granularity of slope can be achieved by providing more regions with known elevation values. As an agricultural harvester travels over the terrain in known directions, the pitch and roll of the agricultural harvester can be determined based on the slope of the ground (ie, areas of varying elevation). topography Physical characteristics referred to below may include, but are not limited to, elevation, grade (e.g., including machine orientation relative to grade), and ground profile (e.g., unevenness).
Einige aktuelle Systeme bieten Bodeneigenschaftskarten. Eine Bodeneigenschaftskarte bildet veranschaulichend Bodeneigenschaftswerte (die auf Bodentyp, Bodenfeuchtigkeit, Bodenbedeckung, Bodenstruktur sowie verschiedene andere Bodeneigenschaften hinweisen können) über verschiedene geografische Positionen in einem Feld von Interesse ab. Die Bodeneigenschaftskarten stellen somit georeferenzierte Bodeneigenschaften über ein Feld von Interesse bereit. Der Bodentyp kann sich auf taxonomische Einheiten in der Bodenwissenschaft beziehen, wobei jeder Bodentyp definierte Sätze von gemeinsamen Eigenschaften beinhaltet. Bodentypen können beispielsweise Sandboden, Tonboden, Schluffboden, Torfboden, Kreideboden, Lehmboden und verschiedene andere Bodentypen umfassen. Die Bodenfeuchtigkeit kann sich auf die Wassermenge beziehen, die im Boden gehalten oder anderweitig enthalten ist. Die Bodenfeuchtigkeit wird auch als Bodennässe bezeichnet. Die Bodenbedeckung kann sich auf die Menge von Gegenständen oder Materialien beziehen, die den Boden bedecken, einschließlich Vegetationsmaterial, wie Erntegutrückstände oder Zwischenfrüchte, Schutt sowie verschiedene andere Gegenstände oder Materialien. In landwirtschaftlicher Hinsicht umfasst die Bodenbedeckung häufig ein Maß an verbleibenden Erntegutrückständen, wie etwa eine verbleibende Masse an Pflanzenstängeln, sowie ein Maß an Zwischenfrüchten. Die Bodenstruktur kann sich auf die Anordnung fester Teile des Bodens und des zwischen den festen Teilen des Bodens befindlichen Porenraums beziehen. Die Bodenstruktur kann die Art und Weise umfassen, in der einzelne Partikel, wie z. B. einzelne Partikel aus Sand, Schluff und Ton, zusammengesetzt werden. Die Bodenstruktur kann in Bezug auf den Grad (Aggregationsgrad), die Klasse (durchschnittliche Größe der Aggregate) und die Form (Arten von Aggregaten) sowie eine Vielzahl anderer Beschreibungen beschrieben werden. Dies sind nur Beispiele. Verschiedene andere Merkmale und Eigenschaften des Bodens können als Bodeneigenschaftswerte auf einer Bodeneigenschaftskarte abgebildet werden.Some current systems provide soil property maps. A soil property map illustratively maps soil property values (which may be indicative of soil type, soil moisture, soil cover, soil structure, as well as various other soil properties) across various geographic locations in a field of interest. The soil property maps thus provide georeferenced soil properties over a field of interest. Soil type can refer to taxonomic units in soil science, with each soil type having defined sets of common properties. For example, soil types may include sandy soil, clay soil, silt soil, peat soil, chalky soil, clay soil, and various other soil types. Soil moisture can refer to the amount of water held or otherwise contained in the soil. Soil moisture is also known as soil wetness. Land cover may refer to the amount of objects or materials covering the ground, including vegetation material such as crop residues or cover crops, debris, as well as various other objects or materials. In agricultural terms, soil cover often includes a level of residual crop residues, such as a residual mass of plant stems, as well as a level of catch crops. Soil structure can refer to the arrangement of solid parts of the soil and the pore space located between the solid parts of the soil. Soil structure may include the manner in which individual particles, such as B. individual particles of sand, silt and clay are assembled. Soil structure can be described in terms of grade (degree of aggregation), class (average size of aggregates), and shape (types of aggregates), as well as a variety of other descriptions. These are just examples. Various other features and properties of the soil can be mapped as soil property values on a soil property map.
Diese Bodeneigenschaftskarten können auf der Grundlage von Daten generiert werden, die während eines anderen Vorgangs erfasst wurden, der dem Feld von Interesse entspricht, beispielsweise frühere landwirtschaftliche Vorgänge in derselben Saison, wie Pflanzvorgänge oder Sprühvorgänge, sowie frühere landwirtschaftliche Vorgänge, die in vergangenen Saisons durchgeführt wurden, wie beispielsweise ein früherer Erntevorgang. Die landwirtschaftlichen Maschinen, die diese landwirtschaftlichen Vorgänge durchführen, können bordeigene Sensoren aufweisen, die Merkmale erkennen, die Bodeneigenschaften angeben, zum Beispiel Merkmale, die indikativ für Bodentyp, Bodenfeuchtigkeit, Bodenabdeckung, Bodenstruktur sind, sowie verschiedene andere Merkmale, die indikativ für verschiedene andere Bodeneigenschaften sind. Zusätzlich können Betriebsmerkmale oder Maschineneinstellungen der landwirtschaftlichen Maschinen während früherer Vorgänge zusammen mit anderen Daten verwendet werden, um eine Bodeneigenschaftskarte zu erzeugen. Zum Beispiel können Erntevorsatzhöhendaten, die eine Höhe des Erntevorsatzes einer landwirtschaftlichen Erntemaschine über verschiedene geografische Positionen in dem Feld von Interesse während eines vorherigen Erntevorgangs angeben, zusammen mit Wetterdaten, die Wetterbedingungen wie Niederschlagsdaten oder Winddaten während eines Zwischenzeitraums (wie etwa den Zeitraum seit dem Zeitpunkt des vorherigen Erntevorgangs und die Erzeugung der Bodeneigenschaftskarte) angeben, verwendet werden, um eine Bodenfeuchtigkeitskarte zu erzeugen. Zum Beispiel kann durch Kenntnis der Höhe des Erntevorsatzes die Menge an verbleibenden Pflanzenrückständen, wie etwa Erntegutstängeln, bekannt oder geschätzt werden und zusammen mit Niederschlagsdaten kann der Bodenfeuchtigkeitsgrad vorhergesagt werden. Dies ist nur ein Beispiel.These soil property maps may be generated based on data collected during another operation corresponding to the field of interest, for example previous farming operations in the same season, such as planting operations or spraying operations, as well as previous farming operations performed in previous seasons , such as a previous harvest. The agricultural machines that perform these agricultural operations may have onboard sensors that detect features indicative of soil properties, for example features indicative of soil type, soil moisture, soil cover, soil structure, and various other features indicative of various other soil properties are. In addition, operational characteristics or machine settings of the agricultural machines during previous operations can be used along with other data to generate a soil property map. For example, header elevation data indicating an elevation of an agricultural harvester's header over various geographic locations in the field of interest during a previous harvest operation, along with weather data indicating weather conditions such as precipitation data or wind data during an intermediate period (such as the period since the time of previous harvesting operation and the generation of the soil property map) can be used to generate a soil moisture map. For example, by knowing the height of the header, the amount of remaining crop residue, such as crop stalks, can be known or estimated, and together with precipitation data, the soil moisture level can be predicted. This is only an example.
Die vorliegende Erörterung beinhaltet auch prädiktive Karten, die ein Merkmal auf Grundlage einer Informationskarte und einer Beziehung zu einem In-situ-Sensor vorhersagen. Zwei dieser Karten beinhalten eine prädiktive Ertragskarte und eine prädiktive Biomassekarte. In einem Beispiel wird die prädiktive Ertragskarte durch Empfangen einer vorherigen vegetativen Indexkarte und Erfassen eines Ertrags während eines Erntevorgangs und Bestimmen einer Beziehung zwischen der vorherigen vegetativen Indexkarte und dem Ertragssensorsignal und Verwenden der Beziehung zum Erzeugen der prädiktiven Ertragskarte auf Grundlage der Beziehung und der vorherigen vegetativen Indexkarte erzeugt. In einem Beispiel wird die prädiktive Biomassekarte durch Empfangen einer früheren vegetativen Indexkarte und Erfassen einer Biomasse und Bestimmen einer Beziehung zwischen der früheren vegetativen Indexkarte und dem Biomassesensorsignal und Verwenden der Beziehung zum Erzeugen der prädiktiven Biomassekarte auf Grundlage der Beziehung und der früheren vegetativen Indexkarte erzeugt. Die prädiktiven Ertrags- und Biomassekarten können auf Grundlage anderer Informationskarten erstellt oder auch auf andere Weise erzeugt werden. Beispielsweise können die prädiktiven Ertrags- und Biomassekarten basierend auf Satellitendaten oder einem Wachstumsmodell erzeugt werden.The present discussion also includes predictive maps that predict a feature based on an information map and a relationship with an in situ sensor. Two of these maps include a predictive yield map and a predictive biomass map. In one example, the predictive yield map is obtained by receiving a previous vegetative index map and detecting a yield during a harvesting operation and determining a relationship between the previous vegetative index map and the yield sensor signal and using the relationship to generate the predictive yield map based on the relationship and the previous vegetative index map generated. In one example, the predictive biomass map is generated by receiving a previous vegetative index map and detecting a biomass and determining a relationship between the previous vegetative index map and the biomass sensor signal and using the relationship to generate the predictive biomass map based on the relationship and the previous vegetative index map. The predictive yield and biomass maps may be based on other information maps or may be generated in other ways. For example, the predictive yield and biomass maps can be generated based on satellite data or a growth model.
Die vorliegende Erörterung fährt somit in Bezug auf Beispiele fort, in denen ein System eines oder mehrere von einem vegetativen Index, Unkraut, Erntegutfeuchtigkeit, Bodeneigenschaft, Topographie, prädiktivem Ertrag oder prädiktiver Biomassekarte empfängt und außerdem einen In-situ-Sensor verwendet, um eine Variable zu erkennen, die den Erntegutzustand während eines Erntevorgangs angibt. Das System erzeugt ein Modell, das eine Beziehung zwischen den vegetativen Indexwerten, Erntegutfeuchtigkeitswerten, Bodeneigenschaftswerten, prädiktiven Ertragswerten oder prädiktiven Biomassewerten aus den Karten und den In-situ-Daten von dem In-situ-Sensor modelliert. Das Modell wird verwendet, um eine funktionelle prädiktive Leistungskarte zu erzeugen, die ein erwartetes Leistungsmerkmal der landwirtschaftlichen Erntemaschine in dem Feld vorhersagt. Die funktionelle prädiktive Leistungsmerkmalskarte, die während des Erntevorgangs erzeugt wird, kann einem Bediener oder einem anderen Benutzer dargestellt werden oder zum automatischen Steuern einer landwirtschaftlichen Erntemaschine während des Erntevorgangs verwendet werden oder beides.The present discussion thus continues with respect to examples in which a system receives one or more of a vegetative index, weeds, crop moisture, soil property, topography, predictive yield, or predictive biomass map and also uses an in situ sensor to measure a variable to recognize, which indicates the crop condition during a harvesting process. The system creates a model that models a relationship between the vegetative index values, crop moisture values, soil property values, predicted yield values, or predicted biomass values from the maps and the in situ data from the in situ sensor. The model is used to generate a functional predictive performance map that predicts an expected performance characteristic of the agricultural harvester in the field. The functional predictive performance map generated during the harvesting process may be presented to an operator or other user, or used to automatically control an agricultural harvesting machine during the harvesting process, or both.
Wie in
Der Drescher 110 beinhaltet veranschaulichend einen Dreschrotor 112 und einen Satz von Dreschkörben 114. Ferner beinhaltet die landwirtschaftliche Erntemaschine 100 auch einen Abscheider 116. Die landwirtschaftliche Erntemaschine 100 beinhaltet auch ein Reinigungs-Teilsystem oder einen Siebkasten (gemeinsam als Reinigungs-Teilsystem 118 bezeichnet), das ein Reinigungsgebläse 120, einen Häcksler 122 und ein Sieb 124 beinhaltet. Das Materialhandhabungs-Teilsystem 125 beinhaltet außerdem eine Auswurftrommel 126, einen Überkehrelevator 128, einen Reinkornelevator 130 sowie eine Entladeschnecke 134 und den Auswurf 136. Der Reinkornelevator befördert reines Korn in den Reinkorntank 132. Die landwirtschaftliche Erntemaschine 100 beinhaltet auch ein Rückstands-Teilsystem 138, das einen Häcksler 140 und einen Verteiler 142 beinhalten kann. Die landwirtschaftliche Erntemaschine 100 beinhaltet auch ein Antriebs-Teilsystem, das einen Motor beinhaltet, der Bodeneingriffskomponenten 144, wie etwa Räder oder Raupenketten, antreibt. In einigen Beispielen kann ein Mähdrescher innerhalb des Umfangs der vorliegenden Offenbarung mehr als eines der oben genannten Teilsysteme aufweisen. In einigen Beispielen kann die landwirtschaftliche Erntemaschine 100 linke und rechte Reinigungs-Teilsysteme, Abscheider usw. aufweisen, die in
Im Betrieb und zur Übersicht bewegt sich die landwirtschaftliche Erntemaschine 100 veranschaulichend durch ein Feld in der durch Pfeil 147 angezeigten Richtung. Während der Bewegung der landwirtschaftlichen Erntemaschine 100 greift der Erntevorsatz 102 (und die zugehörige Haspel 164) in das zu erntende Erntegut ein und sammelt das Erntegut in Richtung der Schneidevorrichtung 104. Ein Bediener der landwirtschaftlichen Erntemaschine 100 kann ein lokaler menschlicher Bediener, ein entfernter menschlicher Bediener oder ein automatisiertes System sein. Der Bediener der landwirtschaftlichen Erntemaschine 100 kann eine oder mehrere Höheneinstellungen, Neigungswinkeleinstellungen oder Rollwinkeleinstellungen für den Erntevorsatz 102 bestimmen. Zum Beispiel gibt der Bediener eine Einstellung oder Einstellungen in ein Steuersystem ein, das im Folgenden genauer beschrieben wird und das das Stellglied 107 steuert. Das Steuersystem kann auch eine Einstellung vom Bediener zum Einrichten des Neigungswinkels und Rollwinkels des Erntevorsatzes 102 empfangen und die eingegebenen Einstellungen implementieren, indem zugeordnete Stellglieder, die nicht gezeigt sind, gesteuert werden, die arbeiten, um den Neigungswinkel und Rollwinkel des Erntevorsatzes 102 zu ändern. Das Stellglied 107 hält den Erntevorsatz 102 auf einer Höhe über dem Boden 111 auf Grundlage einer Höheneinstellung und gegebenenfalls auf gewünschten Neigungs- und Rollwinkeln. Jede der Höhen-, Roll- und Neigungseinstellungen kann unabhängig von den anderen implementiert werden. Das Steuersystem reagiert auf Erntevorsatzfehler (z. B. die Differenz zwischen der Höheneinstellung und der gemessenen Höhe des Erntevorsatzes 104 über dem Boden 111 und in einigen Beispielen Neigungswinkel- und Rollwinkelfehler) mit einer Reaktionsfähigkeit, die auf Grundlage einer ausgewählten Empfindlichkeitsstufe bestimmt wird. Wenn die Empfindlichkeitsstufe auf eine größere Empfindlichkeitsstufe eingestellt ist, reagiert das Steuersystem auf kleinere Erntevorsatz-Positionsfehler und versucht, die erkannten Fehler schneller zu reduzieren, als wenn die Empfindlichkeit auf einer niedrigeren Empfindlichkeitsstufe ist.In operation and for overview,
Zurückkehrend zur Beschreibung des Betriebs der landwirtschaftlichen Erntemaschine 100 wird das abgetrennte Erntematerial, nachdem das Erntegut durch die Schneidevorrichtung 104 geschnitten wurde, durch einen Förderer im Zuführgehäuse 106 in Richtung des Zuführbeschleunigers 108 bewegt, der das Erntematerial in den Dreschwerk 110 beschleunigt. Das Erntegut wird durch den Rotor 112 gedroschen, der das Erntegut gegen die Dreschkörbe 114 dreht. Das gedroschene Erntegutmaterial wird durch einen Abscheiderrotor im Abscheider 116 bewegt, wobei ein Teil des Rückstands durch die Auswurftrommel 126 in Richtung des Rückstands-Teilsystems 138 bewegt wird. Der Teil des Rückstands, der an das Rückstands-Teilsystem 138 übertragen wird, wird vom Rückstandhäcksler 140 zerkleinert und vom Verteiler 142 auf dem Feld verteilt. In anderen Konfigurationen wird der Rückstand in einer Schwade von der landwirtschaftlichen Erntemaschine 100 freigegeben. In anderen Beispielen kann das Rückstands-Teilsystem 138 Unkrautbeseitigungsmittel (nicht gezeigt) beinhalten, wie etwa Samenabsackanlagen oder andere Samensammler oder Samenzerkleinerer oder andere Saatzerstörer.Returning to the description of the operation of
Das Korn fällt auf das Reinigungs-Teilsystem 118. Der Häcksler 122 trennt einen Teil gröberer Materialstücke vom Korn und das Sieb 124 trennt einen Teil feinerer Materialstücke vom Reinkorn. Das Reinkorn fällt auf eine Schnecke, die das Korn zu einem Einlassende des Reinkornelevators 130 bewegt und der Reinkornelevator 130 bewegt das Reinkorn nach oben, wodurch das Reinkorn im Reinkorntank 132 abgeschieden wird. Rückstände werden aus dem Reinigungs-Teilsystem 118 durch den Luftstrom des Reinigungsgebläses 120 entfernt. Das Reinigungsgebläse 120 leitet Luft entlang eines Luftstrompfads nach oben durch die Siebe und Häcksler. Der Luftstrom trägt Rückstände in der landwirtschaftlichen Erntemaschine 100 nach hinten in Richtung des Rückstandhandhabungs-Teilsystems 138.The grain falls onto the
Der Überkehrelevator 128 führt die Überkehr zum Drescher 110 zurück, wo die Überkehr nachgedroschen wird. Alternativ kann die Überkehr auch einem separaten Nachdresch-Mechanismus durch einen Überkehrelevator oder eine andere Transportvorrichtung zugeführt werden, wo die Überkehr ebenfalls nachgedroschen wird.The
Der Bodengeschwindigkeitssensor 146 erfasst die Fahrgeschwindigkeit der landwirtschaftlichen Erntemaschine 100 über den Boden. Der Bodengeschwindigkeitssensor 146 kann die Fahrgeschwindigkeit der landwirtschaftlichen Erntemaschine 100 durch Erfassen der Umdrehungsgeschwindigkeit der Bodeneingriffskomponenten (wie etwa Räder oder Raupenketten), einer Antriebswelle, einer Achse oder anderer Komponenten erfassen. In einigen Fällen kann die Fahrgeschwindigkeit mithilfe eines Ortungssystems, wie etwa eines globalen Positionierungssystems (GPS), eines Koppelnavigationssystems, eines Fernnavigationssystems (LORAN) oder einer Vielzahl anderer Systeme oder Sensoren, die eine Anzeige der Fahrgeschwindigkeit vorsehen, erfasst werden.The
Die Verlustsensoren 152 sehen veranschaulichend ein Ausgabesignal vor, das die Menge des Kornverlustes anzeigt, die sowohl auf der rechten als auch auf der linken Seite des Reinigungs-Teilsystems 118 auftritt. In einigen Beispielen sind die Sensoren 152 Schlagsensoren, die Kornschläge pro Zeiteinheit oder pro Entfernungseinheit zählen, um einen Hinweis auf den Kornverlust vorzusehen, der an dem Reinigungs-Teilsystem 118 auftritt. Die Schlagsensoren für die rechte und linke Seite des Siebkastens 118 können einzelne Signale oder ein kombiniertes oder aggregiertes Signal vorsehen. In einigen Beispielen können die Sensoren 152 einen einzelnen Sensor beinhalten, im Gegensatz zu separaten Sensoren, die für jedes Reinigungs-Teilsystem 118 bereitgestellt sind.The
Der Abscheider-Verlustsensor 148 liefert ein Signal, das den Kornverlust im linken und rechten Abscheider anzeigt, die in
Die landwirtschaftliche Erntemaschine 100 kann auch andere Sensoren und Messmechanismen beinhalten. Die landwirtschaftliche Erntemaschine 100 kann beispielsweise einen oder mehrere der folgenden Sensoren beinhalten: einen Erntevorsatzhöhensensor, der eine Höhe des Erntevorsatzes 102 über dem Boden 111 erfasst; Stabilitätssensoren, die eine Oszillations- oder Prellbewegung (und Amplitude) der landwirtschaftlichen Erntemaschine 100 erfassen; einen Rückstandeinstellungssensor, der konfiguriert ist, um zu erfassen, ob die landwirtschaftliche Erntemaschine 100 konfiguriert ist, den Rückstand zu zerkleinern, eine Schwade zu erzeugen usw.; einen Siebkasten-Gebläsedrehzahlsensor, um die Drehzahl des Gebläses 120 zu erfassen; einen konkaven Abstandssensor, der den Abstand zwischen dem Rotor 112 und den Dreschkörben 114 erfasst; einen Dreschrotor-Drehzahlsensor, der eine Rotordrehzahl des Rotors 112 erfasst; einen Häckselspaltensensor, der die Größe der Öffnungen im Häcksler 122 erfasst; einen Siebspaltsensor, der die Größe der Öffnungen im Sieb 124 erfasst; einen Feuchtigkeitssensor für anderes Material als Korn (MOG), der einen Feuchtigkeitsgehalt des MOG erfasst, das die landwirtschaftliche Erntemaschine 100 passiert; einen oder mehrere Maschineneinstellsensoren, die konfiguriert sind, um verschiedene konfigurierbare Einstellungen der landwirtschaftlichen Erntemaschine 100 zu erfassen; einen Maschinenausrichtungssensor, der die Ausrichtung der landwirtschaftlichen Erntemaschine 100 erfasst; und Ernteguteigenschaftssensoren, die eine Vielzahl verschiedener Arten von Ernteguteigenschaften erfassen, wie etwa die Art des Ernteguts, die Feuchtigkeit des Ernteguts und andere Eigenschaften des Ernteguts. Die Ernteguteigenschaftssensoren können auch konfiguriert werden, um die Merkmale des abgetrennten Ernteguts während der Verarbeitung durch die landwirtschaftliche Erntemaschine 100 zu erfassen. Beispielsweise können die Ernteguteigenschaftssensoren in einigen Fällen die Kornqualität erfassen, wie etwa gebrochenes Korn, MOG-Werte; Kornbestandteile, wie etwa Stärken und Protein; und Kornzufuhrmenge, wenn sich das Korn durch das Zuführgehäuse 106, den Reinkornelevator 130 oder anderswo in der landwirtschaftlichen Erntemaschine 100 bewegt. Die Ernteguteigenschaftssensoren können auch die Vorschubgeschwindigkeit von Biomasse durch das Zuführgehäuse 106, durch den Abscheider 116 oder an anderer Stelle in der landwirtschaftlichen Erntemaschine 100 erfassen. Die Ernteguteigenschaftssensoren können die Vorschubgeschwindigkeit auch als Massendurchsatz von Korn durch den Elevator 130 oder durch andere Abschnitte der landwirtschaftlichen Erntemaschine 100 erfassen oder andere Ausgangssignale bereitstellen, die auf andere erfasste Größen hinweisen.
Beispiele für Sensoren, die zum Erkennen oder Erfassen der Leistungsmerkmale verwendet werden, sind unter anderem ein Spannungssensor, ein Stromsensor, ein Drehmomentsensor, ein Fluiddrucksensor, ein Fluidströmungssensor, ein Kraftsensor, ein Lagerlastsensor und ein Drehsensor. Leistungsmerkmale können bei unterschiedlicher Granularität gemessen werden. Beispielsweise kann der Leistungsverbrauch maschinenweit, teilsystemweit oder durch einzelne Komponenten der Teilsysteme erfasst werden.Examples of sensors used to detect or measure the performance characteristics include a tension sensor, a current sensor, a torque sensor, a fluid pressure sensor, a fluid flow sensor, a force sensor, a bearing load sensor, and a rotation sensor. Performance characteristics can be measured at different granularities. For example, the power consumption can be recorded machine-wide, sub-system-wide or by individual components of the sub-systems.
Bevor beschrieben wird, wie die landwirtschaftliche Erntemaschine 100 eine funktionelle prädiktive Leistungskarte erzeugt und die funktionelle prädiktive Leistungskarte zur Steuerung verwendet, erfolgt zunächst eine kurze Beschreibung einiger Elemente der landwirtschaftlichen Erntemaschine 100 und deren Betrieb. Die Beschreibung der
Nachdem der allgemeine Ansatz in Bezug auf die
Die Informationskarte 258 kann mithilfe des Kommunikationssystems 206 oder auf andere Weise auf die landwirtschaftliche Erntemaschine 100 heruntergeladen und im Datenspeicher 202 gespeichert werden. In einigen Beispielen kann das Kommunikationssystem 206 ein zellulares Kommunikationssystem, ein System zum Kommunizieren über ein Weitverkehrsnetzwerk oder ein lokales Netzwerk, ein System zum Kommunizieren über ein Nahfeldkommunikationsnetzwerk oder ein Kommunikationssystem sein, das konfiguriert ist, um über ein beliebiges aus einer Vielzahl anderer Netzwerke oder Kombinationen von Netzwerken zu kommunizieren. Das Kommunikationssystem 206 kann auch ein System beinhalten, das das Herunterladen oder Übertragen von Informationen auf und von einer Secure Digital (SD)-Karte oder einer universellen seriellen Bus (USB)-Karte oder beides erleichtert.
Der geografische Positionssensor 204 erfasst oder erkennt veranschaulichend die geografische Position oder den Ort der landwirtschaftlichen Erntemaschine 100. Der geografische Positionssensor 204 kann unter anderem einen Empfänger für ein globales Navigationssatellitensystem (GNSS) beinhalten, der Signale von einem GNSS-Satellitensender empfängt. Der geografische Positionssensor 204 kann auch eine Echtzeit-Kinematikkomponente (RTK) enthalten, die konfiguriert ist, um die Genauigkeit der aus dem GNSS-Signal abgeleiteten Positionsdaten zu verbessern. Der geografische Positionssensor 204 kann ein Koppelnavigationssystem, ein zellulares Triangulationssystem oder eine Vielzahl von anderen geografischen Positionssensoren beinhalten.The
Bei den In-situ-Sensoren 208 kann es sich um beliebige der vorstehend beschriebenen Sensoren in Bezug auf
Der prädiktive Modellgenerator 210 erzeugt ein Modell, das eine Beziehung zwischen den durch den In-situ-Sensor 208 erfassten Werten und einem durch die Informationskarte 258 auf das Feld abgebildeten Metrik angibt. Wenn zum Beispiel die Informationskarte 258 einen vegetativen Indexwert auf verschiedene Positionen in dem Feld abbildet und der In-situ-Sensor 208 einen Wert erfasst, der den Erntevorsatzleistungsverbrauch angibt, dann erzeugt der Vorabinformationsvariable-zu-In-situ-Variable-Modellgenerator 228 ein prädiktives Leistungsmodell, das die Beziehung zwischen dem vegetativen Indexwert und dem Erntevorsatzleistungsverbrauchswert modelliert. Das prädiktive Leistungsmodell kann auch auf Grundlage vegetativer Indexwerte von der Informationskarte 258 und mehrerer In-situ-Datenwerte erzeugt werden, die durch In-situ-Sensoren 208 erzeugt werden. Dann verwendet der prädiktive Kartengenerator 212 das durch den prädiktiven Modellgenerator 210 erzeugte prädiktive Leistungsmodell, um eine funktionelle prädiktive Leistungskarte zu erzeugen, die den Wert eines Leistungsmerkmals, wie etwa Leistungsverbrauch durch ein Teilsystem, der durch die In-situ-Sensoren 208 an verschiedenen Positionen in dem Feld erfasst wird, auf Grundlage der Informationskarte 258 vorhersagt.The
In einigen Beispielen kann der Typ der Werte in der funktionellen prädiktiven Karte 263 der gleiche wie der von den In-situ-Sensoren 208 erfasste In-situ-Sensortyp sein. In einigen Fällen kann der Typ der Werte in der funktionellen prädiktiven Karte 263 andere Einheiten als die von den In-situ-Sensoren 208 erfassten Daten aufweisen. In einigen Beispielen kann der Typ der Werte in der funktionellen prädiktiven Karte 263 der gleiche wie der von den In-situ-Sensoren 208 erfasste In-situ-Datentyp sein, weist jedoch eine Beziehung zu dem Typ des von den In-situ-Sensoren 208 erfassten Datentyps auf. Beispielsweise kann der von den In-situ-Sensoren 208 erfasste Datentyp in einigen Beispielen den Typ der Werte in der funktionellen prädiktiven Karte 263 anzeigen. In einigen Beispielen kann sich der Typ der Daten in der funktionellen prädiktiven Karte 263 von dem Datentyp in der Informationskarte 258 unterscheiden. In einigen Fällen kann der Typ der Daten in der funktionellen prädiktiven Karte 263 andere Einheiten als die Daten in der Informationskarte 258 aufweisen. In einigen Beispielen kann sich der Typ der Daten in der funktionellen prädiktiven Karte 263 von dem Datentyp in der Informationskarte 258 unterscheiden, hat jedoch eine Beziehung zu dem Datentyp in der Informationskarte 258. Beispielsweise kann der Datentyp in der Informationskarte 258 in einigen Beispielen den Typ der Daten in der funktionellen prädiktiven Karte 263 angeben. In einigen Beispielen unterscheidet sich der Typ der Daten in der funktionellen prädiktiven Karte 263 von einem oder beiden von dem durch die In-situ-Sensoren 208 erfassten In-situ-Datentyp und dem Datentyp in der Informationskarte 258. In einigen Beispielen ist der Typ der Daten in der funktionellen prädiktiven Karte 263 der gleiche wie einer oder beide des von den In-situ-Sensoren 208 erfassten In-situ-Datentyps und des Datentyps in der Informationskarte 258. In einigen Beispielen ist der Typ der Daten in der funktionellen prädiktiven Karte 263 der gleiche wie der von den In-situ-Sensoren 208 erfasste In-situ-Datentyp oder der Datentyp in der Informationskarte 258 und unterscheidet sich von dem anderen.In some examples, the type of values in functional predictive map 263 may be the same as the in situ sensor type sensed by in
Weiter mit dem vorhergehenden Beispiel, in dem die Informationskarte 258 eine vegetative Indexkarte ist und der In-situ-Sensor 208 einen Wert erfasst, der den Erntevorsatzleistungsverbrauch angibt, kann der prädiktive Kartengenerator 212 die vegetativen Indexwerte in der Informationskarte 258 und das durch den prädiktiven Modellgenerator 210 erzeugte Modell verwenden, um eine funktionelle prädiktive Karte 263 zu erzeugen, die den Erntevorsatzleistungsverbrauch an verschiedenen Positionen in dem Feld vorhersagt. Der prädiktive Kartengenerator 212 gibt somit die prädiktive Karte 264 aus.Continuing with the previous example in which the
Wie in
Nun werden einige Variationen in den Datentypen beschrieben, die in der Informationskarte 258 abgebildet sind, die Datentypen, die von In-situ-Sensoren 208 erfasst werden, und die Datentypen, die auf der prädiktiven Karte 264 vorhergesagt werden.Some variations in the types of data depicted in
In einigen Beispielen unterscheidet sich der Datentyp in der Informationskarte 258 von dem Datentyp, der von In-situ-Sensoren 208 erfasst wird, dennoch ist der Datentyp in der prädiktiven Karte 264 derselbe wie der Datentyp, der von den In-situ-Sensoren 208 erfasst wird. Beispielsweise kann die Informationskarte 258 eine vegetative Indexkarte sein, und die von den In-situ-Sensoren 208 erfasste Variable kann der Ertrag sein. Die prädiktive Karte 264 kann dann eine prädiktive Ertragskarte sein, die vorhergesagte Ertragswerte auf verschiedene geografische Positionen in dem Feld abbildet. In einem weiteren Beispiel kann die Informationskarte 258 eine vegetative Indexkarte sein, und die von den In-situ-Sensoren 208 erfasste Variable kann eine Ernteguthöhe sein. Die prädiktive Karte 264 kann dann eine prädiktive Ernteguthöhenkarte sein, die vorhergesagte Ernteguthöhenwerte auf verschiedene geografische Positionen in dem Feld abbildet.In some examples, the type of data in
Außerdem unterscheidet sich in einigen Beispielen der Datentyp in der Informationskarte 258 von dem Datentyp, der von In-situ-Sensoren 208 erfasst wird, und der Datentyp in der prädiktiven Karte 264 unterscheidet sich sowohl von dem Datentyp in der Informationskarte 258 als auch von dem Datentyp, der von den In-situ-Sensoren 208 erfasst wird. Beispielsweise kann die Informationskarte 258 eine vegetative Indexkarte sein, und die von den In-situ-Sensoren 208 erfasste Variable kann die Ernteguthöhe sein. Die prädiktive Karte 264 kann dann eine prädiktive Biomassekarte sein, die vorhergesagte Biomassewerte auf verschiedene geografische Positionen in dem Feld abbildet. Beispielsweise kann die Informationskarte 258 eine vegetative Indexkarte sein, und die von den In-situ-Sensoren 208 erfasste Variable kann die Ernteguthöhe sein. Die prädiktive Karte 264 kann dann eine prädiktive Geschwindigkeitskarte sein, die vorhergesagte Erntemaschinengeschwindigkeitswerte auf verschiedene geografische Positionen in dem Feld abbildet.Also, in some examples, the type of data in
In einigen Beispielen stammt die Informationskarte 258 von einem vorherigen Durchlauf durch das Feld während eines Vorabbetriebs und der Datentyp unterscheidet sich von dem Datentyp, der von In-situ-Sensoren 208 erfasst wird, jedoch ist der Datentyp in der prädiktiven Karte 264 der gleiche wie der Datentyp, der von den In-situ-Sensoren 208 erfasst wird. Beispielsweise kann die Informationskarte 258 eine Samenpopulationskarte sein, die während des Pflanzens erzeugt wird, und die Variable, die durch die In-situ-Sensoren 208 erfasst wird, kann die Stängelgröße sein. Die prädiktive Karte 264 kann dann eine prädiktive Stängelgrößenkarte sein, die vorhergesagte Stängelgrößenwerte auf verschiedene geografische Positionen in dem Feld abbildet. In einem weiteren Beispiel kann die Informationskarte 258 eine Aussaat-Hybridkarte sein, und die von den In-situ-Sensoren 208 erfasste Variable kann der Erntegutzustand sein, wie etwa stehendes Erntegut oder umgeknicktes Erntegut. Die prädiktive Karte 264 kann dann eine prädiktive Erntegutzustandskarte sein, die vorhergesagte Erntegutzustandswerte auf verschiedene geografische Positionen in dem Feld abbildet.In some examples, the
In einigen Beispielen stammt die Informationskarte 258 von einem vorherigen Durchlauf durch das Feld während eines Vorabbetriebs und der Datentyp ist der gleiche wie der Datentyp, der von In-situ-Sensoren 208 erfasst wird, und der Datentyp in der prädiktiven Karte 264 ist auch der gleiche wie der Datentyp, der von den In-situ-Sensoren 208 erfasst wird. Beispielsweise kann die Informationskarte 258 eine Ertragskarte sein, die während eines vorhergehenden Jahres erzeugt wird, und die von den In-situ-Sensoren 208 erfasste Variable kann der Ertrag sein. Die prädiktive Karte 264 kann dann eine prädiktive Ertragskarte sein, die vorhergesagte Ertragswerte auf verschiedene geografische Positionen in dem Feld abbildet. In einem solchen Beispiel können die relativen Ertragsunterschiede in der georeferenzierten Informationskarte 258 aus dem Vorjahr durch den prädiktiven Modellgenerator 210 verwendet werden, um ein prädiktives Modell zu erzeugen, das eine Beziehung zwischen den relativen Ertragsunterschieden auf der Informationskarte 258 und den Ertragswerten modelliert, die durch In-situ-Sensoren 208 während des aktuellen Erntevorgangs erfasst werden. Das prädiktive Modell wird dann von dem prädiktiven Kartengenerator 210 verwendet, um eine prädiktive Ertragskarte zu erstellen.In some examples,
In einem weiteren Beispiel kann die Informationskarte 258 eine Dresch-/Trenn-Teilsystemleistungsverwendungskarte sein, die während eines Vorabbetriebs erzeugt wird, und die von den In-situ-Sensoren 208 erfasste Variable kann die Dresch-/Trenn-Teilsystemleistungsverwendung sein. Die prädiktive Karte 264 kann dann eine prädiktive Dresch-/Trenn-Teilsystemleistungsverwendungskarte sein, die prädiktive Dresch-/Trenn-Teilsystemleistungsverwendungswerte auf verschiedene geografische Positionen in dem Feld abbildet.In another example,
In einigen Beispielen kann dem Steuerzonengenerator 213 eine prädiktive Karte 264 bereitgestellt werden. Der Steuerzonengenerator 213 gruppiert benachbarte Abschnitte eines Bereichs auf Grundlage von Datenwerten der prädiktiven Karte 264, die diesen benachbarten Abschnitten zugeordnet sind, in eine oder mehrere Steuerzonen. Eine Steuerzone kann zwei oder mehr zusammenhängende Abschnitte eines Bereichs, wie etwa eines Feldes, beinhalten, für die ein Steuerparameter, der der Steuerzone zum Steuern eines steuerbaren Teilsystems entspricht, konstant ist. Beispielsweise kann eine Reaktionszeit zum Ändern einer Einstellung steuerbarer Teilsysteme 216 unzureichend sein, um zufriedenstellend auf Änderungen von Werten zu reagieren, die in einer Karte enthalten sind, wie etwa der prädiktiven Karte 264. In diesem Fall analysiert der Steuerzonengenerator 213 die Karte und identifiziert Steuerzonen, die eine definierte Größe aufweisen, um die Reaktionszeit der steuerbaren Teilsysteme 216 zu berücksichtigen. In einem weiteren Beispiel können die Steuerzonen bemessen sein, um den Verschleiß durch übermäßige Stellgliedbewegung, die sich aus der kontinuierlichen Einstellung ergibt, zu reduzieren. In einigen Beispielen kann es einen anderen Satz von Steuerzonen für jedes steuerbare Teilsystem 216 oder für Gruppen von steuerbaren Teilsystemen 216 geben. Die Steuerzonen können zu der prädiktiven Karte 264 hinzugefügt werden, um eine prädiktive Steuerzonenkarte 265 zu erhalten. Die prädiktive Steuerzonenkarte 265 kann somit der prädiktiven Karte 264 ähnlich sein, mit der Ausnahme, dass die prädiktive Steuerzonenkarte 265 Steuerzoneninformationen beinhaltet, die die Steuerzonen definieren. Somit kann eine funktionelle prädiktive Karte 263, wie hierin beschrieben, Steuerzonen beinhalten. Sowohl die prädiktive Karte 264 als auch die prädiktive Steuerzonenkarte 265 sind funktionelle prädiktive Karten 263. In einem Beispiel beinhaltet eine funktionelle prädiktive Karte 263 keine Steuerzonen, wie etwa die prädiktive Karte 264. In einem weiteren Beispiel beinhaltet eine funktionelle prädiktive Karte 263 Steuerzonen, wie etwa die prädiktive Steuerzonenkarte 265. In einigen Beispielen können mehrere Erntegüter gleichzeitig in einem Feld vorhanden sein, wenn ein Mischkultur-Produktionssystem implementiert ist. In diesem Fall sind der prädiktive Kartengenerator 212 und der Steuerzonengenerator 213 in der Lage, die Position und die Merkmale der zwei oder mehr Erntegutarten zu identifizieren und dann die prädiktive Karte 264 und die prädiktive Karte mit Steuerzonen 265 entsprechend zu erzeugen.In some examples, a predictive map 264 may be provided to the
Es ist ebenfalls zu beachten, dass der Steuerzonengenerator 213 Werte gruppieren kann, um Steuerzonen zu erzeugen, und die Steuerzonen zu einer prädiktiven Steuerzonenkarte 265 oder einer separaten Karte hinzugefügt werden können, die nur die erzeugten Steuerzonen zeigt. In einigen Beispielen können die Steuerzonen zum Steuern oder Kalibrieren der landwirtschaftlichen Erntemaschine 100 oder für beides verwendet werden. In anderen Beispielen können die Steuerzonen dem Bediener 260 angezeigt und verwendet werden, um die landwirtschaftliche Erntemaschine 100 zu steuern oder zu kalibrieren, und in anderen Beispielen können die Steuerzonen dem Bediener 260 oder einem anderen Benutzer angezeigt oder zur späteren Verwendung gespeichert werden.It should also be noted that the
Die prädiktive Karte 264 oder die prädiktive Steuerzonenkarte 265 oder beide werden dem Steuersystem 214 bereitgestellt, das Steuersignale auf Grundlage der prädiktiven Karte 264 oder der prädiktiven Steuerzonenkarte 265 oder beider erzeugt. In einigen Beispielen steuert die Kommunikationssystemsteuerung 229 das Kommunikationssystem 206, um die prädiktive Karte 264 oder die prädiktive Steuerzonenkarte 265 oder Steuersignale auf Grundlage der prädiktiven Karte 264 oder der prädiktiven Steuerzonenkarte 265 an andere landwirtschaftliche Erntemaschinen, die auf demselben Feld ernten, zu kommunizieren. In einigen Beispielen steuert die Kommunikationssystemsteuerung 229 das Kommunikationssystem 206, um die prädiktive Karte 264, die prädiktive Steuerzonenkarte 265 oder beide an andere Remote-Systeme zu senden.The predictive map 264 or the predictive control zone map 265 or both are provided to the
Die Bedienerschnittstellensteuerung 231 ist betreibbar, um Steuersignale zu erzeugen, um die Bedienerschnittstellenmechanismen 218 zu steuern. Die Bedienerschnittstellensteuerung 231 ist außerdem betreibbar, um dem Bediener 260 die prädiktive Karte 264 oder die prädiktive Steuerzonenkarte 265 oder andere Informationen, die von oder auf Grundlage der prädiktiven Karte 264, der prädiktiven Steuerzonenkarte 265 oder beider abgeleitet werden, zu präsentieren. Der Bediener 260 kann ein lokaler Bediener oder ein Remote-Bediener sein. Als ein Beispiel erzeugt die Steuerung 231 Steuersignale, um einen Anzeigemechanismus zu steuern, um eine oder beide der prädiktiven Karte 264 und prädiktiven Steuerzonenkarte 265 für den Bediener 260 anzuzeigen. Die Steuerung 231 kann vom Bediener betätigbare Mechanismen erzeugen, die angezeigt werden und vom Bediener betätigt werden können, um mit der angezeigten Karte zu interagieren. Der Bediener kann die Karte bearbeiten, indem er aufgrund der Beobachtung des Bedieners beispielsweise ein auf der Karte angezeigtes Leistungsmerkmal korrigiert. Die Einstellungssteuerung 232 kann Steuersignale erzeugen, um verschiedene Einstellungen an der landwirtschaftlichen Erntemaschine 100 auf Grundlage der prädiktiven Karte 264, der prädiktiven Steuerzonenkarte 265 oder beider zu steuern. Zum Beispiel kann die Einstellungssteuerung 232 Steuersignale erzeugen, um die Maschinen- und Erntevorsatzstellglieder 248 zu steuern. Als Reaktion auf die erzeugten Steuersignale arbeiten die Maschinen- und Erntevorsatzstellglieder 248, um zum Beispiel eine oder mehrere der Sieb- und Häckseleinstellungen, den konkaven Abstand, die Rotoreinstellungen, die Reinigungsgebläse-Drehzahleinstellungen, die Erntevorsatzhöhe, die Erntevorsatzfunktionalität, die Haspeldrehzahl, die Haspelposition, die Draperfunktionalität (wobei die landwirtschaftliche Erntemaschine 100 mit einem Draper-Erntevorsatz gekoppelt ist), die Maisvorsatzfunktionalität, die interne Verteilungssteuerung und andere Stellglieder 248, die die anderen Funktionen der landwirtschaftlichen Erntemaschine 100 beeinflussen, zu steuern. Die Pfadplanungssteuerung 234 erzeugt veranschaulichend Steuersignale, um das Lenkungs-Teilsystem 252 zu steuern, um die landwirtschaftliche Erntemaschine 100 gemäß einem gewünschten Pfad zu steuern. Die Pfadplanungssteuerung 234 kann ein Pfadplanungssystem steuern, um eine Route für die landwirtschaftliche Erntemaschine 100 zu erzeugen, und kann das Antriebs-Teilsystem 250 und das Lenkteilsystem 252 steuern, um die landwirtschaftliche Erntemaschine 100 entlang dieser Route zu lenken. Die Vorschubgeschwindigkeitssteuerung 236 kann verschiedene Teilsysteme steuern, wie etwa das Antriebs-Teilsystem 250 und die Maschinenstellglieder 248, um eine Vorschubgeschwindigkeit auf Grundlage der prädiktiven Karte 264 oder der prädiktiven Steuerzonenkarte 265 oder beider zu steuern. Wenn sich zum Beispiel die landwirtschaftliche Erntemaschine 100 einem Bereich mit einem vorhergesagten Teilsystem-Leistungsverwendungswert über einem ausgewählten Schwellenwert nähert, kann die Vorschubgeschwindigkeitssteuerung 236 die Geschwindigkeit der landwirtschaftlichen Erntemaschine 100 reduzieren, um die Leistungszuweisung an den vorhergesagten Leistungsverbrauchsbedarf des einen oder der mehreren Teilsysteme aufrechtzuerhalten. Die Erntevorsatz- und Haspelsteuerung 238 kann Steuersignale erzeugen, um einen Erntevorsatz oder eine Haspel oder eine andere Erntevorsatzfunktionalität zu steuern. Die Draperbandsteuerung 240 kann Steuersignale erzeugen, um einen Draperband oder eine andere Draperfunktionalität auf Grundlage der prädiktiven Karte 264, der prädiktiven Steuerzonenkarte 265 oder beider zu steuern. Die Deckplattenpositionssteuerung 242 kann Steuersignale erzeugen, um eine Position einer Deckplatte, die in einem Erntevorsatz enthalten ist, auf Grundlage einer prädiktiven Karte 264 oder einer prädiktiven Steuerzonenkarte 265 oder beider zu steuern, und die Rückstandssystemsteuerung 244 kann Steuersignale erzeugen, um ein Rückstands-Teilsystem 138 auf Grundlage einer prädiktiven Karte 264 oder einer prädiktiven Steuerzonenkarte 265 oder beider zu steuern. Die Maschinenreinigungssteuerung 245 kann Steuersignale erzeugen, um das Maschinenreinigungs-Teilsystem 254 zu steuern. Andere Steuerungen, die in der landwirtschaftlichen Erntemaschine 100 enthalten sind, können andere Teilsysteme auf Grundlage der prädiktiven Karte 264 oder prädiktiven Steuerzonenkarte 265 oder beider ebenfalls steuern.
Die
Bei 280 empfängt die landwirtschaftliche Erntemaschine 100 die Informationskarte 258. Beispiele für die Informationskarte 258 oder das Empfangen der Informationskarte 258 werden in Bezug auf die Blöcke 281, 282, 284 und 286 erörtert. Wie oben erörtert, ordnet die Informationskarte 258 Werte einer Variable, die einem ersten Merkmal entspricht, verschiedenen Positionen im Feld zu, wie bei Block 282 angezeigt. Wie bei Block 281 angegeben, kann das Empfangen der Informationskarte 258 das Auswählen einer oder mehrerer einer Vielzahl von möglichen Informationskarten beinhalten, die verfügbar sind. Zum Beispiel kann eine Informationskarte eine vegetative Indexkarte sein, die aus Luftbildern erzeugt wird. Eine andere Informationskarte kann eine Karte sein, die während eines vorherigen Durchlaufs durch das Feld erzeugt wurde, der von einer anderen Maschine durchgeführt worden sein kann, die einen vorherigen Vorgang auf dem Feld durchgeführt hat, wie beispielsweise eine Sprühvorrichtung oder eine andere Maschine. Der Prozess, bei dem eine oder mehrere Informationskarten ausgewählt werden, kann manuell, halbautomatisch oder automatisiert sein. Die Informationskarte 258 basiert auf Daten, die vor einem aktuellen Erntevorgang erfasst wurden. Dies wird durch Block 284 angezeigt. Beispielsweise können die Daten auf der Grundlage von Luftbildern erfasst werden, die während eines Vorjahres oder früher in der aktuellen Wachstumsperiode oder zu anderen Zeiten aufgenommen wurden. Wie durch Block 285 angezeigt, kann die Informationskarte eine prädiktive Karte sein, die ein Merkmal auf Grundlage einer Informationskarte und einer Beziehung zu einem In-situ-Sensor vorhersagt. Ein Prozess zum Erzeugen einer prädiktiven Karte wird in
Bei Beginn eines Erntevorgangs erzeugen die In-situ-Sensoren 208 Sensorsignale, die einen oder mehrere In-situ-Datenwerte anzeigen, die ein Merkmal anzeigen, zum Beispiel ein Leistungsmerkmal, wie etwa einen Leistungsverbrauch durch ein oder mehrere Teilsysteme, wie durch Block 288 angezeigt. Beispiele für In-situ-Sensoren 288 werden in Bezug auf die Blöcke 222, 290 und 226 erörtert. Wie oben erläutert, beinhalten die In-situ-Sensoren 208 bordeigene Sensoren 222; Remote-In-situ-Sensoren 224, wie etwa UAV-basierte Sensoren, die zu einem Zeitpunkt geflogen werden, um In-situ-Daten zu sammeln, wie in Block 290 gezeigt; oder andere Arten von In-situ-Sensoren, die durch In-situ-Sensoren 226 bezeichnet werden. In einigen Beispielen werden Daten von bordeigenen Sensoren mithilfe von Positions-, Kurs- oder Geschwindigkeitsdaten von dem geografischen Positionssensor 204 georeferenziert.At the start of a harvesting operation, the in
Der prädiktive Modellgenerator 210 steuert den Informationsvariable-zu-In-situ-Variable-Modellgenerator 228, um ein Modell zu erzeugen, das eine Beziehung zwischen den abgebildeten Werten, die in der Informationskarte 258 enthalten sind, und den In-situ-Werten, die durch die In-situ-Sensoren 208 erfasst werden, modelliert, wie durch Block 292 angezeigt. Die Merkmale oder Datentypen, die durch die abgebildeten Werte in der Informationskarte 258 dargestellt werden, und die In-situ-Werte, die durch die In-situ-Sensoren 208 erfasst werden, können die gleichen Merkmale oder Datentypen oder verschiedene Merkmale oder Datentypen sein.The
Die Beziehung oder das Modell, die bzw. das von dem prädiktiven Modellgenerator 210 erzeugt wird, wird dem prädiktiven Kartengenerator 212 bereitgestellt. Der prädiktive Kartengenerator 212 erzeugt eine prädiktive Karte 264, die einen Wert des durch die In-situ-Sensoren 208 erfassten Merkmals an verschiedenen geografischen Positionen in einem zu erntenden Feld oder ein anderes Merkmal, das mit dem durch die In-situ-Sensoren 208 erfassten Merkmal in Beziehung steht, mithilfe des prädiktiven Modells und der Informationskarte 258 vorhersagt, wie durch Block 294 angezeigt.The relationship or model generated by the
Es ist zu beachten, dass die Informationskarte 258 in einigen Beispielen zwei oder mehr verschiedene Karten oder zwei oder mehr verschiedene Kartenebenen einer einzelnen Karte beinhalten kann. Jede Kartenebene kann einen anderen Datentyp als der Datentyp einer anderen Kartenebene darstellen oder die Kartenebenen können denselben Datentyp aufweisen, der zu verschiedenen Zeitpunkten erhalten wurde. Jede Karte in den zwei oder mehr verschiedenen Karten oder jede Ebene in den zwei oder mehr verschiedenen Kartenebenen einer Karte bildet einen anderen Typ von Variablen zu den geografischen Positionen im Feld ab. In einem solchen Beispiel erzeugt der prädiktive Modellgenerator 210 ein prädiktives Modell, das die Beziehung zwischen den In-situ-Daten und jeder der verschiedenen Variablen modelliert, die durch die zwei oder mehr verschiedenen Karten oder die zwei oder mehr verschiedenen Kartenebenen abgebildet sind. Gleichermaßen können die In-situ-Sensoren 208 zwei oder mehr Sensoren beinhalten, die jeweils eine andere Art von Variablen erfassen. Somit erzeugt der prädiktive Modellgenerator 210 ein prädiktives Modell, das die Beziehungen zwischen jedem durch die Informationskarte 258 abgebildeten Variablentyp und jedem durch die In-situ-Sensoren 208 erfassten Variablentyp modelliert. Der prädiktive Kartengenerator 212 kann eine funktionelle prädiktive Karte 263 erzeugen, die einen Wert für jedes erfasste Merkmal, das von den In-situ-Sensoren 208 erfasst wird (oder einem Merkmal, das sich auf das erfasste Merkmal bezieht), an verschiedenen Positionen in dem Feld, das geerntet wird, mithilfe des prädiktiven Modells und jeder der Karten oder Kartenebenen in der Informationskarte 258 vorhersagt.Note that in some examples, the
Der prädiktive Kartengenerator 212 konfiguriert die prädiktive Karte 264 derart, dass die prädiktive Karte 264 durch das Steuersystem 214 umsetzbar (oder verbrauchbar) ist. Der prädiktive Kartengenerator 212 kann die prädiktive Karte 264 dem Steuersystem 214 oder dem Steuerzonengenerator 213 oder beiden bereitstellen. Einige Beispiele für verschiedene Arten, wie die prädiktive Karte 264 konfiguriert oder ausgegeben werden kann, werden in Bezug auf die Blöcke 296, 295, 299 und 297 beschrieben. Beispielsweise konfiguriert der prädiktive Kartengenerator 212 die prädiktive Karte 264, so dass die prädiktive Karte 264 Werte beinhaltet, die durch das Steuersystem 214 gelesen und als Grundlage zum Erzeugen von Steuersignalen für eines oder mehrere der verschiedenen steuerbaren Teilsysteme der landwirtschaftlichen Erntemaschine 100 verwendet werden können, wie durch Block 296 angezeigt.The predictive map generator 212 configures the predictive map 264 such that the predictive map 264 is actionable (or consumable) by the
Der Steuerzonengenerator 213 kann die prädiktive Karte 264 auf Grundlage der Werte auf der prädiktiven Karte 264 in Steuerzonen unterteilen. Kontinuierlich geolokalisierte Werte, die innerhalb eines Schwellenwertes voneinander liegen, können in eine Steuerzone gruppiert werden. Der Schwellenwert kann ein Standardschwellenwert sein oder der Schwellenwert kann auf Grundlage einer Bedienereingabe, auf Grundlage einer Eingabe von einem automatisierten System oder auf Grundlage anderer Kriterien festgelegt werden. Eine Größe der Zonen kann auf einer Reaktionsfähigkeit des Steuersystems 214, der steuerbaren Teilsysteme 216 auf Grundlage von Verschleißüberlegungen oder auf anderen Kriterien basieren, wie durch Block 295 angezeigt. Der prädiktive Kartengenerator 212 konfiguriert die prädiktive Karte 264 zur Präsentation für einen Bediener oder einen anderen Benutzer. Der Steuerzonengenerator 213 kann eine prädiktive Steuerzonenkarte 265 zur Präsentation für einen Bediener oder einen anderen Benutzer konfigurieren. Dies wird durch Block 299 angezeigt. Wenn sie einem Bediener oder einem anderen Benutzer präsentiert wird, kann die Präsentation der prädiktiven Karte 264 oder der prädiktiven Steuerzonenkarte 265 oder beider einen oder mehrere der prädiktiven Werte auf der prädiktiven Karte 264, die mit der geografischen Position korreliert sind, die Steuerzonen auf der prädiktiven Steuerzonenkarte 265, die mit der geografischen Position korreliert sind, und Einstellwerte oder Steuerparameter enthalten, die auf der Grundlage der prädiktiven Werte auf der Karte 264 oder den Zonen auf der prädiktiven Steuerzonenkarte 265 verwendet werden. Die Präsentation kann in einem anderen Beispiel mehr abstrahierte Informationen oder detailliertere Informationen beinhalten. Die Präsentation kann auch ein Konfidenzniveau beinhalten, das eine Genauigkeit angibt, mit der die prädiktiven Werte auf der prädiktiven Karte 264 oder die Zonen auf der prädiktiven Steuerzonenkarte 265 mit gemessenen Werten übereinstimmen, die durch Sensoren an der landwirtschaftlichen Erntemaschine 100 gemessen werden können, wenn sich die landwirtschaftliche Erntemaschine 100 durch das Feld bewegt. Ferner kann ein Authentifizierungs- und Autorisierungssystem vorgesehen werden, das Authentifizierungs- und Autorisierungsprozesse implementiert, wenn Informationen an mehreren Positionen präsentiert werden. Beispielsweise kann es eine Hierarchie von Personen geben, die berechtigt sind, Karten und andere präsentierte Informationen anzuzeigen und zu ändern. Beispielsweise kann eine bordeigene Anzeigevorrichtung die Karten in nahezu Echtzeit lokal auf der Maschine anzeigen, oder die Karten können auch an einem oder mehreren Remote-Standorten oder beiden generiert werden. In einigen Beispielen kann jede physische Anzeigevorrichtung an jedem Standort einer Person oder einer Benutzerberechtigungsstufe zugeordnet sein. Die Benutzerberechtigungsstufe kann verwendet werden, um zu bestimmen, welche Anzeigemarkierung auf der physischen Anzeigevorrichtung sichtbar ist und welche Werte die entsprechende Person ändern kann. Beispielsweise kann ein lokaler Bediener der landwirtschaftlichen Erntemaschine 100 nicht in der Lage sein, die Informationen, die der prädiktiven Karte 264 entsprechen, zu sehen oder Änderungen am Maschinenbetrieb vorzunehmen. Ein Vorgesetzter, wie etwa ein Vorgesetzter an einem Remote-Standort, kann jedoch die prädiktive Karte 264 auf der Anzeige sehen, aber daran gehindert werden, Änderungen vorzunehmen. Ein Manager, der sich an einem separaten Remote-Standort befinden kann, kann in der Lage sein, alle Elemente auf der prädiktiven Karte 264 zu sehen und auch in der Lage sein, die prädiktive Karte 264 zu ändern. In einigen Fällen kann die prädiktive Karte 264, auf die ein remote angeordneter Manager zugreifen kann und die von ihm geändert werden kann, in der Maschinensteuerung verwendet werden. Dies ist ein Beispiel für eine Autorisierungshierarchie, die implementiert werden kann. Die prädiktive Karte 264 oder die prädiktive Steuerzonenkarte 265 oder beide können auch auf andere Weise konfiguriert werden, wie durch Block 297 angezeigt.The
Bei Block 298 werden Eingaben von dem geografischen Positionssensor 204 und anderen In-situ-Sensoren 208 von dem Steuersystem empfangen. Insbesondere erkennt das Steuersystem 214 bei Block 300 eine Eingabe von dem geografischen Positionssensor 204, der eine geografische Position der landwirtschaftlichen Erntemaschine 100 identifiziert. Block 302 stellt den Empfang von Sensoreingaben durch das Steuersystem 214 dar, die den Bahnverlauf oder den Kurs der landwirtschaftlichen Erntemaschine 100 angeben, und Block 304 stellt den Empfang einer Geschwindigkeit der landwirtschaftlichen Erntemaschine 100 durch das Steuersystem 214 dar. Block 306 stellt den Empfang anderer Informationen von verschiedenen In-situ-Sensoren 208 durch das Steuersystem 214 dar.At
Bei Block 308 generiert das Steuersystem 214 Steuersignale, um die steuerbaren Teilsysteme 216 auf Grundlage der prädiktiven Karte 264 oder der prädiktiven Steuerzonenkarte 265 oder beider und der Eingabe von dem geografischen Positionssensor 204 und beliebigen anderen In-situ-Sensoren 208 zu steuern. Bei Block 310 wendet das Steuersystem 214 die Steuersignale auf die steuerbaren Teilsysteme an. Es versteht sich, dass die bestimmten Steuersignale, die erzeugt werden, und die bestimmten steuerbaren Teilsysteme 216, die gesteuert werden, auf Grundlage eines oder mehrerer verschiedener Dinge variieren können. Beispielsweise können die erzeugten Steuersignale und die steuerbaren Teilsysteme 216, die gesteuert werden, auf der Art der prädiktiven Karte 264 oder der prädiktiven Steuerzonenkarte 265 oder beiden basieren, die verwendet werden. Gleichermaßen können die erzeugten Steuersignale und die steuerbaren Teilsysteme 216, die gesteuert werden, und der Zeitpunkt der Steuersignale auf verschiedenen Latenzen des Erntegutstroms durch die landwirtschaftliche Erntemaschine 100 und der Reaktionsfähigkeit der steuerbaren Teilsysteme 216 basieren.At block 308 the
Beispielsweise kann eine erzeugte prädiktive Karte 264 in Form einer prädiktiven Leistungskarte verwendet werden, um ein oder mehrere Teilsysteme 216 zu steuern. Beispielsweise kann die prädiktive Leistungskarte Leistungsverbrauchsbedarfswerte beinhalten, die auf Positionen innerhalb des zu erntenden Feldes georeferenziert sind. Die Leistungsverbrauchsbedarfswerte aus der prädiktiven Leistungskarte können extrahiert und verwendet werden, um die Lenk- und Antriebs-Teilsysteme 252 und 250 zu steuern. Durch Steuern der Lenk- und Antriebs-Teilsysteme 252 und 250 kann eine Vorschubgeschwindigkeit von Material, das sich durch die landwirtschaftliche Erntemaschine 100 bewegt, gesteuert werden. In ähnlicher Weise kann die Höhe des Erntevorsatzes gesteuert werden, um mehr oder weniger Material aufzunehmen, und somit kann die Höhe des Erntevorsatzes auch gesteuert werden, um die Vorschubgeschwindigkeit des Materials durch die landwirtschaftliche Erntemaschine 100 zu steuern. Wenn die prädiktive Karte 264 in anderen Beispielen den vorhergesagten Erntevorsatzleistungsverbrauch auf Positionen in dem Feld abbildet, kann die Leistungszuweisung an den Erntevorsatz implementiert werden. Wenn zum Beispiel die Werte, die in der prädiktiven Leistungskarte vorhanden sind, einen oder mehrere Bereiche mit höheren Leistungsverbrauchsbedürfnisse für die Erntevorsatz-Teilsysteme angeben, dann kann die Erntevorsatz- und Haspelsteuerung 238 mehr Leistung vom Motor an die Erntevorsatz-Teilsysteme zuweisen, was das Zuweisen von weniger Leistung an andere Teilsysteme erfordern kann, wie etwa durch Verringern der Drehzahl und Verringern der Leistung an das Antriebs-Teilsystem. Das vorhergehende Beispiel mit Erntevorsatzsteuerung mithilfe einer prädiktiven Leistungskarte ist nur beispielhaft vorgesehen. Folglich kann eine Vielzahl anderer Steuersignale mithilfe von Werten erzeugt werden, die von einer prädiktiven Leistungskarte oder einer anderen Art von prädiktiver Karte erhalten werden, um eines oder mehrere der steuerbaren Teilsysteme 216 zu steuern.For example, a generated predictive map 264 in the form of a predictive performance map may be used to control one or
Bei Block 312 wird bestimmt, ob der Erntevorgang abgeschlossen wurde. Wenn die Ernte nicht abgeschlossen ist, fährt die Verarbeitung mit Block 314 fort, wo In-situ-Sensordaten von dem geografischen Positionssensor 204 und den In-situ-Sensoren 208 (und möglicherweise anderen Sensoren) weiterhin gelesen werden.At
In einigen Beispielen kann die landwirtschaftliche Erntemaschine 100 bei Block 316 auch Lernauslösekriterien erkennen, um maschinelles Lernen an einer oder mehreren von der prädiktiven Karte 264, der prädiktiven Steuerzonenkarte 265, dem Modell, das von dem prädiktiven Modellgenerator 210 erzeugt wird, den Zonen, die von dem Steuerzonengenerator 213 erzeugt werden, einem oder mehreren Steueralgorithmen, die von den Steuerungen in dem Steuersystem 214 implementiert werden, und anderem ausgelösten Lernen durchzuführen.In some examples, at block 316,
Die Lernauslösekriterien können eine Vielzahl verschiedener Kriterien beinhalten. Einige Beispiele für das Erkennen von Auslösekriterien werden in Bezug auf die Blöcke 318, 320, 321, 322 und 324 erörtert. Beispielsweise kann das ausgelöste Lernen in einigen Beispielen das Wiederherstellen einer Beziehung beinhalten, die verwendet wird, um ein prädiktives Modell zu erzeugen, wenn eine Schwellenmenge von In-situ-Sensordaten von den In-situ-Sensoren 208 erhalten wird. In solchen Beispielen löst der Empfang einer Menge von In-situ-Sensordaten von den In-situ-Sensoren 208, die einen Schwellenwert überschreitet, den prädiktiven Modellgenerator 210 aus oder veranlasst ihn, ein neues prädiktives Modell zu erzeugen, das vom prädiktiven Kartengenerator 212 verwendet wird. Wenn also die landwirtschaftliche Erntemaschine 100 einen Erntevorgang fortsetzt, löst der Empfang der Schwellenmenge an In-situ-Sensordaten von den In-situ-Sensoren 208 die Erzeugung einer neuen Beziehung aus, die durch ein prädiktives Modell repräsentiert wird, das durch den prädiktiven Modellgenerator 210 erzeugt wird. Ferner können die neue prädiktive Karte 264, die prädiktive Steuerzonenkarte 265 oder beide mithilfe des neuen prädiktiven Modells erneut erzeugt werden. Block 318 stellt das Erkennen einer Schwellenwertmenge von In-situ-Sensordaten dar, die verwendet werden, um die Erstellung eines neuen prädiktiven Modells auszulösen.The learning trigger criteria can contain a large number of different criteria. Some examples of detecting trigger criteria are discussed with respect to
In anderen Beispielen können die Lernauslösekriterien darauf beruhen, wie stark sich die In-situ-Sensordaten von den In-situ-Sensoren 208 ändern, wie etwa über die Zeit oder im Vergleich zu vorherigen Werten. Wenn zum Beispiel Abweichungen innerhalb der In-situ-Sensordaten (oder der Beziehung zwischen den In-situ-Sensordaten und den Informationen in der Informationskarte 258) innerhalb eines ausgewählten Bereichs liegen oder weniger als ein definierter Betrag oder unter einem Schwellenwert liegen, dann wird kein neues prädiktives Modell durch den prädiktiven Modellgenerator 210 erzeugt. Infolgedessen erzeugt der prädiktive Kartengenerator 212 keine neue prädiktive Karte 264, prädiktive Steuerzonenkarte 265 oder beides. Wenn jedoch Abweichungen innerhalb der In-situ-Sensordaten außerhalb des ausgewählten Bereichs liegen, größer als der definierte Betrag sind oder beispielsweise über dem Schwellenwert liegen, erzeugt der prädiktive Modellgenerator 210 ein neues prädiktives Modell mithilfe aller oder eines Teils der neu empfangenen In-situ-Sensordaten, die der prädiktive Kartengenerator 212 verwendet, um eine neue prädiktive Karte 264 zu erzeugen. Bei Block 320 können Variationen der In-situ-Sensordaten, wie etwa eine Größe eines Betrags, um den die Daten den ausgewählten Bereich überschreiten, oder eine Größe der Variation der Beziehung zwischen den In-situ-Sensordaten und den Informationen in der Informationskarte 258, als Auslöser verwendet werden, um die Erzeugung eines neuen prädiktiven Modells und einer prädiktiven Karte zu veranlassen. Unter Beibehaltung der oben beschriebenen Beispiele können der Schwellenwert, der Bereich und der definierte Betrag auf Standardwerte eingestellt werden; durch einen Bediener oder eine Benutzerinteraktion über eine Benutzerschnittstelle eingestellt werden; durch ein automatisiertes System eingestellt werden; oder auf andere Weise eingestellt werden.In other examples, the learning trigger criteria may be based on how much the in situ sensor data from the in
Es können auch andere Lernauslösekriterien verwendet werden. Wenn zum Beispiel der prädiktive Modellgenerator 210 auf eine andere Informationskarte (die sich von der ursprünglich ausgewählten Informationskarte 258 unterscheidet) umschaltet, kann das Umschalten auf die andere Informationskarte ein erneutes Lernen durch den prädiktiven Modellgenerator 210, den prädiktiven Kartengenerator 212, den Steuerzonengenerator 213, das Steuersystem 214 oder andere Elemente auslösen. In einem weiteren Beispiel kann auch der Übergang der landwirtschaftlichen Erntemaschine 100 zu einer anderen Topographie oder zu einer anderen Steuerzone als Lernauslösekriterien verwendet werden.Other learning trigger criteria can also be used. For example, if the
In einigen Fällen kann der Bediener 260 auch die prädiktive Karte 264 oder die prädiktive Steuerzonenkarte 265 oder beide bearbeiten. Die Bearbeitungen können einen Wert auf der prädiktiven Karte 264, eine Größe, Form, Position oder Vorhandensein einer Steuerzone auf der prädiktiven Steuerzonenkarte 265 oder beides ändern. Block 321 zeigt, dass bearbeitete Informationen als Lernauslösekriterien verwendet werden können.In some cases,
In einigen Fällen kann es auch sein, dass der Bediener 260 beobachtet, dass die automatisierte Steuerung eines steuerbaren Teilsystems nicht das ist, was der Bediener wünscht. In solchen Fällen kann der Bediener 260 dem steuerbaren Teilsystem eine manuelle Anpassung bereitstellen, die widerspiegelt, dass der Bediener 260 wünscht, dass das steuerbare Teilsystem anders arbeitet, als vom Steuersystem 214 befohlen wird. Somit kann eine manuelle Änderung einer Einstellung durch den Bediener 260 bewirken, dass einer oder mehrere von dem prädiktiven Modellgenerator 210 ein Modell neu erlernen, dem prädiktiven Kartengenerator 212, um die Karte 264 zu regenerieren, dem Steuerzonengenerator 213, um eine oder mehrere Steuerzonen auf der prädiktiven Steuerzonenkarte 265 zu regenerieren, und dem Steuersystem 214, um einen Steueralgorithmus neu zu erlernen oder maschinelles Lernen an einer oder mehreren der Steuerkomponenten 232 bis 246 im Steuersystem 214 auf Grundlage der Einstellung durch den Bediener 260 durchzuführen, wie in Block 322 gezeigt. Block 324 stellt die Verwendung anderer ausgelöster Lernkriterien dar.Also, in some cases, the
In anderen Beispielen kann das Umlernen periodisch oder intermittierend durchgeführt werden, zum Beispiel auf Grundlage eines ausgewählten Zeitintervalls, wie etwa eines diskreten Zeitintervalls oder eines variablen Zeitintervalls, wie durch Block 326 angezeigt.In other examples, relearning may be performed periodically or intermittently, for example based on a selected time interval, such as a discrete time interval or a variable time interval, as indicated by
Wenn das Umlernen ausgelöst wird, ob auf Grundlage von Lernauslösekriterien oder auf Grundlage des Durchlaufs eines Zeitintervalls, wie durch Block 326 angezeigt, führt einer oder mehrere von dem prädiktiven Modellgenerator 210, dem prädiktiven Kartengenerator 212, dem Steuerzonengenerator 213 und dem Steuersystem 214 maschinelles Lernen durch, um ein neues prädiktives Modell, eine neue prädiktive Karte, eine neue Steuerzone bzw. einen neuen Steueralgorithmus auf Grundlage der Lernauslösekriterien zu erzeugen. Das neue prädiktive Modell, die neue prädiktive Karte und der neue Steueralgorithmus werden mithilfe zusätzlicher Daten generiert, die seit dem letzten Lernvorgang gesammelt wurden. Das Durchführen des Umlernens wird durch Block 328 angezeigt.When relearning is triggered, whether based on learning trigger criteria or based on the passage of a time interval, as indicated by
Wenn der Erntevorgang abgeschlossen wurde, geht der Vorgang von Block 312 zu Block 330 über, wo eines oder mehrere von der prädiktiven Karte 264, der prädiktiven Steuerzonenkarte 265 und dem prädiktiven Modell, das durch den prädiktiven Modellgenerator 210 erzeugt wird, gespeichert werden. Die prädiktive Karte 264, die prädiktive Steuerzonenkarte 265 und das prädiktive Modell können lokal auf dem Datenspeicher 202 gespeichert oder mithilfe des Kommunikationssystems 206 zur späteren Verwendung an ein Remote-System gesendet werden.When the harvesting process has been completed, the process proceeds from
Es ist zu beachten, dass, während einige Beispiele hierin den prädiktiven Modellgenerator 210 und den prädiktiven Kartengenerator 212 beschreiben, die eine Informationskarte beim Erzeugen eines prädiktiven Modells bzw. beim Empfangen einer funktionellen prädiktiven Karte der prädiktive Modellgenerator 210 und der prädiktive Kartengenerator 212 in anderen Beispielen beim Erzeugen eines prädiktiven Modells und einer funktionellen prädiktiven Karte jeweils andere Arten von Karten, einschließlich prädiktiver Karten, wie etwa eine funktionelle prädiktive Karte, die während des Erntevorgangs erzeugt wird, empfangen können.It should be noted that while some examples herein describe the
Die prädiktive Ertragskarte 341 beinhaltet georeferenzierte prädiktive Ertragswerte. Die prädiktive Ertragskarte 341 kann mithilfe eines des in den
Die prädiktive Biomassekarte 343 beinhaltet georeferenzierte prädiktive Biomassewerte. Die prädiktive Biomassekarte 343 kann mithilfe eines des in den
Der prädiktive Modellgenerator 210 empfängt auch eine geografische Position 334 oder eine Angabe der geografischen Position von dem geografischen Positionssensor 204. Die In-situ-Sensoren 208 beinhalten beispielhaft einen Leistungsmerkmalsensor, wie etwa den Leistungssensor 336, sowie ein Verarbeitungssystem 338. Der Leistungssensor 336 erfasst Leistungsmerkmale einer oder mehrerer Komponenten der landwirtschaftlichen Erntemaschine 100. In einigen Fällen kann sich der Leistungssensor 336 an Bord der landwirtschaftlichen Erntemaschine 100 befinden. Das Verarbeitungssystem 338 verarbeitet Sensordaten, die von dem Leistungssensor 336 erzeugt werden, um verarbeitete Daten zu erzeugen, von denen einige Beispiele nachfolgend beschrieben werden. Der Leistungssensor 336 kann unter anderem einen oder mehrere von einem Spannungssensor, einem Stromsensor, einem Drehmomentsensor, einem Fluiddrucksensor, einem Fluidströmungssensor, einem Kraftsensor, einem Lagerlastsensor und einem Rotationssensor umfassen. Die Ausgaben eines oder mehrerer dieser oder anderer Sensoren können kombiniert werden, um eine oder mehrere Leistungsmerkmale zu bestimmen.The
Die vorliegende Erörterung fährt in Bezug auf ein Beispiel fort, in dem der Leistungssensor 336 einer oder mehrere der oben aufgeführten ist. Es versteht sich, dass es sich hierbei nur um Beispiele handelt und andere Beispiele des Leistungssensors 336 ebenfalls in Betracht gezogen werden. Wie in
Der Modellgenerator 342 identifiziert eine Beziehung zwischen einem Leistungsmerkmal an einer geografischen Position, die dem entspricht, an dem der Leistungssensor 336 das Merkmal erfasst hat, und vegetativen Indexwerten aus der vegetativen Indexkarte 332, die derselben Position auf dem Feld entsprechen, an der das Leistungsmerkmal erfasst wurde. Auf Grundlage dieser Beziehung, die durch den Modellgenerator 342 hergestellt wird, erzeugt der Modellgenerator 342 ein prädiktives Leistungsmodell 350. Das prädiktive Leistungsmodell 350 wird von dem prädiktiven Kartengenerator 212 verwendet, um Leistungsmerkmale an verschiedenen Positionen auf Grundlage der georeferenzierten vegetativen Indexwerte, die in der vegetativen Indexkarte 332 an den gleichen Positionen in dem Feld enthalten sind, vorherzusagen.
Der Modellgenerator 343 identifiziert eine Beziehung zwischen einem Leistungsmerkmal an einer geografischen Position, die der Position entspricht, an der der Leistungssensor 336 das Merkmal erfasst hat, und Erntegutfeuchtigkeitswerten aus der Erntegutfeuchtigkeitskarte 335, die derselben Position auf dem Feld entsprechen, an der das Leistungsmodell erfasst wurde. Auf Grundlage dieser Beziehung, die durch den Modellgenerator 343 hergestellt wird, erzeugt der Modellgenerator 343 ein prädiktives Leistungsmodell 350. Das prädiktive Leistungsmodell 350 wird von dem prädiktiven Kartengenerator 212 verwendet, um Leistungsmerkmale an verschiedenen Positionen auf Grundlage der georeferenzierten Erntegutzugfeuchtigkeitswerte, die in der Erntegutzugfeuchtigkeitskarte 335 an den gleichen Positionen in dem Feld enthalten sind, vorherzusagen.The
Der Modellgenerator 344 identifiziert eine Beziehung zwischen einem Leistungsmerkmal an einer geografischen Position, die der Position entspricht, an der der Leistungssensor 336 das Merkmal erfasst hat, und einem topographischen Merkmalswert aus der topographischen Karte 337, der derselben Position auf dem Feld entspricht, an der das Leistungsmerkmal erfasst wurde. Auf Grundlage dieser Beziehung, die durch den Modellgenerator 344 hergestellt wird, erzeugt der Modellgenerator 344 ein prädiktives Leistungsmodell 350. Das prädiktive Leistungsmodell 350 wird von dem prädiktiven Kartengenerator 212 verwendet, um Leistungsmerkmale an verschiedenen Positionen auf Grundlage der georeferenzierten topographischen Merkmalswerte, die in der topographischen Karte 337 an den gleichen Positionen in dem Feld enthalten sind, vorherzusagen.The
Der Modellgenerator 345 identifiziert eine Beziehung zwischen einem Leistungsmerkmal an einer geografischen Position, die der Position entspricht, an der der Leistungssensor 336 das Merkmalerfasst hat, und einem Bodeneigenschaftswert aus der Bodeneigenschaftskarte 339, der derselben Position auf dem Feld entspricht, an der das Leistungsmerkmal erfasst wurde. Auf Grundlage dieser Beziehung, die durch den Modellgenerator 345 hergestellt wird, erzeugt der Modellgenerator 345 ein prädiktives Leistungsmodell 350. Das prädiktive Leistungsmodell 350 wird durch den prädiktiven Kartengenerator 212 verwendet, um Leistungsmerkmale an verschiedenen Positionen auf Grundlage der Bodeneigenschaftswerte, die in der Bodeneigenschaftskarte 339 an den gleichen Positionen in dem Feld enthalten sind, vorherzusagen.The
Der Modellgenerator 346 identifiziert eine Beziehung zwischen einem Leistungsmerkmal an einer geografischen Position, die der Position entspricht, an der der Leistungssensor 336 das Merkmal erfasst hat, und einem Ertragswert aus der Ertragskarte 341, der derselben Position auf dem Feld entspricht, an der das Leistungsmerkmal erfasst wurde. Auf Grundlage dieser Beziehung, die durch den Modellgenerator 346 hergestellt wird, erzeugt der Modellgenerator 346 ein prädiktives Leistungsmodell 350. Das prädiktive Leistungsmodell 350 wird von dem prädiktiven Kartengenerator 212 verwendet, um Leistungsmerkmale auf Grundlage des Ertragswerts, der in der prädiktiven Ertragskarte 341 an den gleichen Positionen in dem Feld enthalten ist, vorherzusagen.The
Der Modellgenerator 347 identifiziert eine Beziehung zwischen einem Leistungsmerkmal an einer geografischen Position, die der Position entspricht, an der der Leistungssensor 336 das Merkmal erfasst hat, und einem Biomassewert aus der Biomassekarte 343, der derselben Position auf dem Feld entspricht, an der das Leistungsmerkmal erfasst wurde. Auf Grundlage dieser Beziehung, die durch den Modellgenerator 347 hergestellt wird, erzeugt der Modellgenerator 347 ein prädiktives Leistungsmodell 350. Das prädiktive Leistungsmodell 350 wird von dem prädiktiven Kartengenerator 212 verwendet, um Leistungsmerkmale an verschiedenen Positionen auf Grundlage des Biomassewerts, der in der prädiktiven Biomassekarte 343 an den gleichen Positionen in dem Feld enthalten ist, vorherzusagen.The
Angesichts des Vorstehenden ist der prädiktive Modellgenerator 210 betreibbar, um eine Vielzahl von prädiktiven Leistungsmodellen zu erzeugen, wie etwa eines oder mehrere der prädiktiven Leistungsmodelle, die von den Modellgeneratoren 342, 343, 344, 345, 346 und 347 erzeugt werden. In einem weiteren Beispiel können zwei oder mehr der vorstehend beschriebenen prädiktiven Leistungsmodelle zu einem einzelnen prädiktiven Leistungsmodell kombiniert werden, das zwei oder mehr Leistungsmerkmale auf Grundlage der verschiedenen Werte an verschiedenen Positionen in dem Feld vorhersagt. Jedes dieser Leistungsmodelle oder Kombinationen davon wird gemeinsam durch das Leistungsmodell 350 in
Das prädiktive Leistungsmodell 350 wird dem prädiktiven Kartengenerator 212 bereitgestellt. Im Beispiel von
Der Ernteguteingriffskomponentenkartengenerator 351 empfängt das prädiktive Leistungsmodell 350, das Leistungsmerkmale auf Grundlage von Werten in einer oder mehreren von der vegetativen Indexkarte 332, der Erntegutfeuchtigkeitskarte 335, der topographischen Karte 337, der Bodeneigenschaftskarte 339, der prädiktiven Ertragskarte 341 oder der prädiktiven Biomassekarte 343 vorhersagt, und erzeugt eine prädiktive Karte, die die Leistungsmerkmale einer Ernteguteingriffskomponente an verschiedenen Positionen auf dem Feld vorhersagt. Zum Beispiel könnten die Ernteguteingriffskomponenten eine Schneidvorrichtung und eine Haspel beinhalten, und der Ernteguteingriffskomponentenkartengenerator 351 erzeugt eine Karte des geschätzten Leistungsverbrauchs durch die Haspel und die Schneidvorrichtung auf Grundlage eines prädiktiven Leistungsmodells 350, das eine Beziehung zwischen Erntegutfeuchtigkeit und Leistungsverbrauch durch die Haspel und die Schneidvorrichtung definiert.The crop intervention
Der Erntevorsatzleistungskartengenerator 352 empfängt das prädiktive Leistungsmodell 350, das Leistungsmerkmale auf Grundlage von Werten in einer oder mehreren von der vegetativen Indexkarte 332, der Erntegutfeuchtigkeitskarte 335, der topographischen Karte 337, der Bodeneigenschaftskarte 339, der prädiktiven Ertragskarte 341 oder der prädiktiven Biomassekarte 343 vorhersagt, und erzeugt eine prädiktive Karte, die die Leistungsmerkmale des Erntevorsatzes an verschiedenen Positionen auf dem Feld vorhersagt. Beispielsweise könnten die Ernteguteingriffskomponenten eines oder mehrere von Folgendem beinhalten: eine Schneidevorrichtung, eine Haspel, Draper-Bänder, Schnecken, Sammelkomponenten, Stängelverarbeitungskomponenten und Erntevorsatzpositionierungsstellglieder und der Erntevorsatzleistungskartengenerator 352 erzeugt eine Karte des geschätzten Leistungsverbrauchs durch eines oder mehrere von Folgendem: der Haspel, der Schneidevorrichtung, Draper-Bänder, Schnecken, Sammelkomponenten, Stängelverarbeitungskomponenten und Erntevorsatzpositionierungsstellglieder auf Grundlage eines prädiktiven Leistungsmodells 350, das eine Beziehung zwischen Erntegutfeuchtigkeit und Topographie und Leistungsverbrauch durch eines oder mehrere von der Haspel, der Schneidevorrichtung, Draper-Bänder, Schnecke und Erntevorsatzpositionierungsstellglieder definiert.The header
Der Zuführgehäuseleistungskartengenerator 353 empfängt das prädiktive Leistungsmodell 350, das Leistungsmerkmale auf Grundlage von Werten in einer oder mehreren von der vegetativen Indexkarte 332, der Erntegutfeuchtigkeitskarte 335, der topographischen Karte 337, der Bodeneigenschaftskarte 339, der prädiktiven Ertragskarte 341 oder der prädiktiven Biomassekarte 343 vorhersagt, und erzeugt eine prädiktive Karte, die die Leistungsmerkmale des Zuführgehäuses an verschiedenen Positionen auf dem Feld vorhersagt.The feeder chassis performance map generator 353 receives the
Der Dreschleistungskartengenerator 354 empfängt das prädiktive Leistungsmodell 350, das Leistungsmerkmale auf Grundlage von Werten in einem oder mehreren von der vegetativen Indexkarte 332, der Erntegutfeuchtigkeitskarte 335, der topographischen Karte 337, der Bodeneigenschaftskarte 339, der prädiktiven Ertragskarte 341 oder der prädiktiven Biomassekarte 343 vorhersagt, und erzeugt eine prädiktive Karte, die die Leistungsmerkmale der Dresch-Teilsysteme an verschiedenen Positionen in dem Feld vorhersagt. Beispielsweise könnten die Dresch-Teilsysteme eine oder mehrere Dreschtrommeln, konkave Einstellstellglieder und Trommeln beinhalten, und der Dreschleistungskartengenerator 352 erzeugt eine Karte des geschätzten Leistungsverbrauchs durch die eine oder die mehreren Dreschtrommeln, konkaven Einstellstellglieder und Trommeln auf Grundlage eines prädiktiven Leistungsmodells 350, das eine Beziehung zwischen vegetativem Index und Leistungsverbrauch durch die eine oder die mehreren Dreschtrommeln, konkaven Einstellstellglieder und Trommeln definiert. Oder zum Beispiel könnten die Dresch-Teilsysteme eine Dreschtrommel und einen Satz von Dreschkörben bei einem gegebenen Abstand beinhalten, und der Dreschleistungskartengenerator 352 erzeugt eine Karte des geschätzten Leistungsverbrauchs durch die Dreschtrommel mit dem Satz von Dreschkörben bei dem gegebenen Abstand auf Grundlage eines prädiktiven Leistungsmodells 350, das eine Beziehung zwischen der prädiktiven Biomasse und dem Leistungsverbrauch durch die Dreschtrommel mit dem Satz von Dreschkörben bei dem gegebenen Abstand definiert. Oder zum Beispiel könnten die Dresch-Teilsysteme eine oder mehrere Trommeln in einer gegebenen Konfiguration beinhalten, und der Dreschleistungskartengenerator 352 erzeugt eine Karte des geschätzten Leistungsverbrauchs durch die eine oder die mehreren Trommeln in der gegebenen Konfiguration auf Grundlage eines prädiktiven Leistungsmodells 350, das eine Beziehung zwischen der prädiktiven Biomasse und dem Leistungsverbrauch durch die eine oder die mehreren Trommeln in der gegebenen Konfiguration definiert.The threshing
Der Abscheiderleistungskartengenerator 355 empfängt das prädiktive Leistungsmodell 350, das Leistungsmerkmale auf Grundlage von Werten in einer oder mehreren von der vegetativen Indexkarte 332, der Erntegutfeuchtigkeitskarte 335, der topographischen Karte 337, der Bodeneigenschaftskarte 339, der prädiktiven Ertragskarte 341 oder der prädiktiven Biomassekarte 343 vorhersagt, und erzeugt eine prädiktive Karte, die die Leistungsmerkmale der Abscheider-Teilsysteme an verschiedenen Positionen auf dem Feld vorhersagt. Beispielsweise könnten die Abscheider-Teilsysteme eine oder mehrere Gebläse, Siebe, Häcksler und Strohschüttler beinhalten, und der prädiktive Leistungskartengenerator 355 erzeugt eine Karte des geschätzten Leistungsverbrauchs durch das eine oder die mehreren Gebläse, Siebe, Häcksler und Strohschüttler auf Grundlage eines prädiktiven Leistungsmodells 350, das eine Beziehung zwischen dem prädiktiven Ertragswert und dem Leistungsverbrauch durch das eine oder die mehreren Gebläse, Siebe, Häcksler und Strohschüttler definiert. Beispielsweise könnten die Abscheider-Teilsysteme ein oder mehrere Gebläse, die mit einer gegebenen Drehzahl laufen, und Siebe, Häcksler und Strohschüttler in einer gegebenen Konfiguration beinhalten, und der Abscheiderleistungskartengenerator 355 erzeugt eine Karte des geschätzten Leistungsverbrauchs durch das eine oder die mehreren Gebläse, die mit der gegebenen Drehzahl laufen, und Siebe, Häcksler und Strohschüttler in der gegebenen Konfiguration auf Grundlage eines prädiktiven Leistungsmodells 350, das eine Beziehung zwischen dem prädiktiven Ertragswert und dem Leistungsverbrauch durch das eine oder die mehreren Gebläse, die mit der gegebenen Drehzahl laufen, und Sieben, Häckslern und Strohschüttlern in der gegebenen Konfiguration definiert.The separator performance map generator 355 receives the
Der Rückstandshandhabungsleistungskartengenerator 356 empfängt das prädiktive Leistungsmodell 350, das Leistungsmerkmale auf Grundlage von Werten in einer oder mehreren von der vegetativen Indexkarte 332, der Erntegutfeuchtigkeitskarte 335, der topographischen Karte 337, der Bodeneigenschaftskarte 339, der prädiktiven Ertragskarte 341 oder der prädiktiven Biomassekarte 343 vorhersagt, und erzeugt eine prädiktive Karte, die die Leistungsmerkmale der Rückstandshandhabungs-Teilsysteme an verschiedenen Positionen auf dem Feld vorhersagt. Beispielsweise erzeugt der Rückstandshandhabungsleistungskartengenerator 356 eine Karte des geschätzten Leistungsverbrauchs durch einen Rückstandsverteiler auf Grundlage eines prädiktiven Leistungsmodells 350, das eine Beziehung zwischen dem prädiktiven Biomassewert und dem Leistungsverbrauch durch den Rückstandsverteiler definiert. Beispielsweise erzeugt der Beispielsweise erzeugt der Rückstandshandhabungsleistungskartengenerator 356 eine Karte des geschätzten Leistungsverbrauchs durch einen Rückstandhäcksler auf Grundlage eines prädiktiven Leistungsmodells 350, das eine Beziehung zwischen prädiktivem Ertragswert und Leistungsverbrauch durch den Rückstandhäcksler definiert.The residue handling performance map generator 356 receives the
Der Antriebsleistungskartengenerator 357 empfängt das prädiktive Leistungsmodell 350, das Leistungsmerkmale auf Grundlage von Werten in einer oder mehreren von der vegetativen Indexkarte 332, der Erntegutfeuchtigkeitskarte 335, der topographischen Karte 337, der Bodeneigenschaftskarte 339, der prädiktiven Ertragskarte 341 oder der prädiktiven Biomassekarte 343 vorhersagt, und erzeugt eine prädiktive Karte, die die Leistungsmerkmale der Antriebsteilsysteme an verschiedenen Positionen auf dem Feld vorhersagt. Beispielsweise erzeugt der Antriebsleistungskartengenerator 357 eine Karte des geschätzten Leistungsverbrauchs durch das Antriebsteilsystem auf Grundlage eines prädiktiven Leistungsmodells 350, das eine Beziehung zwischen topographischem Kartenwert und Leistungsverbrauch durch das Antriebssystem definiert.The drive
Der prädiktive Kartengenerator 212 gibt eine oder mehrere prädiktive Leistungskarten 360 aus, die prädiktiv für eine oder mehrere Leistungsmerkmale sind. Jede der prädiktiven Leistungskarten 360 prognostiziert das jeweilige Leistungsmerkmal an verschiedenen Positionen in einem Feld. Jede der erzeugten prädiktiven Leistungskarten 360 kann dem Steuerzonengenerator 213, dem Steuersystem 214 oder beiden bereitgestellt werden. Der Steuerzonengenerator 213 erzeugt Steuerzonen und integriert diese Steuerzonen in die funktionelle prädiktive Karte, d. h. die prädiktive Karte 360, um die prädiktive Steuerzonenkarte 265 zu erzeugen. Eines oder beide der prädiktiven Karten 264 und die prädiktive Steuerzonenkarte 265 können dem Steuersystem 214 bereitgestellt werden, das Steuersignale erzeugt, um eines oder mehrere der steuerbaren Teilsysteme 216 auf Grundlage der prädiktiven Karte 264, der prädiktiven Steuerzonenkarte 265 oder beider zu steuern.The predictive map generator 212 outputs one or more predictive performance maps 360 that are predictive of one or more performance characteristics. Each of the predictive performance maps 360 predicts the respective performance attribute at different positions in a field. Each of the generated predictive performance maps 360 may be provided to control
Bei Block 372 verarbeitet das Verarbeitungssystem 338 das eine oder die mehreren empfangenen Sensorsignale, um Daten zu erzeugen, die ein Leistungsmerkmal angeben. Wie durch Block 374 angegeben, kann das Leistungsmerkmal auf einer maschinenweiten Ebene identifiziert werden. Beispielsweise der gesamte Leistungsverbrauch des gesamten landwirtschaftlichen Erntemaschine. Ein Leistungsverbrauch auf dieser Ebene kann verwendet werden, um Kraftstoffverbrauch, Effizienz usw. zu berechnen. Wie in Block 376 angezeigt, kann das Leistungsmerkmal auf einer Teilsystemebene identifiziert werden. Ein Merkmal auf dieser Ebene kann beispielsweise verwendet werden, um Leistung auf Teilsysteme aufzuteilen. Wie durch Block 378 angezeigt, kann das Leistungsmerkmal auf einer Komponentenebene identifiziert werden. Die Sensordaten können auch andere Daten auf anderen Ebenen beinhalten, die durch Block 380 angezeigt werden.At block 372, the
Bei Block 382 erhält der prädiktive Modellgenerator 210 auch die geografische Position, die den Sensordaten entspricht. Beispielsweise kann der prädiktive Modellgenerator 210 die geografische Position von dem geografischen Positionssensor 204 erhalten und auf Grundlage von Maschinenverzögerungen, Maschinengeschwindigkeit usw. eine genaue geografische Position bestimmen, an der die Sensordaten 340 erfasst oder abgeleitet wurden.At
Bei Block 384 erzeugt der prädiktive Modellgenerator 210 ein oder mehrere prädiktive Leistungsmodelle, wie etwa das Leistungsmodell 350, die eine Beziehung zwischen einem vegetativen Indexwert, einem Erntegutfeuchtigkeitswert, einem Bodeneigenschaftswert, einem prädiktiven Ertragswert oder einem prädiktiven Biomassewert, der aus einer Informationskarte, wie etwa der Informationskarte 258, erhalten wird, und einem Leistungsmerkmal, das durch den In-situ-Sensor 208 erfasst wird, modellieren. Zum Beispiel kann der prädiktive Modellgenerator 210 ein prädiktives Leistungsmodell erzeugen, das die Beziehung zwischen einem vegetativen Indexwert und einem erfassten Merkmal einschließlich der Leistungsnutzung modelliert, die durch die Sensordaten angezeigt wird, die von dem In-situ-Sensor 208 erhalten werden.At block 384, the
Bei Block 386 wird das prädiktive Leistungsmodell, wie etwa das prädiktive Leistungsmodell 350, dem prädiktiven Kartengenerator 212 bereitgestellt, der eine prädiktive Leistungskarte 360 erzeugt, die ein prädiktives Leistungsmerkmal auf Grundlage einer vegetativen Indexkarte, einer Erntegutfeuchtigkeitskarte, einer Bodeneigenschaftskarte, einer prädiktiven Ertragskarte oder einer prädiktiven Biomassekarte und des prädiktiven Leistungsmodells 350 abbildet. Beispielsweise sagt die prädiktive Leistungskarte 360 in einigen Beispielen den Leistungsverbrauch/die Leistungsanforderungen verschiedener Teilsysteme voraus. Ferner kann die prädiktive Leistungskarte 360 während des Verlaufs eines landwirtschaftlichen Vorgangs erzeugt werden. Somit wird, wenn sich eine landwirtschaftliche Erntemaschine durch ein Feld bewegt, in dem ein landwirtschaftlicher Vorgang durchgeführt wird, die prädiktive Leistungskarte 360 erzeugt, während der landwirtschaftliche Vorgang durchgeführt wird.At block 386, the predictive performance model, such as
Bei Block 394 gibt der prädiktive Kartengenerator 212 die prädiktive Leistungskarte 360 aus. Bei Block 391 gibt der prädiktive Leistungskartengenerator 212 die prädiktive Leistungskarte zur Präsentation für und zur möglichen Interaktion durch den Bediener 260 aus. Bei Block 393 kann der prädiktive Kartengenerator 212 die Karte für den Verbrauch durch das Steuersystem 214 konfigurieren. Bei Block 395 kann der prädiktive Kartengenerator 212 dem Steuerzonengenerator 213 auch die Karte 360 zur Erzeugung von Steuerzonen bereitstellen. Bei Block 397 konfiguriert der prädiktive Kartengenerator 212 die Karte 360 auch auf andere Weise. Die prädiktive Leistungskarte 360 (mit oder ohne die Steuerzonen) wird dem Steuersystem 214 bereitgestellt. Bei Block 396 erzeugt das Steuersystem 214 Steuersignale, um die steuerbaren Teilsysteme 216 auf Grundlage der prädiktiven Leistungskarte 360 zu steuern.At block 394 , the predictive map generator 212 outputs the
Somit ist ersichtlich, dass das vorliegende System eine Informationskarte erstellt, die ein Merkmal, wie etwa einen vegetativen Indexwert, einen Erntegutfeuchtigkeitswert, einen Bodeneigenschaftswert, einen prädiktiven Ertragswert oder einen prädiktiven Biomassewert oder Informationen von einem Vorabbetriebsdurchlauf auf verschiedene Positionen in einem Feld abbildet. Das vorliegende System verwendet auch einen oder mehrere In-situ-Sensoren, die In-situ-Sensordaten erfassen, die ein Leistungsmerkmal, wie etwa Leistungsverbrauch, Leistungsbedarf, Leistungseffizienz oder Leistungsverlust, angeben, und erzeugt ein Modell, das eine Beziehung zwischen dem mithilfe des In-situ-Sensors erfassten Merkmal oder einem verwandten Merkmal und dem in der Informationskarte abgebildeten Merkmal modelliert. Somit erzeugt das vorliegende System eine funktionelle prädiktive Karte mithilfe eines Modells, von In-situ-Daten und einer Informationskarte und kann die erzeugte prädiktive Karte zum Verbrauch durch ein Steuersystem zur Präsentation für einen lokalen oder entfernten Bediener oder einen anderen Benutzer oder beides konfigurieren. Beispielsweise kann das Steuersystem die Karte verwenden, um eines oder mehrere Systeme eines Mähdreschers zu steuern.Thus, it can be seen that the present system creates an information map that maps a trait, such as a vegetative index value, a crop moisture value, a soil property value, a predicted yield value or a predicted biomass value, or information from a preliminary run to various positions in a field. The present system also uses one or more in situ sensors that collect in situ sensor data indicative of a performance characteristic, such as power consumption, power demand, power efficiency, or power loss, and creates a model that expresses a relationship between the In situ sensor detected feature or a related feature and the feature depicted in the information map. Thus, the present system generates a functional predictive map using a model, in situ data, and an information map, and can configure the generated predictive map for consumption by a control system for presentation to a local or remote operator or other user, or both. For example, the control system can use the map to control one or more systems of a combine.
In der vorliegenden Diskussion wurden Prozessoren und Server erwähnt. In einem Beispiel beinhalten die Prozessoren und Server Computerprozessoren mit zugehörigem Speicher und Zeitschaltungen, die nicht separat dargestellt werden. Die Prozessoren und Server sind funktionale Teile der Systeme oder Vorrichtungen, zu denen die Prozessoren und Server gehören und durch die sie aktiviert werden, und erleichtern die Funktionalität der anderen Komponenten oder Elemente in diesen Systemen.Processors and servers have been mentioned in this discussion. In one example, the processors and servers include computer processors with associated memory and timing circuitry, not shown separately. The processors and servers are functional parts of the systems or devices that the processors and servers belong to and are activated by, and facilitate the functionality of the other components or elements in those systems.
Es wurde auch eine Reihe von Anzeigen der Benutzerschnittstelle diskutiert. Die Anzeigen können mehrere verschiedene Formen annehmen und können mehrere verschiedene benutzergesteuerte Bedienerschnittstellenmechanismen darauf aufweisen. Beispielsweise können die vom Benutzer aktivierbaren Bedienerschnittstellenmechanismen Textfelder, Kontrollkästchen, Symbole, Links, Dropdown-Menüs, Suchfelder usw. beinhalten. Die vom Benutzer betätigbaren Bedienschnittstellenmechanismen können auch auf unterschiedlichste Weise betätigt werden. Zum Beispiel können die vom Benutzer betätigbaren Bedienerschnittstellenmechanismen über Bedienerschnittstellenmechanismen, wie etwa eine Point-and-Click-Vorrichtung, ein Trackball oder eine Maus, Hardwaretasten, Schalter, einen Joystick oder eine Tastatur, Daumenschalter oder Daumenpads usw., eine virtuelle Tastatur oder andere virtuelle Stellglieder betätigt werden. Wenn der Bildschirm, auf dem die vom Benutzer betätigbaren Bedienerschnittstellenmechanismen angezeigt werden, ein berührungsempfindlicher Bildschirm ist, können außerdem die vom Benutzer betätigbaren Bedienerschnittstellenmechanismen mit Berührungsgesten betätigt werden. Benutzerbetätigbare Bedienerschnittstellenmechanismen können auch mithilfe von Sprachbefehlen mit der Spracherkennungsfunktionalität betätigt werden. Die Spracherkennung kann mithilfe einer Spracherkennungsvorrichtung, wie etwa eines Mikrofons, und einer Software implementiert werden, die dazu dient, Sprache zu erkennen und Befehle basierend auf der empfangenen Sprache auszuführen.A number of user interface displays were also discussed. The displays can take a number of different forms and can have a number of different user controlled operator interface mechanisms thereon. For example, the user-actuable operator interface mechanisms may include text boxes, check boxes, icons, links, drop-down menus, search boxes, and so on. The user actuatable operator interface mechanisms can also be actuated in a variety of ways. For example, the user actuable operator interface mechanisms can be operator interface mechanisms such as a point-and-click device, a trackball or mouse, hardware buttons, switches, a joystick or keyboard, thumb switches or thumbpads, etc., a virtual keyboard or other virtual Actuators are actuated. In addition, when the screen on which the user actuable operator interface mechanisms are displayed is a touch-sensitive screen, the user actuable operator interface mechanisms can be actuated with touch gestures. User actuatable operator interface mechanisms can also be actuated using voice commands with speech recognition functionality. Speech recognition can be implemented using a speech recognition device, such as a microphone, and software operable to recognize speech and execute commands based on the received speech.
Eine Reihe von Datenspeichern wurde ebenfalls erörtert. Es wird darauf hingewiesen, dass die Datenspeicher jeweils in mehrere Datenspeicher aufgeteilt werden können. In einigen Beispielen können einer oder mehrere der Datenspeicher lokal für die auf die Datenspeicher zugreifenden Systeme sein, einer oder mehrere der Datenspeicher können remote von einem den Datenspeicher verwendenden System angeordnet sein, oder ein oder mehrere Datenspeicher können lokal sein, während andere remote sind. All diese Konfigurationen werden durch die vorliegende Offenbarung in Betracht gezogen.A number of data stores were also discussed. It is pointed out that the data stores can each be divided into several data stores. In some examples, one or more of the data stores may be local to systems accessing the data stores, one or more of the data stores may be remote from a system using the data store, or one or more data stores may be local while others are remote. All of these configurations are contemplated by the present disclosure.
Außerdem zeigen die Figuren eine Reihe von Blöcken mit Funktionen, die jedem Block zugeordnet sind. Es wird darauf hingewiesen, dass weniger Blöcke verwendet werden können, um zu veranschaulichen, dass die Funktionalität, die mehreren verschiedenen Blöcken zugewiesen wird, von weniger Komponenten ausgeführt wird. Es können auch mehr Blöcke verwendet werden, die veranschaulichen, dass die Funktionalität auf mehrere Komponenten verteilt sein kann. In verschiedenen Beispielen können einige Funktionen hinzugefügt und einige entfernt werden.In addition, the figures show a series of blocks with functions associated with each block. It is noted that fewer blocks may be used to illustrate that functionality assigned to multiple different blocks is performed by fewer components. More blocks can also be used, illustrating that functionality can be distributed across multiple components. In different examples, some functionality may be added and some may be removed.
Es ist zu beachten, dass die vorstehende Erläuterung eine Vielzahl unterschiedlicher Systeme, Komponenten, Logiken und Interaktionen beschrieben hat. Es versteht sich, dass beliebige oder alle solcher Systeme, Komponenten, Logiken und Interaktionen durch Hardwareelemente, wie etwa Prozessoren, Speicher oder andere Verarbeitungskomponenten, einschließlich, aber nicht beschränkt auf, Komponenten mit künstlicher Intelligenz, wie etwa neuronale Netzwerke, von denen einige im Folgenden beschrieben werden, umgesetzt werden können, die die Funktionen ausführen, die mit diesen Systemen, Komponenten Logiken oder Interaktionen verbunden sind. Darüber hinaus können beliebige oder alle Systeme, Komponenten, Logiken und Interaktionen durch Software implementiert werden, die in einen Speicher geladen werden und anschließend von einem Prozessor oder Server oder einer anderen Rechnerkomponente ausgeführt werden, wie nachfolgend beschrieben. Jedes oder alle Systeme, Komponenten, Logiken und Interaktionen können auch durch verschiedene Kombinationen von Hardware, Software, Firmware usw. umgesetzt werden, von denen einige Beispiele nachfolgend beschrieben werden. Dies sind einige Beispiele für verschiedene Strukturen, die zur Implementierung beliebiger oder aller der oben beschriebenen Systeme, Komponenten, Logiken und Interaktionen verwendet werden können. Es können auch andere Strukturen verwendet werden.It should be noted that the discussion above has described a variety of different systems, components, logic and interactions. It is understood that any or all such systems, components, logic, and interactions are powered by hardware elements, such as processors, memory, or other processing components, including but not limited to artificial intelligence components, such as neural networks, some of which are detailed below described can be implemented that perform the functions associated with these systems, components, logics or interactions. In addition, any or all of the systems, components, logic, and interactions may be implemented by software loaded into memory and then executed by a processor or server or other computing component, as described below. Any or all of the systems, components, logic, and interactions may also be implemented through various combinations of hardware, software, firmware, etc., some examples of which are described below. These are some examples of different structures that can be used to implement any or all of the systems, components, logic, and interactions described above. Other structures can also be used.
In dem in
Es wird auch darauf hingewiesen, dass die Elemente von
In einigen Beispielen kann die Remote-Serverarchitektur 500 Cybersicherheitsmaßnahmen beinhalten. Ohne Einschränkung können diese Maßnahmen eine Verschlüsselung von Daten auf Speichervorrichtungen, eine Verschlüsselung von Daten, die zwischen Netzwerkknoten gesendet werden, eine Authentifizierung von Personen oder Prozessen, die auf Daten zugreifen, sowie die Verwendung von Hauptbüchern zum Aufzeichnen von Metadaten, Daten, Datenübertragungen, Datenzugriffen und Datentransformationen beinhalten. In einigen Beispielen können die Hauptbücher verteilt und unveränderlich sein (z. B. als Blockchain implementiert).In some examples, the remote server architecture 500 may include cyber security measures. Without limitation, these measures may include encryption of data on storage devices, encryption of data sent between network nodes, authentication of individuals or processes accessing data, and use of ledgers to record metadata, data, data transfers, data access and involve data transformations. In some examples, the ledgers may be distributed and immutable (eg, implemented as a blockchain).
In anderen Beispielen können Anwendungen auf einer entfernbaren „Secure Digital“-(SD-)Karte empfangen werden, die mit einer Schnittstelle 15 verbunden ist. Die Schnittstelle 15 und die Kommunikationsverbindungen 13 kommunizieren mit einem Prozessor 17 (der auch die Prozessoren oder Server aus den anderen FIG. verkörpern kann) über einen Bus 19, der ebenfalls mit dem Speicher 21 und den Ein-/Ausgabekomponenten (E/A) 23 sowie dem Taktgeber 25 und dem Ortungssystem 27 verbunden ist.In other examples, applications may be received on a removable Secure Digital (SD) card connected to an
E/A-Komponenten 23 sind in einem Beispiel vorgesehen, um Ein- und Ausgabeoperationen zu erleichtern. E/A-Komponenten 23 für verschiedene Beispiele des Endgeräts 16 können Eingabekomponenten, wie etwa Tasten, Tastsensoren, optische Sensoren, Mikrofone, Touchscreens, Näherungssensoren, Beschleunigungssensoren, Orientierungssensoren, und Ausgabekomponenten, wie etwa eine Anzeigevorrichtung, ein Lautsprecher und/oder ein Druckeranschluss beinhalten. Es können auch andere E/A-Komponenten 23 verwendet werden.I/
Die Uhr 25 umfasst veranschaulichend eine Echtzeituhrkomponente, die eine Uhrzeit und ein Datum ausgibt. Dieser kann auch, veranschaulichend, Timing-Funktionen für Prozessor 17 bereitstellen.
Das Ortungssystem 27 beinhaltet veranschaulichend eine Komponente, die eine aktuelle geografische Position des Geräts 16 ausgibt. Dies kann beispielsweise einen globalen Positionierungssystem-(GPS-)Empfänger, ein LORAN-System, ein Koppelnavigationssystem, ein zellulares Triangulationssystems oder ein anderes Positionierungssystems beinhalten. Das Ortungssystem 27 kann beispielsweise auch eine Karten- oder Navigationssoftware beinhalten, die gewünschte Karten, Navigationsrouten und andere geografische Funktionen erzeugt.The
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 greifbaren flüchtigen und nichtflüchtigen computerlesbaren Speichervorrichtungen beinhalten. Der Speicher 21 kann auch Computerspeichermedien beinhalten (siehe unten). Der Speicher 21 speichert computerlesbare Anweisungen, die, wenn sie von Prozessor 17 ausgeführt werden, den Prozessor veranlassen, computerimplementierte Schritte oder Funktionen gemäß den Anweisungen auszuführen. Der Prozessor 17 kann von anderen Komponenten aktiviert werden, um auch deren Funktionalität zu verbessern.
Es ist zu beachten, dass andere Formen der Vorrichtungen 16 möglich sind.It should be noted that other shapes of
Der Computer 810 beinhaltet typischerweise mehrere computerlesbare Medien. Computerlesbare Medien können beliebige verfügbare Medien sein, auf die der Computer 810 zugreifen kann, und umfassen sowohl flüchtige als auch nichtflüchtige Medien, entfernbare und nicht entfernbare Medien. Beispielsweise und nicht einschränkend können computerlesbare Medien Computerspeichermedien und Kommunikationsmedien umfassen. Computerspeichermedien unterscheiden sich von einem modulierten Datensignal oder einer Trägerwelle und beinhalten diese nicht. Computerlesbare Medien umfassen Hardware-Speichermedien mit flüchtigen und nichtflüchtigen, entfernbaren und nicht entfernbaren Medien, die in einem beliebigen Verfahren oder einer Technologie für die Speicherung von Informationen, wie etwa computerlesbaren Befehlen, Datenstrukturen, Programmmodulen oder anderen Daten, implementiert sind. Rechenspeichermedien umfassen, aber sie sind nicht beschränkt auf RAM, ROM, EEPROM, Flash-Speicher oder andere Speichertechnologie, CD-ROM, Digitalversatile-Disks (DVD) oder andere optische Plattenspeicher, Magnetkassetten, -bänder, -plattenspeicher oder andere magnetische Speichergeräte oder jedes andere Medium, das verwendet werden kann, um die gewünschte Information zu speichern, auf die über den Rechner 810 zugegriffen werden kann. Kommunikationsmedien können computerlesbare Anweisungen, Datenstrukturen, Programmmodule oder andere Daten in einem Transportmechanismus enthalten und umfassen alle Informationslieferungsmedien. Der Begriff „moduliertes Datensignal“ bezeichnet ein Signal, bei dem eine oder mehrere seiner Merkmale so eingestellt oder geändert werden, dass Informationen in dem Signal codiert werden.
Der Systemspeicher 830 beinhaltet Computerspeichermedien in Form eines flüchtigen und/oder nichtflüchtigen Speichers oder beider, wie etwa Festwertspeicher (ROM) 831 und Direktzugriffsspeicher (RAM) 832. Ein grundlegendes Ein-/Ausgabesystem 833 (BIOS), das die grundlegenden Programme enthält, die helfen, Informationen zwischen den Elementen innerhalb des Computers 810 zu übertragen, wie etwa beim Starten, wird typischerweise im ROM 831 gespeichert. Der RAM 832 enthält typischerweise Daten- oder Programmmodule oder beide, die für die Verarbeitungseinheit 820 unmittelbar zugänglich sind und/oder derzeit betrieben werden. Beispielsweise und nicht einschränkend zeigt
Der Computer 810 kann auch andere entfernbare/nicht-entfernbare flüchtige/nichtflüchtige Computerspeichermedien beinhalten. Beispielsweise wird in
Alternativ oder zusätzlich kann die hierin beschriebene Funktionalität mindestens teilweise durch eine oder mehrere Hardware-Logikkomponenten ausgeführt werden. Zu den veranschaulichenden Arten von Hardware-Logikkomponenten, die verwendet werden können, gehören beispielsweise feldprogrammierbare Gate-Arrays (FPGAs), Applikations-spezifische integrierte Schaltungen (z. B. ASICs), Applikations-spezifische Standardprodukte (z. B. ASSPs), System-on-a-Chip-Systeme (SOCs), „Complex Programmable Logic Devices“ (CPLDs) usw.Alternatively or additionally, the functionality described herein may be performed at least in part by one or more hardware logic components. Illustrative types of hardware logic components that may be used include, for example, field-programmable gate arrays (FPGAs), application-specific integrated circuits (e.g., ASICs), off-the-shelf application-specific products (e.g., ASSPs), system -on-a-chip systems (SOCs), "Complex Programmable Logic Devices" (CPLDs), etc.
Die Laufwerke und die dazugehörigen Computerspeichermedien, die vorstehend erläutert und in
Ein Benutzer kann Befehle und Informationen in den Computer 810 über Eingabegeräte, wie etwa eine Tastatur 862, ein Mikrofon 863 und ein Zeigegerät 861, wie etwa eine Maus, einen Trackball oder ein Touchpad, eingeben. Andere Eingabevorrichtungen (nicht dargestellt) können einen Joystick, ein Gamepad, eine Satellitenschüssel, einen Scanner oder dergleichen beinhalten. Diese und andere Eingabegeräte sind oft über eine Benutzereingabeschnittstelle 860 mit der Verarbeitungseinheit 820 verbunden, die mit dem Systembus gekoppelt ist, aber auch über andere Schnittstellen- und Busstrukturen verbunden sein kann. Eine optische Anzeige 891 oder eine andere Art von Anzeigevorrichtung ist ebenfalls über eine Schnittstelle, wie etwa eine Videoschnittstelle 890, mit dem Systembus 821 verbunden. Zusätzlich zum Monitor können Computer auch andere periphere Ausgabevorrichtungen, wie etwa die Lautsprecher 897 und den Drucker 896 beinhalten, die über eine Ausgabeperipherieschnittstelle 895 verbunden werden können.A user may enter commands and information into the
Der Computer 810 wird in einer Netzwerkumgebung über logische Verbindungen (wie etwa CAN, LAN oder WAN) zu einem oder mehreren entfernten Computern, wie etwa einem entfernten Computer 880, betrieben.
Bei Verwendung in einer LAN-Netzwerkumgebung ist der Computer 810 über eine Netzwerkschnittstelle oder einen Adapter 870 mit dem LAN 871 verbunden. Bei Verwendung in einer WAN-Netzwerkumgebung beinhaltet der Computer 810 typischerweise ein Modem 872 oder andere Mittel zum Aufbauen einer Kommunikation über das WAN 873, wie etwa das Internet. In einer vernetzten Umgebung können Programmmodule auf einer externen Speichervorrichtung gespeichert werden.
Es ist auch zu beachten, dass die verschiedenen hierin beschriebenen Beispiele unterschiedlich 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.It should also be noted that the various examples described herein can be combined in different ways. That is, portions of one or more examples may be combined with portions of one or more other examples. All of these are considered here.
Beispiel 1 ist eine landwirtschaftliche Arbeitsmaschine, umfassend:
- [0139] ein Kommunikationssystem, das eine Informationskarte empfängt, die Werte eines ersten landwirtschaftlichen Merkmals beinhaltet, die verschiedenen geografischen Positionen in einem Feld entsprechen;
- [0140] einen geografischen Positionssensor, der eine geografische Position der landwirtschaftlichen Arbeitsmaschine erfasst;
- [0141] einen In-situ-Sensor, der einen Wert eines Leistungsmerkmals der landwirtschaftlichen Arbeitsmaschine als ein zweites landwirtschaftliches Merkmal erkennt, das der geografischen Position entspricht;
- [0142] einen prädiktiven Modellgenerator, der ein prädiktives landwirtschaftliches Modell erzeugt, das eine Beziehung zwischen dem ersten landwirtschaftlichen Merkmal und dem zweiten landwirtschaftlichen Merkmal auf Grundlage eines Werts des ersten landwirtschaftlichen Merkmals in der Informationskarte an der geografischen Position und des Werts des zweiten landwirtschaftlichen Merkmals modelliert, das durch den In-situ-Sensor an der geografischen Position erfasst wird; und
- [0143] einen prädiktiven Kartengenerator, der eine funktionelle prädiktive landwirtschaftliche Karte des Feldes erzeugt, die prädiktive Werte des zweiten landwirtschaftlichen Merkmals auf Grundlage der Werte des ersten landwirtschaftlichen Merkmals in der Informationskarte und auf Grundlage des prädiktiven landwirtschaftlichen Modells auf die verschiedenen geografischen Positionen in dem Feld abbildet.
- [0139] a communication system that receives an information map that includes values of a first agricultural characteristic that correspond to different geographic positions in a field;
- [0140] a geographical position sensor that detects a geographical position of the agricultural working machine;
- [0141] an in situ sensor that detects a value of a performance attribute of the agricultural work machine as a second agricultural attribute that corresponds to the geographic location;
- [0142] a predictive model generator that generates a predictive agricultural model that models a relationship between the first agricultural feature and the second agricultural feature based on a value of the first agricultural feature in the information map at the geographical position and the value of the second agricultural feature , which is detected by the in situ sensor at the geographic position; and
- a predictive map generator that generates a functional predictive agricultural map of the field that applies predictive values of the second agricultural feature based on the values of the first agricultural feature in the information map and based on the predictive agricultural model to the different geographical positions in the field depicts.
Beispiel 2 ist die landwirtschaftliche Arbeitsmaschine eines oder aller vorhergehenden Beispiele, wobei der prädiktive Kartengenerator die funktionelle prädiktive landwirtschaftliche Karte für den Verbrauch durch ein Steuersystem konfiguriert, das Steuersignale erzeugt, um ein steuerbares Teilsystem auf der landwirtschaftlichen Arbeitsmaschine auf Grundlage der funktionellen prädiktiven landwirtschaftlichen Karte zu steuern.Example 2 is the agricultural work machine of any or all of the preceding examples, wherein the predictive map generator configures the functional predictive agricultural map for consumption by a control system that generates control signals to control a controllable subsystem on the agricultural work machine based on the functional predictive agricultural map .
Beispiel 3 ist die landwirtschaftliche Arbeitsmaschine eines oder aller vorhergehenden Beispiele, wobei der In-situ-Sensor an der landwirtschaftlichen Arbeitsmaschine konfiguriert ist, um einen Leistungsverbrauch eines oder mehrerer Teilsysteme, die der geografischen Position entsprechen, als den Wert des zweiten landwirtschaftlichen Merkmals zu erkennen.Example 3 is the agricultural work machine of any or all of the preceding examples, wherein the in situ sensor on the agricultural work machine is configured to detect power consumption of one or more subsystems corresponding to the geographic location as the value of the second agricultural characteristic.
Beispiel 4 ist die landwirtschaftliche Arbeitsmaschine eines oder aller vorhergehenden Beispiele, wobei der In-situ-Sensor eines oder mehrere von einem Spannungssensor, einem Stromsensor, einem Drehmomentsensor, einem Fluiddrucksensor, einem Fluidströmungssensor, einem Kraftsensor, einem Lagerlastsensor und einem Rotationssensor umfasst.Example 4 is the agricultural work machine of any or all of the preceding examples, wherein the in situ sensor includes one or more of a voltage sensor, a current sensor, a torque sensor, a fluid pressure sensor, a fluid flow sensor, a force sensor, a bearing load sensor, and a rotation sensor.
Beispiel 5 ist die landwirtschaftliche Arbeitsmaschine eines oder aller vorhergehenden Beispiele, wobei die Informationskarte eine vegetative Indexkarte umfasst, die als erstes landwirtschaftliches Merkmal vegetative Indexwerte auf die verschiedenen geografischen Positionen in dem Feld abbildet.Example 5 is the agricultural work machine of any or all of the preceding examples, wherein the information map comprises a vegetative index map that maps vegetative index values to the various geographic locations in the field as the first agricultural feature.
Beispiel 6 ist die landwirtschaftliche Arbeitsmaschine eines oder aller vorhergehenden Beispiele, wobei der prädiktive Modellgenerator konfiguriert ist, um eine Beziehung zwischen des Leistungsmerkmals und dem vegetativen Index auf Grundlage des Leistungsmerkmalwerts, der an der geografischen Position erkannt wird, und des vegetativen Indexwerts in der vegetativen Indexkarte an der geografischen Position zu identifizieren, wobei das prädiktive landwirtschaftliche Modell konfiguriert ist, um einen eingegebenen vegetativen Indexwert als eine Modelleingabe zu empfangen und einen vorhergesagten Leistungsmerkmalwert als eine Modellausgabe auf Grundlage der identifizierten Beziehung zu erzeugen.Example 6 is the agricultural work machine of any or all of the preceding examples, wherein the predictive model generator is configured to generate a relationship between the performance attribute and the vegetative index based on the performance attribute value recognized at the geographic location and the vegetative index value in the vegetative index map at the geographic location, wherein the predictive agricultural model is configured to receive an input vegetative index value as a model input and to generate a predicted performance attribute value as a model output based on the identified relationship.
Beispiel 7 ist die landwirtschaftliche Arbeitsmaschine eines oder aller vorhergehenden Beispiele, wobei die Informationskarte eine Erntegutfeuchtigkeitskarte umfasst, die als erstes landwirtschaftliches Merkmal Erntegutfeuchtigkeitswerte auf die verschiedenen geografischen Positionen in dem Feld abbildet.Example 7 is the agricultural work machine of any or all of the preceding examples, wherein the information map comprises a crop moisture map that maps crop moisture values to the various geographic locations in the field as the first agricultural characteristic.
Beispiel 8 ist die landwirtschaftliche Arbeitsmaschine eines oder aller vorhergehenden Beispiele, wobei der prädiktive Modellgenerator konfiguriert ist, um eine Beziehung zwischen dem Leistungsmerkmal und der Erntegutfeuchtigkeit basierend auf dem Leistungsmerkmalwert, der an der geografischen Position erkannt wird, und dem Erntegutfeuchtigkeitswert in der Erntegutfeuchtigkeitskarte an der geografischen Position zu identifizieren, wobei das prädiktive Modell konfiguriert ist, um einen eingegebenen Erntegutfeuchtigkeitswert als eine Modelleingabe zu empfangen und einen vorhergesagten Leistungsmerkmalwert als eine Modellausgabe auf Grundlage der identifizierten Beziehung zu erzeugen.Example 8 is the agricultural work machine of any or all of the preceding examples, wherein the predictive model generator is configured to generate a relationship between the performance attribute and crop moisture based on the performance attribute value recognized at the geographic location and the crop moisture value in the crop moisture map at the geographic location identify position, wherein the predictive model is configured to receive an input crop moisture value as a model input and to generate a predicted performance attribute value as a model output based on the identified relationship.
Beispiel 9 ist die landwirtschaftliche Arbeitsmaschine eines oder aller vorhergehenden Beispiele, wobei die Informationskarte eine prädiktive Ertragskarte umfasst, die als erstes landwirtschaftliches Merkmal prädiktive Ertragswerte auf die verschiedenen geografischen Positionen in dem Feld abbildet, und wobei der prädiktive Modellgenerator konfiguriert ist, um eine Beziehung zwischen dem prädiktiven Ertrag und dem Leistungsmerkmal auf Grundlage des an der geografischen Position erkannten Leistungsmerkmalwerts und des Ertragswerts in der prädiktiven Ertragskarte an der geografischen Position zu identifizieren, wobei das prädiktive landwirtschaftliche Modell konfiguriert ist, um einen eingegebenen prädiktiven Ertragswert als eine Modelleingabe zu empfangen und einen vorhergesagten Leistungsmerkmalwert als eine Modellausgabe auf Grundlage der identifizierten Beziehung zu erzeugen.Example 9 is the agricultural work machine of any or all of the preceding examples, wherein the information map includes a predictive yield map that maps predictive yield values to the various geographic locations in the field as the first agricultural feature, and wherein the predictive model generator is configured to establish a relationship between the identify predictive yield and the performance attribute based on the performance attribute value detected at the geographic location and the yield value in the predictive yield map at the geographic location, the predictive agricultural model being configured to: receive an input predicted earned value as a model input; and generate a predicted performance attribute value as a model output based on the identified relationship.
Beispiel 10 ist die landwirtschaftliche Arbeitsmaschine eines oder aller vorhergehenden Beispiele, wobei die Informationskarte eine prädiktive Biomassekarte umfasst, die als erstes landwirtschaftliches Merkmal prädiktive Biomassewerte auf die verschiedenen geografischen Positionen in dem Feld abbildet, und wobei der prädiktive Modellgenerator konfiguriert ist, um eine Beziehung zwischen der prädiktiven Biomasse und dem Leistungsmerkmal auf Grundlage des an der geografischen Position erkannten Leistungsmerkmalswerts und des Biomassewerts in der prädiktiven Biomassekarte an der geografischen Position zu identifizieren, wobei das prädiktive landwirtschaftliche Modell konfiguriert ist, um einen eingegebenen prädiktiven Biomassewert als Modelleingabe zu empfangen und einen vorhergesagten Leistungsmerkmalswert als Modellausgabe auf Grundlage der identifizierten Beziehung zu erzeugen.Example 10 is the agricultural work machine of any or all of the preceding examples, wherein the information map includes a predictive biomass map that maps predictive biomass values to the various geographic locations in the field as the first agricultural feature, and wherein the predictive model generator is configured to establish a relationship between the identify predictive biomass and the performance attribute based on the performance attribute value detected at the geographic location and the biomass value in the predictive biomass map at the geographic location, wherein the predictive agricultural model is configured to receive an input predictive biomass value as model input and a predicted performance attribute value as generate model output based on the identified relationship.
Beispiel 11 ist die landwirtschaftliche Arbeitsmaschine eines oder aller vorhergehenden Beispiele, wobei die Informationskarte eine topographische Karte umfasst, die als erstes landwirtschaftliches Merkmal topographische Merkmalswerte auf die verschiedenen geografischen Positionen in dem Feld abbildet, und wobei der prädiktive Modellgenerator konfiguriert ist, um eine Beziehung zwischen dem topographischen Merkmal und dem Leistungsmerkmal auf Grundlage des an der geografischen Position erkannten Leistungsmerkmalwerts und des topographischen Werts in der topographischen Karte an der geografischen Position zu identifizieren, wobei das prädiktive landwirtschaftliche Modell konfiguriert ist, um einen eingegebenen topographischen Merkmalwert als eine Modelleingabe zu empfangen und einen vorhergesagten Leistungsmerkmalwert als eine Modellausgabe auf Grundlage der identifizierten Beziehung zu erzeugen.Example 11 is the agricultural work machine of any or all of the preceding examples, wherein the informational map comprises a topographic map having as a first agricultural feature topographical feature values mapped to the various geographic locations in the field, and wherein the predictive model generator is configured to establish a relationship between the identify the topographical feature and the feature based on the feature value detected at the geographic location and the topographical value in the topographic map at the geographic location, wherein the predictive agricultural model is configured to receive an input topographical feature value as a model input and a predicted one generate feature value as a model output based on the identified relationship.
Beispiel 12 ist ein computerimplementiertes Verfahren zum Erzeugen einer funktionalen prädiktiven landwirtschaftlichen Karte, umfassend:
- Empfangen einer Informationskarte in einer landwirtschaftlichen Arbeitsmaschine, die Werte eines ersten landwirtschaftlichen Merkmals angibt, die verschiedenen geografischen Positionen in einem Feld entsprechen;
- Erfassen einer geografischen Position der landwirtschaftlichen Arbeitsmaschine;
- Erkennen eines Leistungsmerkmalwerts mit einem In-situ-Sensor als ein zweites landwirtschaftliches Merkmal, das der geografischen Position entspricht;
- Erzeugen eines prädiktiven landwirtschaftlichen Modells, das eine Beziehung zwischen dem ersten landwirtschaftlichen Merkmal und dem zweiten landwirtschaftlichen Merkmal modelliert; und
- Steuern eines prädiktiven Kartengenerators, um die funktionelle prädiktive landwirtschaftliche Karte des Feldes zu erzeugen, die prädiktive Werte des zweiten landwirtschaftlichen Merkmals auf Grundlage der Werte des ersten landwirtschaftlichen Merkmals in der Informationskarte und des prädiktiven landwirtschaftlichen Modells zuordnet.
- receiving, at an agricultural work machine, an information map indicating values of a first agricultural characteristic corresponding to different geographic locations in a field;
- detecting a geographical position of the agricultural working machine;
- detecting a performance attribute value with an in situ sensor as a second agricultural attribute corresponding to the geographic location;
- creating a predictive agricultural model that models a relationship between the first agricultural trait and the second agricultural trait; and
- controlling a predictive map generator to generate the functional predictive agricultural map of the field assigning predictive values of the second agricultural feature based on the values of the first agricultural feature in the information map and the predictive agricultural model.
Beispiel 13 ist das computerimplementierte Verfahren eines oder aller vorhergehenden Beispiele, ferner umfassend:
- Konfigurieren der funktionellen prädiktiven landwirtschaftlichen Karte für ein Steuersystem, das Steuersignale erzeugt, um ein steuerbares Teilsystem auf der landwirtschaftlichen Arbeitsmaschine auf Grundlage der funktionellen prädiktiven landwirtschaftlichen Karte zu steuern.
- configuring the functional predictive agricultural map for a control system that generates control signals to control a controllable subsystem on the agricultural work machine based on the functional predictive agricultural map.
Beispiel 14 ist das computerimplementierte Verfahren eines oder aller vorhergehenden Beispiele, wobei das Erkennen eines Leistungsmerkmalwerts als ein zweites landwirtschaftliches Merkmal mit einem In-situ-Sensor das Erkennen eines Leistungsverbrauchsbedarfs eines Teilsystems der landwirtschaftlichen Arbeitsmaschine umfasst, der der geografischen Position entspricht.Example 14 is the computer-implemented method of any or all of the preceding examples, wherein detecting a performance attribute value as a second agricultural attribute with an in situ sensor includes detecting a power consumption demand of a subsystem of the agricultural work machine that corresponds to the geographic location.
Beispiel 15 ist das computerimplementierte Verfahren eines oder aller vorhergehenden Beispiele, wobei das Erkennen eines Leistungsmerkmalwerts mit einem In-situ-Sensor als ein zweites landwirtschaftliches Merkmal das Erkennen eines Leistungsverbrauchsbedarfs einer Komponente des Teilsystems umfasst, die der geografischen Position entspricht.Example 15 is the computer-implemented method of any or all of the preceding examples, wherein detecting a performance attribute value with an in situ sensor as a second agricultural attribute includes detecting a power consumption demand of a component of the subsystem that corresponds to the geographic location.
Beispiel 16 ist das computerimplementierte Verfahren eines oder aller vorhergehenden Beispiele, wobei das Empfangen einer Informationskarte Folgendes umfasst:
- Empfangen einer Informationskarte, die von einem vorherigen Vorgang erzeugt wurde, der im Feld durchgeführt wurde.
- Receiving an information map generated from a previous operation performed in the field.
Beispiel 17 ist das computerimplementierte Verfahren eines oder aller vorhergehenden Beispiele, wobei das erste landwirtschaftliche Merkmal eines von Folgendem umfasst: einen vegetativen Index, eine Erntegutfeuchtigkeit, ein topographisches Merkmal, eine Bodeneigenschaft, einen prädiktiven Ertrag und eine prädiktive Biomasse.Example 17 is the computer-implemented method of any or all of the preceding examples, wherein the first agricultural trait comprises one of: a vegetative index, a crop moisture, a topographi cal trait, a soil property, a predictive yield and a predictive biomass.
Beispiel 18 ist das computerimplementierte Verfahren eines oder aller vorhergehenden Beispiele, ferner umfassend:
- Steuern eines Bedienerschnittstellenmechanismus, um die prädiktive landwirtschaftliche Karte zu präsentieren.
- Controlling an operator interface mechanism to present the predictive agricultural map.
Beispiel 19 ist eine landwirtschaftliche Arbeitsmaschine, umfassend:
- ein Kommunikationssystem, das eine Informationskarte empfängt, die landwirtschaftliche Merkmalswerte angibt, die verschiedenen geografischen Positionen in einem Feld entsprechen;
- einen geografischen Positionssensor, der eine geografische Position der landwirtschaftlichen Arbeitsmaschine erfasst;
- einen In-situ-Sensor, der einen Leistungsmerkmalswert eines Leistungsmerkmals erkennt, der der geografischen Position entspricht;
- einen prädiktiven Modellgenerator, der ein prädiktives Leistungsmodell erzeugt, das eine Beziehung zwischen den landwirtschaftlichen Merkmalswerten und dem Leistungsmerkmal auf Grundlage eines landwirtschaftlichen Merkmalswerts in der Informationskarte an der geografischen Position und des Leistungsmerkmalwerts des Leistungsmerkmals modelliert, das durch den In-situ-Sensor an der geografischen Position erfasst wird; und
- einen prädiktiven Kartengenerator, der eine funktionelle prädiktive Leistungskarte des Feldes erzeugt, die prädiktive Leistungskennwerte auf Grundlage der landwirtschaftlichen Kennwerte in der Informationskarte und auf Grundlage des prädiktiven Leistungsmodells auf die verschiedenen Positionen in dem Feld abbildet.
- a communication system that receives an information map indicative of agricultural feature values corresponding to various geographic locations in a field;
- a geographic position sensor that detects a geographic position of the agricultural working machine;
- an in situ sensor that detects a feature value of a feature that corresponds to the geographic location;
- a predictive model generator that generates a predictive performance model that models a relationship between the agricultural feature values and the performance attribute based on an agricultural feature value in the information map at the geographical location and the performance attribute value of the feature detected by the in situ sensor at the geographical location position is detected; and
- a predictive map generator that generates a functional predictive performance map of the field that maps predictive performance characteristics to the various locations in the field based on the agricultural characteristics in the information map and based on the predictive performance model.
Beispiel 20 ist die landwirtschaftliche Arbeitsmaschine eines oder aller vorhergehenden Beispiele, wobei die Informationskarte landwirtschaftliche Merkmale angibt, die eines oder mehrere der Folgenden angeben: einen vegetativen Index, eine Erntegutfeuchtigkeit, ein topographisches Merkmal, eine Bodeneigenschaft, einen prädiktiven Ertrag und eine prädiktive Biomasse.Example 20 is the agricultural work machine of any or all of the preceding examples, the information map indicating agricultural traits indicating one or more of the following: a vegetative index, crop moisture, a topographical trait, a soil property, a predictive yield, and a predictive biomass.
Obwohl der Gegenstand in einer für strukturelle Merkmale oder methodische Handlungen spezifischen Sprache beschrieben wurde, versteht es sich, dass der in den beigefügten Ansprüchen definierte Gegenstand nicht unbedingt auf die vorstehend beschriebenen spezifischen Merkmale oder Handlungen beschränkt ist. Vielmehr werden die vorstehend beschriebenen Besonderheiten und Handlungen als exemplarische Formen der Ansprüche offengelegt.Although the subject matter has been described in language specific to structural features or methodical acts, it should be understood that the subject matter defined in the appended claims is not necessarily limited to the specific features or acts described above. Rather, the features and acts described above are disclosed as example forms of the claims.
Claims (15)
Applications Claiming Priority (8)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US17/066,442 US11589509B2 (en) | 2018-10-26 | 2020-10-08 | Predictive machine characteristic map generation and control system |
US17/066444 | 2020-10-08 | ||
US17/066,471 US20220110236A1 (en) | 2020-10-08 | 2020-10-08 | Predictive machine characteristic map generation and control system |
US17/066471 | 2020-10-08 | ||
US17/066,444 US20210243951A1 (en) | 2020-02-06 | 2020-10-08 | Machine control using a predictive map |
US17/066442 | 2020-10-08 | ||
US17/067,065 US11650587B2 (en) | 2020-10-09 | 2020-10-09 | Predictive power map generation and control system |
US17/067065 | 2020-10-09 |
Publications (1)
Publication Number | Publication Date |
---|---|
DE102021123055A1 true DE102021123055A1 (en) | 2022-04-14 |
Family
ID=80818245
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE102021123055.1A Pending DE102021123055A1 (en) | 2020-10-08 | 2021-09-07 | PREDICTIVE PERFORMANCE MAP GENERATION AND CONTROL SYSTEM |
Country Status (1)
Country | Link |
---|---|
DE (1) | DE102021123055A1 (en) |
-
2021
- 2021-09-07 DE DE102021123055.1A patent/DE102021123055A1/en active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DE102020204464A1 (en) | MACHINE CONTROL USING A REAL-TIME MODEL | |
DE102020204478A1 (en) | MACHINE CONTROL USING A REAL-TIME MODEL | |
DE102021126413A1 (en) | AGRICULTURAL CHARACTERISTICS, CONFIDENCE AND CONTROL | |
DE102021200028A1 (en) | AGRICULTURAL HARVESTER WITH PREHEATING WEED DETECTION AND COLLECTION SYSTEM | |
EP3981234A1 (en) | Predictive map generation and control system | |
DE102022124448A1 (en) | PREDICTIVE RESPONSE MAP GENERATION AND CONTROL SYSTEM | |
DE102021120069A1 (en) | PREDICTIVE SPEED MAP GENERATION AND CONTROL SYSTEM | |
DE102022123724A1 (en) | CROP COMPONENT DETECTION | |
DE102022100945A1 (en) | MACHINE CONTROL USING A MAP WITH REGIME ZONES | |
DE102021124715A1 (en) | CROP CONSTITUENT CARD GENERATION AND CONTROL SYSTEM | |
DE102021101230A1 (en) | Generation of predictive machine property maps and control system | |
DE102021124212A1 (en) | Machine control using a predictive map | |
DE102020001120A1 (en) | IMPROVEMENT OF CROSS-DIMENSIONAL PERFORMANCE IN MACHINE CONTROL | |
DE102021119643A1 (en) | CROP STATE CARD GENERATION AND CONTROL SYSTEM | |
DE102022122389A1 (en) | FARM MACHINE CONTROL USING WORK QUALITY BASED ON SIN-SITU WORKFLOW CAPTURE | |
US11650587B2 (en) | Predictive power map generation and control system | |
DE102021123055A1 (en) | PREDICTIVE PERFORMANCE MAP GENERATION AND CONTROL SYSTEM | |
DE102020120877A1 (en) | MONITORING AND IMPROVEMENT SYSTEM FOR MACHINE CONTROL | |
DE102021119842A1 (en) | PREDICTIVE MAP GENERATION AND CONTROL BASED ON SOIL PROPERTIES | |
DE102021120197A1 (en) | Predictive map generation based on seeding traits and control | |
DE102021119312A1 (en) | GENERATION AND CONTROL SYSTEM FOR A CROP STATE MAP | |
DE102021123769A1 (en) | PREDICTIVE PERFORMANCE MAP GENERATION AND CONTROL SYSTEM | |
DE102021124343A1 (en) | MAP GENERATION AND CONTROL SYSTEM | |
DE102021123998A1 (en) | BIOMASS PREDICTIVE MAP GENERATION AND CONTROL | |
DE102021124364A1 (en) | CROP MOISTURE MAP GENERATION AND CONTROL SYSTEM |