KR20240011715A - 자율 온실 제어 시스템 - Google Patents
자율 온실 제어 시스템 Download PDFInfo
- Publication number
- KR20240011715A KR20240011715A KR1020237040615A KR20237040615A KR20240011715A KR 20240011715 A KR20240011715 A KR 20240011715A KR 1020237040615 A KR1020237040615 A KR 1020237040615A KR 20237040615 A KR20237040615 A KR 20237040615A KR 20240011715 A KR20240011715 A KR 20240011715A
- Authority
- KR
- South Korea
- Prior art keywords
- plant
- health
- greenhouse
- model
- data
- Prior art date
Links
- 230000036541 health Effects 0.000 claims abstract description 133
- 238000000034 method Methods 0.000 claims abstract description 133
- 238000010801 machine learning Methods 0.000 claims abstract description 122
- 230000012010 growth Effects 0.000 claims abstract description 54
- 238000011282 treatment Methods 0.000 claims abstract description 53
- 238000004519 manufacturing process Methods 0.000 claims abstract description 31
- 230000009471 action Effects 0.000 claims description 48
- 230000008569 process Effects 0.000 claims description 48
- 238000003973 irrigation Methods 0.000 claims description 39
- 230000002262 irrigation Effects 0.000 claims description 39
- 238000012544 monitoring process Methods 0.000 claims description 28
- 235000013399 edible fruits Nutrition 0.000 claims description 26
- 230000000116 mitigating effect Effects 0.000 claims description 25
- 230000015654 memory Effects 0.000 claims description 20
- 235000015097 nutrients Nutrition 0.000 claims description 20
- 238000004458 analytical method Methods 0.000 claims description 16
- 238000003066 decision tree Methods 0.000 claims description 11
- 239000000575 pesticide Substances 0.000 claims description 8
- 230000008635 plant growth Effects 0.000 claims description 8
- 238000003860 storage Methods 0.000 claims description 8
- 239000002028 Biomass Substances 0.000 claims description 7
- 238000013138 pruning Methods 0.000 claims description 7
- 239000003337 fertilizer Substances 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 238000009533 lab test Methods 0.000 claims description 5
- 230000002787 reinforcement Effects 0.000 claims description 5
- 230000000694 effects Effects 0.000 claims description 3
- 238000013473 artificial intelligence Methods 0.000 description 28
- 241000607479 Yersinia pestis Species 0.000 description 17
- 238000007726 management method Methods 0.000 description 17
- 238000012549 training Methods 0.000 description 15
- 238000010586 diagram Methods 0.000 description 14
- 238000001514 detection method Methods 0.000 description 13
- 235000013305 food Nutrition 0.000 description 13
- 238000003306 harvesting Methods 0.000 description 13
- 230000033001 locomotion Effects 0.000 description 12
- 201000010099 disease Diseases 0.000 description 8
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 8
- 238000013439 planning Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 8
- 238000011084 recovery Methods 0.000 description 8
- 238000004806 packaging method and process Methods 0.000 description 7
- 239000013598 vector Substances 0.000 description 7
- 230000008901 benefit Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 230000032258 transport Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000013523 data management Methods 0.000 description 4
- 230000001149 cognitive effect Effects 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 238000009313 farming Methods 0.000 description 3
- 235000012055 fruits and vegetables Nutrition 0.000 description 3
- 230000007773 growth pattern Effects 0.000 description 3
- 230000005802 health problem Effects 0.000 description 3
- 238000012417 linear regression Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000035790 physiological processes and functions Effects 0.000 description 3
- 230000002250 progressing effect Effects 0.000 description 3
- 206010012559 Developmental delay Diseases 0.000 description 2
- 241000238631 Hexapoda Species 0.000 description 2
- 241000282412 Homo Species 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 235000021022 fresh fruits Nutrition 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000003278 mimic effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 230000002085 persistent effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012384 transportation and delivery Methods 0.000 description 2
- 241000196324 Embryophyta Species 0.000 description 1
- 241000700605 Viruses Species 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000003466 anti-cipated effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000002845 discoloration Methods 0.000 description 1
- 239000012636 effector Substances 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000007274 generation of a signal involved in cell-cell signaling Effects 0.000 description 1
- 231100001261 hazardous Toxicity 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 230000010152 pollination Effects 0.000 description 1
- 230000036544 posture Effects 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 231100000279 safety data Toxicity 0.000 description 1
- 230000009758 senescence Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 235000013311 vegetables Nutrition 0.000 description 1
- 230000003612 virological effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01G—HORTICULTURE; CULTIVATION OF VEGETABLES, FLOWERS, RICE, FRUIT, VINES, HOPS OR SEAWEED; FORESTRY; WATERING
- A01G7/00—Botany in general
- A01G7/06—Treatment of growing trees or plants, e.g. for preventing decay of wood, for tingeing flowers or wood, for prolonging the life of plants
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Mining
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01G—HORTICULTURE; CULTIVATION OF VEGETABLES, FLOWERS, RICE, FRUIT, VINES, HOPS OR SEAWEED; FORESTRY; WATERING
- A01G9/00—Cultivation in receptacles, forcing-frames or greenhouses; Edging for beds, lawn or the like
- A01G9/14—Greenhouses
- A01G9/143—Equipment for handling produce in greenhouses
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01G—HORTICULTURE; CULTIVATION OF VEGETABLES, FLOWERS, RICE, FRUIT, VINES, HOPS OR SEAWEED; FORESTRY; WATERING
- A01G9/00—Cultivation in receptacles, forcing-frames or greenhouses; Edging for beds, lawn or the like
- A01G9/24—Devices or systems for heating, ventilating, regulating temperature, illuminating, or watering, in greenhouses, forcing-frames, or the like
- A01G9/26—Electric devices
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
- G05B19/4155—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by programme execution, i.e. part programme or machine function execution, e.g. selection of a programme
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/50—Machine tool, machine tool null till machine tool work handling
- G05B2219/50391—Robot
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
- Y02A40/25—Greenhouse technology, e.g. cooling systems therefor
Abstract
온실 내의 식물에 하나 이상의 취급법을 실시하기 위한 예시적인 컴퓨터로 구현된 방법은, 식물과 연관된 데이터를 수신하는 단계; 수신된 데이터를 훈련된 머신 학습 예측 모델에 제공하여: 현재 시간에 대응하는 식물의 제1 세트의 건강 예측들; 및 미래 시간에 대응하는 식물의 제2 세트의 건강 예측들을 획득하는 단계; 제1 세트의 건강 예측들 및 현재 시간에서의 식물의 관찰된 건강에 기초한 제1 비교, 및 제2 세트의 건강 예측들 및 식물의 미래 생산 목표에 기초한 제2 비교에 기초하여 식물이 건강하지 않은지 또는 성장 궤적에 비해 지체되는지를 결정하는 단계; 식물이 건강하지 않거나 성장 궤적에 비해 지체되는 경우, 식물에 대한 취급법들을 식별하는 단계; 및 취급법들을 실시하기 위해 온실 내의 하나 이상의 로봇을 제어하는 단계를 포함한다.
Description
관련 출원의 상호참조
본 출원은, 그 전체 내용이 모든 목적을 위해 참조에 의해 본 명세서에 포함되는 2021년 4월 27일 출원된 미국 가출원 번호 제63/180,610호의 이익을 주장한다.
발명의 분야
본 개시내용은 대체로 디지털 농업에 관한 것이고, 더 구체적으로는, 농업 제어 시스템(예컨대, 자율 온실 제어 시스템)을 구현하기 위한 머신 학습(ML; machine-learning) 기술들에 관한 것이다.
온실은 신선한 식품들에 대한 접근을 제공하기 위해 연중 내내 식물들(예컨대, 과일들 및 채소들)을 재배하는 효과적인 방식일 수 있다. 그러나, 온실 관리는 자원 집약적이고, 비효율적이며, 비용이 많이 들 수 있다. 예를 들어, 인간 작업자는 온실의 식물들을 면밀하고 지속적으로 모니터링할 것이 요구될 수 있다. 또한, 적시에 식물들의 진행중인 건강 문제들을 식별하고 적절한 완화 액션들을 결정하기 위해서는 상당한 전문 지식이 재배자들에게 요구될 수 있다. 더욱이, 완화 액션의 적시의 적절한 구현은 자원 집약적이며 달성하기에 비실용적일 수 있다.
온실 내의 식물에 하나 이상의 취급법을 실시하기 위한 예시적인 컴퓨터로 구현된 방법은: 식물과 연관된 데이터를 수신하는 단계, ―여기서, 데이터는 온실 내의 하나 이상의 센서를 이용하여 적어도 부분적으로 획득됨―; 수신된 데이터를 훈련된 머신 학습 예측 모델에 제공하여: 현재 시간에 대응하는 식물의 제1 세트의 건강 예측들; 및 미래 시간에 대응하는 식물의 제2 세트의 건강 예측들을 획득하는 단계; 제1 세트의 건강 예측들 및 현재 시간에서의 식물의 관찰된 건강에 기초한 제1 비교, 및 제2 세트의 건강 예측들 및 식물의 미래 생산 목표에 기초한 제2 비교에 기초하여 식물이 건강하지 않은지 또는 성장 궤적에 비해 지체되는지를 결정하는 단계; 식물이 건강하지 않거나 성장 궤적에 비해 지체되는 경우, 식물에 대한 하나 이상의 취급법을 식별하는 단계; 및 식물에 대한 하나 이상의 취급법을 실시하기 위해 온실 내의 하나 이상의 로봇을 제어하는 단계를 포함한다.
일부 실시예에서, 하나 이상의 취급법은: 식물에 비료 인가, 식물에 살충제 인가, 온실로부터 식물 제거, 해당 식물을 대체하는 새로운 식물 이식, 식물에 대한 실험실 테스트 수행, 식물에 관한 데이터 수집, 식물에 대한 관개 설정들의 업데이트, 식물에 대한 영양분 설정들의 업데이트, 또는 이들의 임의의 조합을 포함한다.
일부 실시예에서, 훈련된 예측 모델은, 지도 머신 학습 모델, 멀티-모달(multi-modal) Gaussian 프로세스 회귀 모델, 비선형 회귀 모델, 프로세스-구동형 모델, 잔차 기반의 머신 학습 모델, 가중치 기반의 머신 학습 모델, 생성적-적대적 머신 학습 모델, 또는 이들의 임의의 조합을 포함한다.
일부 실시예에서, 식물의 제1 세트의 건강 예측들은, 수신된 데이터에 기초하여 복수의 이력 피처 값을 획득하고; 및 식물의 제1 세트의 건강 예측들을 획득하기 위해 훈련된 예측 모델에 복수의 이력 피처 값을 제공함으로써 획득된다.
일부 실시예에서, 복수의 이력 피처 값은 식물에 대한 이력 취급법에 관련된 정보를 포함한다.
일부 실시예에서, 식물의 제2 세트의 건강 예측들은, 수신된 데이터에 기초하여 복수의 이력 피처 값을 획득하고; 수신된 데이터에 기초하여 복수의 현재 피처 값을 획득하고; 제2 세트의 건강 예측들을 획득하기 위해 복수의 이력 피처 값 및 복수의 현재 피처 값을 훈련된 예측 모델에 제공함으로써 획득된다.
일부 실시예에서, 식물이 건강하지 않은지 또는 성장 궤적에 비해 지체되는지를 결정하는 것은 또한, 제1 세트의 건강 예측들 및 식물의 미래 생산 목표에 기초한 비교에 기초한다.
일부 실시예에서, 제1 세트의 건강 예측들 및 제2 세트의 건강 예측들은 복수의 출력 피처에 관한 것이다.
일부 실시예에서, 복수의 출력 피처는, 판매가능한 수확량, 꽃 수, 판매가능한 과일 수, 과일의 중량, 꽃 대 과일 전환 비율, 캐노피 높이, 줄기 길이, 바이오매스, 잎의 수, 잎 면적 지수, 또는 이들의 임의의 조합을 포함한다.
일부 실시예에서, 식물에 대한 하나 이상의 취급법을 식별하는 것은, 제1 비교 및/또는 제2 비교에 기초하여 복수의 출력 피처로부터 출력 피처들의 서브세트를 식별하는 것; 하나 이상의 근본 원인을 획득하기 위해 훈련된 머신 학습 근본 원인 분석 모델에 출력 피처들의 서브세트에 관련된 정보를 제공하는 것; 하나 이상의 근본 원인에 기초하여 하나 이상의 완화 액션을 식별하는 것; 및 하나 이상의 취급법을 획득하기 위해 훈련된 머신 학습 작업 지시 모델에 하나 이상의 완화 액션에 관련된 정보를 제공하는 것을 포함한다.
일부 실시예에서, 훈련된 머신 학습 근본 원인 분석 모델은 복수의 근본 원인과 연관된 복수의 확률을 출력하도록 구성된다.
일부 실시예에서, 하나 이상의 근본 원인은 복수의 확률에 기초하여 식별된다.
일부 실시예에서, 훈련된 머신 학습 근본 원인 분석 모델은, 지도 모델, 결정 트리, 식물 성장 시뮬레이터, 모방 학습 모델, 또는 이들의 임의의 조합을 포함한다.
일부 실시예에서, 훈련된 머신 학습 작업 지시 모델은, 지도 모델, 모방 모델, 강화 모델, 결정 트리, 또는 이들의 임의의 조합을 포함한다.
일부 실시예에서, 이 방법은, 예측 모델을 이용하여, 하나 이상의 완화 액션의 효과를 평가하는 단계를 더 포함한다.
일부 실시예에서, 이 방법은, 온실 내의 이웃 식물의 하나 이상의 건강 예측에 기초하여 식물의 제1 세트의 건강 예측들을 조정하는 단계를 더 포함한다.
일부 실시예에서, 수신된 데이터는, 복수의 식물 특유의 피처, 복수의 미기후 섹션 피처, 복수의 관개 섹션 피처, 복수의 작업 섹션 피처, 식물의 하나 이상의 이미지, 또는 이들의 임의의 조합에 관련된 정보를 포함한다.
일부 실시예에서, 이 방법은, 식물이 건강하고 성장 궤적을 추종하는 경우, 식물에 대한 성장 계획을 최적화하는 단계, 식물에 기존 취급법을 적용하는 단계, 식물을 모니터링하는 단계, 식물을 가지치기하는 작업 지시를 생성하는 단계, 또는 이들의 임의의 조합을 더 포함한다.
일부 실시예에서, 식물과 연관된 데이터는 로봇을 이용하여 또는 하나 이상의 사용자 입력에 기초하여 적어도 부분적으로 획득된다.
일부 실시예에서, 이 방법은, 식물이 건강하지 않거나 성장 궤적에 비해 지체되는 경우 인간 작업자에게 하나 이상의 작업을 할당하는 단계를 더 포함한다.
온실 내의 식물에 하나 이상의 취급법을 실시하기 위한 한 예시적인 시스템은, 하나 이상의 프로세서; 메모리; 및 하나 이상의 프로그램을 포함하며, 여기서, 하나 이상의 프로그램은 메모리에 저장되고 하나 이상의 프로세서에 의해 실행되도록 구성되며, 하나 이상의 프로그램은: 식물과 연관된 데이터를 수신하고, ―여기서, 데이터는 온실 내의 하나 이상의 센서를 이용하여 적어도 부분적으로 획득됨―; 수신된 데이터를 훈련된 머신 학습 예측 모델에 제공하여: 현재 시간에 대응하는 식물의 제1 세트의 건강 예측들; 및 미래 시간에 대응하는 식물의 제2 세트의 건강 예측들을 획득하고; 제1 세트의 건강 예측들 및 현재 시간에서의 식물의 관찰된 건강에 기초한 제1 비교, 및 제2 세트의 건강 예측들 및 식물의 미래 생산 목표에 기초한 제2 비교에 기초하여 식물이 건강하지 않은지 또는 성장 궤적에 비해 지체되는지를 결정하고; 식물이 건강하지 않거나 성장 궤적에 비해 지체되는 경우, 식물에 대한 하나 이상의 취급법을 식별하고; 식물에 대해 하나 이상의 취급법을 실시하기 위해 온실 내의 하나 이상의 로봇을 제어하기 위한 명령어들을 포함한다.
한 예시적인 비일시적인 컴퓨터 판독가능한 저장 매체는 온실 내의 식물에 대해 하나 이상의 취급법을 실시하기 위한 하나 이상의 프로그램을 저장하고, 하나 이상의 프로그램은 명령어들을 포함하고, 명령어들은 전자 디바이스의 하나 이상의 프로세서에 의해 실행될 때, 전자 디바이스로 하여금: 식물과 연관된 데이터를 수신하고, ―여기서, 데이터는 온실 내의 하나 이상의 센서를 이용하여 적어도 부분적으로 획득됨―; 수신된 데이터를 훈련된 머신 학습 예측 모델에 제공하여: 현재 시간에 대응하는 식물의 제1 세트의 건강 예측들; 및 미래 시간에 대응하는 식물의 제2 세트의 건강 예측들을 획득하고; 제1 세트의 건강 예측들 및 현재 시간에서의 식물의 관찰된 건강에 기초한 제1 비교, 및 제2 세트의 건강 예측들 및 식물의 미래 생산 목표에 기초한 제2 비교에 기초하여 식물이 건강하지 않은지 또는 성장 궤적에 비해 지체되는지를 결정하고; 식물이 건강하지 않거나 성장 궤적에 비해 지체되는 경우, 식물에 대한 하나 이상의 취급법을 식별하고; 식물에 대해 하나 이상의 취급법을 실시하기 위해 온실 내의 하나 이상의 로봇을 제어하게 한다.
여기서 설명된 시스템을 이용하면, 인간의 노력과 개입을 최소화하면서 온실을 효율적으로 관리할 수 있다. 이 시스템은 온실내 식물들을 면밀하고 지속적으로 모니터링하고, 식물별로 지속적인 건강 문제들을 검출하며, 비용, 이익 및 생산 목표들을 고려하여 적절한 취급 옵션들을 지능적으로 식별하고, 자율적인 방식으로 로봇들을 이용하여 취급법들을 실시할 수 있다. 따라서, 시스템은 지속가능한 방식으로 재배된 과일들과 채소들을 제공하도록 설계된 모듈식의 자율 온실들을 제공한다. 온실들은 주요 도시 근처에서 동작되어 짧고 효율적인 공급망들을 생성하여 신선한 과일들을 어디에서나 쉽게 이용할 수 있도록 보장함으로써, 소비자가 신선한 식품들에 접근할 수 있게 한다.
개시된 실시예들은, 상세한 설명, 첨부된 청구항들 및 첨부된 도면들(또는 도식들)로부터 더 쉽게 명백해질 다른 이점들 및 피처들을 갖는다. 도면들에 대한 간략한 소개는 아래와 같다.
도 1은 한 실시예에 따른 이동 및 고정 로봇들을 갖는 자율 온실 제어 시스템을 위한 시스템 아키텍쳐를 나타낸다.
도 2는 한 실시예에 따른 인공 지능(AI) & 중앙 제어 시스템(140)의 블록도를 나타낸다.
도 3은 한 실시예에 따른 이동 캐리어 시스템 또는 로봇(112)의 블록도를 나타낸다.
도 4는 한 실시예에 따른 하나 이상의 ML 모델을 훈련시키기 위한 프로세스의 흐름도를 나타낸다.
도 5는 한 실시예에 따른 한 세트의 ML 모델들을 훈련시키는 다이어그램을 나타낸다.
도 6은 한 실시예에 따른 하나 이상의 ML 모델을 적용하기 위한 프로세스의 흐름도를 나타낸다.
도 7은 한 실시예에 따른 한 세트의 ML 모델들의 다이어그램을 나타낸다.
도 8은, 머신 판독가능한 매체로부터 명령어들을 판독하고 이들을 프로세서(또는 제어기)에서 실행할 수 있는 한 예시적인 머신의 컴포넌트들을 나타내는 블록도이다.
도 9는 일부 실시예에 따른 식물 건강을 예측하고 관리하기 위한 예시적인 프로세스를 나타낸다.
도 10은 일부 실시예에 따른 예시적인 시스템의 입력 데이터의 예시적인 부분을 나타낸다.
도 11은 일부 실시예에 따른 예측 모델의 예시적인 동작들을 나타낸다.
도 12는 일부 실시예에 따른 식물에 대한 취급법을 식별하기 위한 예시적인 프로세스를 나타낸다.
도 1은 한 실시예에 따른 이동 및 고정 로봇들을 갖는 자율 온실 제어 시스템을 위한 시스템 아키텍쳐를 나타낸다.
도 2는 한 실시예에 따른 인공 지능(AI) & 중앙 제어 시스템(140)의 블록도를 나타낸다.
도 3은 한 실시예에 따른 이동 캐리어 시스템 또는 로봇(112)의 블록도를 나타낸다.
도 4는 한 실시예에 따른 하나 이상의 ML 모델을 훈련시키기 위한 프로세스의 흐름도를 나타낸다.
도 5는 한 실시예에 따른 한 세트의 ML 모델들을 훈련시키는 다이어그램을 나타낸다.
도 6은 한 실시예에 따른 하나 이상의 ML 모델을 적용하기 위한 프로세스의 흐름도를 나타낸다.
도 7은 한 실시예에 따른 한 세트의 ML 모델들의 다이어그램을 나타낸다.
도 8은, 머신 판독가능한 매체로부터 명령어들을 판독하고 이들을 프로세서(또는 제어기)에서 실행할 수 있는 한 예시적인 머신의 컴포넌트들을 나타내는 블록도이다.
도 9는 일부 실시예에 따른 식물 건강을 예측하고 관리하기 위한 예시적인 프로세스를 나타낸다.
도 10은 일부 실시예에 따른 예시적인 시스템의 입력 데이터의 예시적인 부분을 나타낸다.
도 11은 일부 실시예에 따른 예측 모델의 예시적인 동작들을 나타낸다.
도 12는 일부 실시예에 따른 식물에 대한 취급법을 식별하기 위한 예시적인 프로세스를 나타낸다.
도면들 및 이하의 설명은 단지 예시에 의한 바람직한 실시예들에 관한 것이다. 이하의 논의로부터, 본 명세서에 개시된 구조들 및 방법들의 대안적인 실시예들이 청구된 원리들로부터 벗어나지 않고 채용될 수 있는 실행가능한 대안들로서 쉽게 인식될 것이라는 점에 유의해야 한다.
이제 수개의 실시예를 상세히 참조할 것이며, 그 예들은 첨부된 도면들에 나타나 있다. 실행가능한 경우 유사하거나 비슷한 참조 번호들이 도면들에서 이용될 수 있으며 유사하거나 비슷한 기능들을 나타낼 수 있다는 점에 유의한다. 도면들은 단지 예시의 목적으로 개시된 시스템(또는 방법)의 실시예들을 도시한다. 본 기술분야의 통상의 기술자라면 본 명세서에 예시된 구조들 및 방법들의 대안적 실시예들이 여기서 설명된 원리들로부터 벗어나지 않고 채용될 수 있다는 것을 하기의 설명으로부터 용이하게 인식할 것이다.
구성 개요
도 1은 한 실시예에 따른 이동 및 고정 로봇들을 갖는 자율 온실 제어 시스템을 위한 시스템 아키텍쳐를 나타낸다. 자율 온실 제어 시스템(100)은 농장이나 온실의 동작을 관장한다. 자율 온실 제어 시스템(100)은 이동 캐리어 시스템(112)(예컨대, 이동 로봇) 또는 하나 이상의 외부 시스템 등의 다양한 서브시스템과 통신한다. 자율 온실 제어 시스템(100)은 농장이나 온실의 판매량 및 수확량을 예측한다. 자율 온실 제어 시스템(100)은, 성장 패턴들, 기후 변화들, 및 농장 동작과 관련된 기타 임의의 이벤트들을 추론하고 검출한다.
자율 온실 제어 시스템(100)은, (이동 로봇 또는 고정 로봇 등의) 로봇들(112)과 재배자들/인간 작업자들 간에 작업들을 분배한다. 더욱이, 자율 온실 제어 시스템(100)은 로봇들(112)에게 할당된 소정의 작업들을 수행하도록 로봇들(112)을 제어한다. 예를 들어, 자율 온실 제어 시스템(100)은 하나 이상의 작물을 조작하고 취급하기 위해 하나 이상의 로봇을 제어한다. 또한, 자율 온실 제어 시스템(100)은 (농장의 환경 조건들을 변경하는 것 등의) 다른 농장 동작들을 변경하고 관리하기 위해 다른 서브시스템들을 제어한다.
자율 온실 제어 시스템(100)은, 서버(130), AI & 중앙 제어 시스템(140), 데이터 관리 시스템(145), 하나 이상의 센서(150), 관개 시스템(152), 조명 & 그늘 제어 시스템(154), 식품 안전 & 위생 관리 시스템(156), HVAC, CO2, 및 습도 제어 시스템(158), 재고 & 판매 관리 시스템(160), 동작 안전 관리 시스템(162), 경보 & 보고 시스템(165), 이동 및 고정 로봇 편대(110)를 포함한다.
센서들(150)은, RGB 카메라들, 온도 센서들, 깊이 센서들, 습도 센서들, 적외선 카메라들, 열 카메라들, 공기 모니터 등을 포함할 수 있다. 일부 실시예에서, 센서들은 하나 이상의 로봇(112)에 내장된다. 또한, 농장 전체에 걸쳐 다양한 위치에서 데이터를 감지하기 위해 한 세트의 센서들이 농장 전체에 걸쳐 분산될 수 있다.
식품 안전 & 위생 관리 시스템(156)은 농장의 식품 안전 및 위생 프로토콜들을 유지한다. 추가로, 식품 안전 & 위생 관리 시스템(156)은 농장의 식품 안전 및 위생 프로토콜과 관련된 기록들을 유지한다.
동작 안전 관리 시스템(162)은 농장에 대한 일반적인 동작 안전 프로그램을 유지한다. 일부 실시예에서, 동작 안전 관리 시스템(162)은 농장의 동작 안전과 관련된 기록들을 유지한다.
경보 & 보고 시스템(165)은, 캐리어 시스템들(예컨대, 이동 캐리어 시스템(112A) 또는 고정 로봇(112B)), 하나 이상의 센서(150) 및 서버(130)에서 실행 중인 소프트웨어, AI & 중앙 제어 시스템(140) 및 데이터 관리 시스템(145)의 동작들을 모니터링하고, 기록하고, 보고한다.
재고 & 판매 관리 시스템(160)은 농장이나 온실의 재고를 관리한다. 일부 실시예에서, 재고 & 판매 관리 시스템(160)은 농장이나 온실에서 가용 재고를 추적하고 현재의 재고 소비에 기초하여 미래의 재고의 가용성을 예상한다. 일부 실시예에서, 재고 & 판매 관리 시스템(160)은 소정의 품목이 설정된 임계값 미만일 것으로 예상되는 경우 통보를 전송한다. 대안으로서, 재고 & 판매 관리 시스템(160)은 소정의 품목이 설정된 임계값 미만일 것으로 예측되는 경우 자동으로 재고를 주문한다.
데이터 관리 시스템(145)은 대규모 실시간 데이터를 관리하고 저장한다. 예를 들어, 데이터 관리 시스템(145)은, 하나 이상의 센서(150)로부터 수신된 센서 데이터, 관개 시스템(152)으로부터 수신된 관개 데이터, 식품 안전 & 위생 관리 시스템(156)으로부터 수신된 식품 안전 및 위생 정보, 재고 & 판매 관리 시스템(160)으로부터 수신된 재고 및 판매 데이터, 동작 안전 관리 시스템(162)으로부터 수신된 안전 데이터 등을 관리하고 저장한다.
서버(130)는 AI & 중앙 제어 시스템(140)과 자율 온실 제어 시스템(100)의 다른 컴포넌트들 사이의 통신을 용이화한다. 예를 들어, 서버는 이동 캐리어 시스템(112A)과 AI & 중앙 제어 시스템(140) 사이의 통신을 용이화한다.
AI & 중앙 제어 시스템
도 2는 한 실시예에 따른 AI & 중앙 제어 시스템(140)의 블록도를 나타낸다. AI & 중앙 제어 시스템(140)은, 중앙 AI & 제어 모듈(210), 센서 데이터 처리 모듈(220), 로봇 작업 스케쥴러(222), 재배자 작업 스케쥴러(224), 성장 강화 시스템(226), 능동 감지 시스템(225), 하나 이상의 머신 학습(ML) 모듈(240), 재배자 대시보드 보고 모듈(242), 식물 건강 모니터링 모듈(244), 수확량 예측 모듈(246), 재고 모니터링 모듈(248), 판매 예측 모듈(250), 식품 안전 & 위생 모니터링 모듈(252), 및 동작 안전 모니터링 모듈(254)을 포함한다.
중앙 AI & 제어 모듈(210)은 다양한 센서 및 제어 모듈로부터 농장 전체에 걸친 실시간 데이터를 컴파일한다. 중앙 AI & 제어 모듈(210)은 관련 데이터를 처리하고, 농장 동작을 제어하고 예측 수행을 학습하기 위한 다양한 결정을 내리는 하나 이상의 서브모듈(230)에 전송한다. 이들 서브모듈들(230)의 출력들은 컴파일되어 온실을 제어하는 관련 시스템들에 전달된다. AI-구동형 소프트웨어 시스템은, 센서들(150) 및 기타의 동작 컴포넌트들로부터의 데이터를 이용하여 자재들을 이동하고, 기후 조건을 변경하고, 기타의 동작들을 스케쥴링한다.
한 예에서, 식물 상태들, 해충 관리, 및 기후 조건에 기초하여, AI & 중앙 제어 시스템(140)은 이동 캐리어 시스템(112A)에게 하나 이상의 식물을 이동하고, 더 많은 영양분을 가하고, 조명을 변경하는 것 등을 지시한다. 또 다른 예에서, AI & 중앙 제어 시스템(140)은 농장의 재고 상태와 생산 스케쥴을 체크하고, 식물 건강과 수확량을 향상시켜 생산 스케쥴을 충족시키도록 기후, 조명, CO2, 관개, 영양 시스템을 제어하는 방법을 결정한다.
센서 데이터 처리 모듈(220)은 다양한 원시 데이터(raw data)를 처리하고 원시 데이터를 다양한 모듈에 의해 저장 및 이용될 수 있는 포맷들로 변환한다.
로봇 작업 스케쥴러(222)는 실시간 데이터에 기초하여 로봇들(112)에 의해 수행될 다양한 작업을 결정한다. 로봇 작업 스케쥴러(222)는 또한, 가용 로봇들(112)에게 작업들을 스케쥴링한다. 예를 들어, 작업들은, 수확, 모니터링, 운송 및 농장이나 온실 동작들과 관련된 기타의 작업들을 포함한다.
재배자 작업 스케쥴러(224)는 실시간 데이터에 기초하여 재배자들(예컨대, 인간 조작자들)에 의해 수행될 다양한 작업을 결정한다. 재배자 작업 스케쥴러(224)는 또한, 가용 재배자들 간에 작업들을 스케쥴링한다. 일부 실시예에서, 재배자 작업 스케쥴러(224)는 인간의 노동 스케쥴에 맞게 적합화되고 그에 따라 작업들의 스케쥴링 및 농장 또는 온실의 다른 동작들을 제한한다.
성장 강화 시스템(226)은, 관개, CO2 제공, 영양분, 조명, 습도, 공기 흐름 등의, 작물들의 성장을 돕는 동작들을 결정한다.
능동 감지 시스템(228)은 개개의 식물들, 과일들, 및 온실의 모든 장소를 모니터링하는 데이터를 수집하도록 로봇(112)에게 지시한다. 능동 감지 시스템(228)은 농장이나 온실 도처에 설치된 센서들(150)로부터 데이터를 추가로 수집한다.
일부 실시예에서, 능동 감지 시스템(228)은, 그 종자 단계로부터 수확후 및 최종 목적지로의 배송까지 작물들의 성장 패턴, 상태 및 품질을 이해하는데 이용될 수 있는 데이터를 직접적으로 또는 간접적으로 수집한다. 추가적으로, 능동 감지 시스템(228)은, 머신들, 인간 조작자들, 및 현장 작업자들의 이용과, 이들이 그 파종 단계부터 수확후 및 최종 목적지로의 배송까지의 작물들의 성장 패턴, 상태 및 품질에 미치는 영향을 모니터링하고 분석하기 위해 데이터를 수집한다. 또한, 능동 감지 시스템(228)은, 자연/인재 사고들, 미기후 변화(microclimate change)들, 해충 및 곤충 발생, 작물 품질 변화, 위생 문제를 포함한, 임의의 긴급 상황을 모니터링한다.
ML 모듈들(240)은 다양한 머신 학습 모델을 훈련시키고 배치한다. ML 모듈들(240)은, 한 세트의 원시 데이터들, 라벨링되거나 라벨링되지 않은 타겟 출력들을 취하고, 한 세트의 ML 모델들을 훈련시킨다. 훈련된 ML 모델들은, 다른 컴포넌트들, 예컨대, 로봇들, 제어 모듈들, 및 예측 모듈들에 의해 이용될 수 있다. ML 모델들을 훈련시키기 위한 프로세스들은 도 4 및 5와 연계하여 아래에서 설명된다. ML 모델들을 이용하기 위한 프로세스는, 도 6, 도 7, 도 9 내지 도 12와 연계하여 아래에서 설명된다.
재배자 대시보드 보고서 모듈(242)은 원시 데이터의 요약을 컴파일, 분석 및 보고한다. 재배자 대시보드 보고서 모듈(242)에 의해 생성된 보고서는, 다른 모니터링 및 예측 모듈들로부터의 결과들을 포함할 수 있다.
식물 건강 모니터링 모듈(244)은, ML 및 AI를 이용하여, 식물 건강을 모니터링하고, 해충 및 질병과 관련된 임의의 전제조건들 및 조건들을 검출한다. 식물 건강 모니터링 모듈(244)은, 적절한 액션들, 예컨대, 취해져야 할 해충 관리 루틴을 제안할 수 있다. 일부 실시예에서, 식물 건강 모니터링 모듈(244)은 식물들의 이미지들을 수신하고 이미지들에 기초하여 ML 모델을 적용하여 하나 이상의 식물의 해충들 또는 질병들을 검출한다. 예를 들어, 식물 건강 모니터링 모듈(244)은, 식물의 현재 상태를 결정하거나 식물 상태의 변화를 예측하기 위해 시간 경과에 따른 식물의 상태를 묘사하는 한 세트의 식물 이미지들을 수신할 수 있다. 더욱이, 식물 건강 모니터링 모듈(244)은, 하나 이상의 센서(예컨대, 고정 센서들 또는 이동 센서들)로부터의 센서 데이터와, 농장 또는 온실 내의 하나 이상의 식물에 대해 수행되는 테스트들에 대한 실험실 데이터를 수신할 수 있고, 수신된 센서 데이터 및 실험실 데이터에 기초하여 ML 모델을 적용할 수 있다. 일부 실시예에서, 건강 모니터링 모듈(244)은 분석 중인 식물에 매우 근접한 다른 식물들에 관한 정보에 기초하여 그 식물에 대한 해충 또는 질병을 검출한다.
수확량 예측 모듈(246)은, ML 및 AI를 이용하여, 주어진 시간 프레임 동안, 그 부분집합들 또는 전체로서, 농장이나 온실의 수확량을 예측한다.
재고 모니터링 모듈(248)은 농장이나 온실의 신선 농산물 재고를 모니터링한다.
판매 예측 모듈(250)은, 실제 판매 주문(들) 또는 미래 판매 주문(들) 등의, 제공된 판매 데이터 및 기타 임의의 데이터의 이력에 기초하여 향후 판매를 예측한다. 판매 예측 모듈(250)은 내부적으로 훈련된 ML 모델들을 이용할 수 있다.
식품 안전 & 위생 모니터링 모듈(252)은, 식품 안전과 관련하여, 농장이나 온실의 다양한 동작 부분, 인간과 로봇들에 의해 수행되는 액션들, 작물들을 모니터링한다. 일부 실시예에서, 식품 안전 & 위생 모니터링 모듈(252)은 실시간 모니터링 및 농장 또는 온실과의 직접적인 상호작용을 위해 로봇 플랫폼들 상에 부착될 수 있다.
동작 안전 모니터링 모듈(254)은, 인간, 머신 또는 로봇 동작들을 포함할 수도 있고 포함하지 않을 수도 있는 농장의 동작들을 모니터링하여, 위험할 수 있거나 동작 지연을 유발하거나 작물 품질 또는 수확량 변화를 초래하는 임의의 사고를 모니터링한다.
이동 캐리어 시스템(로봇들)
도 3은 한 실시예에 따른 이동 캐리어 시스템 또는 로봇(112)의 블록도를 나타낸다. 각각의 로봇은, 온보드 AI 모듈(310), 모바일 베이스(320), 하나 이상의 센서(320), 하나 이상의 조작기(324), 조명들(326), 인지 모듈(330), 능동 감지 & 프로빙 모듈(332), 온보드 조명 & 센서 제어기(334), 네비게이션 모듈(336), 모션 계획 모듈(338), 협업 모듈(340), 수확, 등급 및 포장 모듈(342), 및 충돌 검출 모듈(344)을 포함한다.
로봇들(112)은 식물들에 대한 조밀하고 지시된 모니터링을 제공하고 필요에 따라 식물들과 직접 상호작용하여, 센서 측정들, 가지치기, 수확, 사진 촬영 등의 다양한 동작을 수행할 수 있다. 각각의 로봇(112)은 그 자신의 온보드 센서들(352)과 온보드 AI 시스템(310)을 갖고 있으며, AI & 중앙 제어 시스템(140)과 통신한다.
로봇(112)에 의해 수행될 한 세트의 고수준 작업들을 정의하는 AI & 중앙 제어 시스템(140)에 의한 배치시, 로봇(112)의 온보드 AI 모듈(310)은 취해져야 할 특정한 액션들에 관해 실시간 결정을 내린다.
일부 실시예에서, 로봇들(112)은, 농장 동작에서, 트레이들, 식물들, 홈통(gutter)들, 영양액들, 물 등을 포함한 다양한 물체를 취급한다. 또한, 로봇(112)은 식물들, 종자들, 및 영양분들을 운반할 수도 있고 운반하지 않을 수도 있는 하나 이상의 물체를 하나 이상의 수직 및 수평 접근 레벨로 회수, 저장 및 운반한다. 로봇(112)은 여러 레벨로부터 재료들을 회수하고 배치할 수 있는 자동화된 회수 시스템을 갖추고 있다. 일부 실시예에서, 2개 이상의 로봇(112)은 식물들, 종자들 및 영양분들을 운반할 수도 있고 운반하지 않을 수도 있는 하나 이상의 물체를 하나 이상의 수직 및 수평 접근 레벨로 회수, 저장 및 운반하기 위해 협업적으로 함께 작업한다.
특별히 설계된 그리퍼(gripper)들 및 조작 메커니즘들을 갖춘 로봇 팔 등의 조작기(354)는, 식물들, 종자들, 및 영양분들을 운반할 수도 있고 운반하지 않을 수도 있는 하나 이상의 물체를 회수, 저장 및 운반하는데 이용된다. 일부 실시예에서, 로봇들은 다수의 품목을 동시에 회수, 저장 및 운반하기 위해 다수의 조작기를 포함할 수 있다. 로봇들(112)은, 식물들, 종자들, 및 영양분들을 운반할 수 있는 품목들 사이의 간격을 추가로 조정할 수 있다.
일부 실시예에서, 로봇들(112)은 센서들을 능동적으로 배치하고 회수할 수 있다. 동작들은, 센서 충전을 포함할 수도 있고 포함하지 않을 수도 있다. 캐리어는 센서들이 부착된 장소에 머물거나 센서들을 배치하고 회수하는 작업을 나중으로 미룰 수 있다.
식물들의 상태, 미기후들, 농장이나 온실의 전반적인 상태를 모니터링하기 위한 센서들(322). 일부 실시예에서, 센서들은 로봇들(112)에 내장된다. 다른 실시예들에서, 센서들은 로봇들에 부착되거나 이들로부터 분리될 수 있다. 예를 들어, 로봇은 중앙 AI & 제어 모듈(210)에 의해 수신된 명령어들에 기초하여 한 세트의 가용 센서들로부터 특정한 센서를 선택할 수 있다. 로봇들은 농장이나 온실 주변을 이동할 수 있기 때문에, 로봇에 장착된 센서들을 이용하여 농장이나 온실 주변의 다양한 위치에서 센서 데이터를 캡처할 수 있다.
로봇들(112A)은 로봇의 인지 모듈(330)을 보조하기 위한 조명들을 포함한다. 인지 모듈(330)은 장면 내의 다양한 물체를 검출하고 인식한다. 일부 실시예에서, 인지 모듈(330)은 로봇들에 내장된 하나 이상의 카메라에 의해 캡처된 이미지들, 레이더 또는 LiDAR 신호들 또는 로봇에 내장된 하나 이상의 센서에 의해 캡처된 기타 임의의 센서 데이터를 분석하여 로봇 근처에 있는 물체들을 인식한다.
능동 감지 & 프로빙 모듈(332)은 한 세트의 센서들을 이용하여 로컬 데이터를 캡처한다. 온보드 조명 & 센서 제어기(334)는 조명들 및 다양한 온보드 센서를 제어한다.
네비게이션 모듈(336)은 로봇이 한 위치로부터 또 다른 위치로 이동하도록 계획하고 제어한다. 일부 실시예에서, 네비게이션 모듈(336)은 로봇의 현재 위치를 결정하기 위해 레이더 또는 GPS 수신기 등의 위치결정 시스템을 이용하고, 원하는 목적지에 도달하기 위한 하나 이상의 잠재적 경로를 식별하기 위해 농장 또는 온실의 지도를 이용한다.
움직임 계획 모듈(338)은 한 세트의 작업들을 수행하기 위해 로봇의 조작기를 계획하고 제어한다. 일부 실시예에서, 조작기의 엔드 이펙터(end-effector)(예컨대, 그리퍼)의 원하는 자세에 기초하여, 움직임 계획 모듈(338)은 조작기를 이동시키기 위한 하나 이상의 충돌 없는 궤적(예컨대, 웨이포인트들의 시퀀스)을 식별한다. 일부 실시예에서, 움직임 계획 모듈(338)은 충돌 검출 모듈(344)과 상호작용하여 하나 이상의 충돌 없는 궤적을 식별한다. 예를 들어, 궤적과 연관된 조작기의 한 세트의 자세들에 대해, 충돌 검출 모듈(344)은 조작기가 로봇 근처에 있는 것으로 검출된 물체(예컨대, 장애물)와 충돌할 것인지를 결정한다. 즉, 충돌 검출 모듈(344)은 로봇 주변의 장애물들의 위치 및 크기(예컨대, 한 세트의 시각 센서들 및 지도에 의해 검출됨)를 수신하고 조작기가 장애물들 중 임의의 것과 겹쳐지는지를 결정할 수 있다. 궤적과 연관된 하나 이상의 자세로 인해 조작기가 하나 이상의 장애물과 충돌하게 될 것이라고 충돌 검출 모듈(344)이 결정하면, 움직임 계획 모듈(338)은 검출된 충돌을 피하기 위해 궤적을 수정할 수 있다. 대안으로서, 궤적과 연관된 하나 이상의 자세로 인해 조작기가 하나 이상의 장애물과 충돌하게 될 것이라고 충돌 검출 모듈(344)이 결정하면, 움직임 계획 모듈(338)은 그 궤적을 폐기할 수 있고 충돌 없는 궤적이 획득될 때까지 새로운 궤적을 생성할 수 있다.
협업 모듈(340)은 하나 이상의 다른 로봇 또는 인간 에이전트와 함께 작업을 수행하도록 로봇을 계획하고 제어한다. 일부 실시예에서, 로봇의 협업 모듈(340)은 로봇들에 의해 수행될 하나 이상의 작업을 조율하기 위해 다른 로봇들의 협업 모듈(340)과 통신한다.
수확, 등급, 및 포장 모듈(342)은 이들 작업들을 수행하도록 로봇을 계획하고 제어한다. 일부 실시예에서, 수확, 등급, 및 포장 모듈(342)은 생산물(예컨대, 농장 또는 온실에서 생산된 과일 또는 채소)의 이미지들을 수신하고 그 생산물에 대한 미리정의된 명세에 기초하여 그 생산물의 등급을 매긴다. 예를 들어, 수확, 등급, 및 포장 모듈(342)은, 생산물의 타겟 크기, 형상, 및 색상에 기초하여, 생산물이 수확될 준비가 되었는지를 결정한다. 수확, 등급, 및 포장 모듈(342)이, 생산물의 이미지에 기초하여, 생산물의 크기, 형상, 색상 등이 미리설정된 허용 범위 내에 있다고 결정하면, 수확, 등급, 및 포장 모듈(342)은 로봇에게 생산물을 수확하라고 지시한다.
충돌 검출 모듈(344)은 모든 작업에 걸쳐 충돌을 검출하고 적절한 충돌 회피 또는 안전 메커니즘을 적용한다. 예를 들어, 충돌 검출 모듈(344)은, 하나 이상의 카메라에 의해 캡처된 한 세트의 이미지들 또는 로봇에 내장된 하나 이상의 센서의 한 세트의 센서 출력들에 기초하여 충돌 회피 알고리즘을 적용한다. 일부 실시예에서, 충돌 검출 모듈(344)은, (네비게이션 모듈(336), 움직임 계획 모듈(338), 및 협업 모듈(340) 등의) 다른 모듈들과 상호작용한다. 예를 들어, 충돌 검출 모듈(344)은 네비게이션 모듈(336)과 상호작용하여 농장이나 온실 주변을 이동하는 로봇에 대한 궤적이 물체나 장애물과의 충돌을 초래할 것인지를 결정한다. 또 다른 예에서, 충돌 검출 모듈(344)은 움직임 계획 모듈(338)과 상호작용하여 로봇의 한 컴포넌트(예컨대, 조작기(324))의 움직임이 물체 또는 장애물과의 충돌을 초래할 것인지를 결정한다. 역시 또 다른 예에서, 충돌 검출 모듈(344)은 협업 모듈(340)과 상호작용하여 2개 이상의 로봇 사이의 상호작용이 이들 2개 이상의 로봇 사이의 충돌을 초래할 것이라고 결정한다.
ML 모델 훈련
도 4는, 한 실시예에 따른, 하나 이상의 ML 모델을 훈련시키기 위한 프로세스의 흐름도를 나타낸다. 도 5는 한 실시예에 따른 한 세트의 ML 모델들을 훈련시키는 다이어그램을 나타낸다.
ML 훈련 모듈은 자율 온실 제어 시스템(100)에 의해 이용되는 ML 모델들 각각을 훈련시키기 위해 한 세트의 입력들(520)을 수신한다(410). 입력 세트(520)는 (예컨대, 로봇들(112)에 부착된 센서들 및 온실 전체에 정적으로 배치된 센서들(150)로부터의) 농장 또는 온실에서 수집된 실시간 데이터를 포함한다. 또한, 입력 데이터(520)는 시간이 지남에 따라 누적되는 이력 데이터(예컨대, 온실의 특정한 지역에 관한 온도 이력)를 포함한다. 입력 데이터(520)의 유형들은, RGB-깊이 이미지들(522), 조명, HVAC, CO2, 습도 데이터(524), 관개 및 미기후 이력 데이터(526), 식물 건강 데이터(528), 로봇 액션 데이터(530), 재배자 액션 데이터(532) 등을 포함한다. 수신된 입력 데이터에 기초하여, 한 세트의 피처 벡터들이 생성된다(420).
ML 훈련 모듈은 한 세트의 타겟 출력들(550)을 추가로 수신한다. 타겟 출력들(550)은 자율 온실 제어 시스템(100)에 의해 이용되는 ML 모델들(560)을 훈련시키는데 이용된다. 일부 실시예에서, 하나 이상의 ML 모델은 타겟 출력을 달성하려고 시도하는 것 대신에 특정한 결과를 최적화(예컨대, 출력을 최대화 또는 최소화)하도록 훈련된다.
일부 실시예에서, 타겟 출력들(550)의 일부로서, ML 훈련 모듈은 미래 예측 데이터(552)를 수신한다(430). 미래 예측 데이터(552)는, 식물 건강, 수확량, 가까운 미래의 판매량(예컨대, 시간 범위는 몇 시간에서 몇 주까지 다양함) 등의 정보를 포함한다.
추가적으로, 타겟 출력들(550)의 일부로서, ML 훈련 모듈은 액션 결정 데이터(554)를 수신한다(440). 액션 결정 데이터(554)는, 타겟 목표(예컨대, 수확량)를 달성하기 위해 로봇들, 재배자들, 작업자들 또는 자율 온실 제어 시스템(100)에 의해 수행될 액션들에 관한 정보를 포함한다. 일부 실시예에서, 자율 온실 제어 시스템(100)에 의한 액션들은, 조명, 온도, CO2, 습도, 및 관개에 대한 스케쥴들 및 설정점들을 포함한다. 게다가, 로봇들에 의한 액션은 수확, 가지치기, 센서 측정 등을 포함할 수 있다.
또한, 타겟 출력들(550)의 일부로서, ML 훈련 모듈은 물체 인식 데이터(556)를 수신한다(450). 물체 인식 데이터(556)는, 식물 부분들, 과일들, 포장 시스템들, 인간들, 곤충들, 해충들, 식물 질병들 등의 물체들을 인식하기 위한 정보(예컨대, 이미지들)를 포함한다.
타겟 출력들(550)을 이용하여, ML 훈련 모듈은 하나 이상의 ML 모델(560)을 훈련시킨다. 예를 들어, 미래 예측 데이터(552)에 기초하여, ML 훈련 모듈은 예측 ML 모델(562)을 훈련시킬 수 있다(435). 또한, 액션 결정 데이터(554)에 기초하여, ML 훈련 모듈은 액션 결정 ML 모델(564)을 훈련시킬 수 있다(445). 더욱이, 물체 인식 데이터(556)에 기초하여, ML 훈련 모듈은 인지 ML 모델(566)을 훈련시킬 수 있다(455).
ML 모델 적용
도 6은 한 실시예에 따른 하나 이상의 ML 모델을 적용하기 위한 프로세스의 흐름도를 나타낸다. 도 7은 한 실시예에 따른 한 세트의 ML 모델들의 다이어그램을 나타낸다. 도 7의 예에서는 다양한 ML 모델이 AI & 중앙 제어 시스템(145)에 의해 이용되지만, ML 모델은 또한 로봇(112)의 온보드 AI 모듈(310) 등의 다른 시스템에 의해서도 이용될 수 있다는 것을 이해해야 한다.
ML 모듈(240)은 한 세트의 입력들을 수신한다(610). 입력 세트는 농장이나 온실에서 수집된 실시간 및 이력 데이터를 포함할 수 있다. 예를 들어, 실시간 데이터는, 이미지들(720)과, 하나 이상의 센서(150)에 의해 캡처된 빛, HVAC, CO2 및 습도 정보 등의 환경 데이터(722)를 포함한다. 또한, 이력 데이터는, 미기후들의 이력(724), 식물 건강의 이력(726), 로봇 액션들의 이력(728), 재배자 액션들의 이력(730)을 포함한다.
수신된 입력들에 기초하여, 피처 벡터 생성기(510)는 한 세트의 피처 벡터들을 생성한다(620). 그 다음, ML 모델들(560)이 대응하는 예측을 생성하는 것을 허용하기 위해 피처 벡터 세트가 ML 모델들(560)에 제공된다. 예를 들어, 예측 ML 모델(562)이 하나 이상의 피처 벡터에 관해 적용(630)되어 미래 예측(752)을 생성한다. 마찬가지로, 액션 결정 ML 모델(562)이 하나 이상의 피처 벡터에 관해 적용(640)되어 액션 결정 출력(754)을 생성한다. 또 다른 예에서, 인지 ML 모델(566)은 물체 인식 데이터(756)를 생성하기 위해 피처 벡터들 중 하나 이상에 관해 적용된다.
일부 실시예에서, 미래 예측 데이터(752), 액션 결정 데이터(754), 및 물체 인식 데이터(756)는 AI & 중앙 제어 시스템(145)에 제공된다. AI & 중앙 제어 시스템(145)은 수신된 데이터에 기초하여 자율 온실 제어 시스템(100)의 컴포넌트를 제어하기 위한 하나 이상의 출력을 생성한다. 예를 들어, 자율 온실 제어 시스템(100)은, 미래 예측 데이터(752), 액션 결정 데이터(754), 및 물체 인식 데이터(756)의 값들에 기초하여, 한 세트의 액션들을 수행하도록 하나 이상의 로봇(112)을 제어한다. 마찬가지로, 자율 온실 제어 시스템(100)은, 미래 예측 데이터(752), 액션 결정 데이터(754), 및 물체 인식 데이터(756)의 값에 기초하여, 농장 또는 온실의 환경 파라미터(예컨대, 온도, 빛, 습도 등)를 변경할 수 있다.
일부 실시예에서, AI & 중앙 제어 시스템(145)은 미래 예측 데이터(752)를 이용하여 재배자에게 경고하거나 농장 또는 온실의 환경을 제어한다. 예를 들어, 예측 ML 모델(562)을 이용하여 생성된 미래 예측 데이터(752)가 미리정의된 범위를 벗어나는 경우, AI & 중앙 제어 시스템(145)은 재배자에게 경고하고 환경을 제어하여 예방 조치들을 취할 수 있다. 더욱이, 일부 실시예에서, AI & 중앙 제어 시스템(145)은, 액션 결정 데이터(754)(예컨대, 온도 설정의 변화)를 이용하여 농장이나 온실을 직접 제어하거나 한 세트의 추천을 재배자에게 보내 농장이나 온실을 제어하는 방법에 관한 정보를 재배자에게 제공한다.
도 9는 일부 실시예에 따른 식물 건강을 예측하고 관리하기 위한 예시적인 프로세스(900)를 나타낸다. 일부 실시예에서, 프로세스(900)는 식물 건강 모니터링 모듈(244)을 이용하여 수행될 수 있다. 본 명세서에 설명된 바와 같이, 식물 건강 모니터링 모듈은 특정한 식물 또는 식물 그룹의 다양한 피처를 고려하여 식물(들)이 주의를 요구하는지, 생산 목표들을 충족하기 위해 어떤 액션들이 필요한지, 및 각각의 액션과 연관된 비용과 혜택들을 고려하는 작업 지시들을 결정할 수 있다.
프로세스(900)는, 예를 들어 소프트웨어 플랫폼을 구현하는 하나 이상의 전자 디바이스를 이용하여 수행된다. 일부 예에서, 프로세스(900)는 클라이언트-서버 시스템을 이용하여 수행되고, 프로세스(900)의 블록들은 서버와 하나 이상의 클라이언트 디바이스 사이에서 임의의 방식으로 분할된다. 따라서, 프로세스(900)의 부분들이 클라이언트-서버 시스템의 특정한 디바이스들에 의해 수행되는 것으로 본 명세서에서 설명되지만, 프로세스(900)는 그렇게 제한되지 않는다는 것을 이해할 것이다. 다른 예들에서, 프로세스(900)는 하나의 클라이언트 디바이스만을 이용하거나 다수의 클라이언트 디바이스만을 이용하여 수행된다. 프로세스(900)에서, 일부 블록은, 선택사항으로서, 결합되고, 일부 블록의 순서는, 선택사항으로서, 변경되며, 일부 블록은, 선택사항으로서, 생략된다. 일부 예에서, 프로세스(900)와 조합하여 추가 단계들이 수행될 수 있다. 따라서, 예시된(그리고 아래에서 더 상세히 설명되는) 동작들은 본질적으로 예시적이며 제한적인 것으로 간주되어서는 안 된다.
도 9를 참조하면, 예시적인 시스템(예컨대, 하나 이상의 전자 디바이스)은 하나 이상의 식물(예컨대, 동일한 온실에 수용된 하나 이상의 식물)과 연관된 입력 데이터를 수신할 수 있다. 입력 데이터는, 능동 감지 시스템(228) 등의 전술된 데이터 수집 컴포넌트들 중 임의의 것을 이용하여 적어도 부분적으로 수집될 수 있다. 데이터는, 하나 이상의 식물 특유의 피처(902), 하나 이상의 미기후 섹션 피처(904), 하나 이상의 관개 섹션 피처(906), 하나 이상의 작업 섹션 피처(908), 하나 이상의 예측/예상 피처(910), 하나 이상의 이미지(912)를 포함할 수 있다. 전술된 입력 데이터 목록은 단지 예시일 뿐이라는 것을 이해해야 한다. 예를 들어, 시스템에 의해 입력되고 분석될 수 있는 더 적은 수의, 추가적인, 또는 상이한 피처들이 있을 수 있다.
식물 특유의 피처들(902)은 개개의 식물에 특유한 복수의 피처를 포함한다. 일부 실시예에서, 식물 특유의 피처들은, 꽃(들), 어린 과일(들), 성숙한 과일(들), 과숙 과일(들), 수분 불량 꽃(들), 기형 과일(들), 해충 피해(들), 식물내 해충(들), 잎(들), 캐노피 높이, 잎 및 과일 변색, 노화 및 갈색 잎(들), 내부 캐노피 온도, 과잉 캐노피 온도, 잎 면적 지수 등에 관련된 정보 등의, 개개의 식물에 관련된 정보를 포함할 수 있다. 예를 들어, 예시적인 식물 특유의 피처 값은 개개의 식물의 꽃의 수를 나타내는 수치 값일 수 있다. 또 다른 예로서, 예시적인 식물 특유의 피처 값은 개개의 식물이 특정한 유형의 해충 피해를 겪고 있는지를 나타내는 2진 값일 수 있다.
일부 실시예에서, 식물 특유의 피처들(902)은 특정한 시간과 연관된 개개의 식물에 관한 정보를 포함한다. 일부 실시예에서, 식물 특유의 피처들(902)은 복수의 시점과 연관된 개개의 식물에 관한 정보를 포함한다. 예를 들어, 식물 특유의 피처들(902)은 복수의 시점에 대응하는 피처 값들(예컨대, 지난 100일 동안의 일일 꽃 개수)을 포함하는 시계열 데이터를 포함할 수 있다. 일부 실시예에서, 식물 특유의 피처들(902)은, 품종 유형, 이식 날짜, 이식 당시 식물 상태(예컨대, 크라운 직경, 잎 수, 뿌리 길이, 캐노피 높이) 등의 개개의 식물의 초기 조건들과 관련된 피처들을 포함한다.
미기후 섹션 피처들(904)은, 농사 위치(예컨대, 온실)의 한 섹션 특유의 피처를 포함하며, 여기서 그 섹션 내의 식물들은 동일하거나 거의 동일한 미기후 특성들(예컨대, 온도, 습도, 빛)을 경험한다. 미기후 섹션은 연속된 물리적 영역이 아닐 수 있고, 오히려 식물들이 동일하거나 거의 동일한 미기후 특성들을 경험하는 복수의 영역을 포함할 수 있다. 미기후 섹션은 사용자에 의해 정의되거나 시스템에 의해 자동으로 식별될 수 있다(예컨대, 온실 내의 센서들에 기초하여). 일부 실시예에서, 미기후 섹션 피처들은, 온도, 습도, 빛, 해충 유형별 섹션당 해충 수, CO2 등과 관련된 정보 등의, 특정한 미기후 섹션에 관련된 정보를 포함할 수 있다.
일부 실시예에서, 미기후 섹션 피처들(904)은 특정한 시간과 연관된 미기후 섹션에 관한 정보를 포함한다. 일부 실시예에서, 미기후 섹션 피처들(904)은 복수의 시점과 연관된 미기후 섹션에 관한 정보를 포함한다. 예를 들어, 미기후 섹션 피처들(904)은 복수의 시점에 대응하는 피처 값들(예컨대, 지난 100일 동안 그 섹션 내의 일일 온도)을 포함하는 시계열 데이터를 포함할 수 있다.
관개 섹션 피처들(906)은 농사 위치(예컨대, 온실)의 한 섹션 특유의 피처를 포함하며, 여기서 관개 섹션 내의 식물들은 동일하거나 거의 동일한 관개 이력을 공유한다. 관개 섹션은 연속된 물리적 영역이 아닐 수 있고, 오히려 식물들이 동일하거나 거의 동일한 관개 이력을 경험하는 복수의 영역을 포함할 수 있다. 관개 섹션은 사용자에 의해 정의되거나 시스템에 의해 자동으로 식별될 수 있다(예컨대, 온실 내의 관개 시스템의 레이아웃에 기초하여). 예를 들어, 온실 내의 전체 행 또는 한 세트의 행들은 모두 접속되어 있어서 동일한 영양 스케쥴과 관개 스케쥴을 공유할 수 있다. 일부 실시예에서, 관개 섹션 피처는, 영양분 주입 이력, 인입 영양분(들) 및 송출 영양분(들), 침출수, 전기 전도도(EC) 및 pH에 관련된 정보 등의, 특정한 관개 섹션에 관련된 정보를 포함할 수 있다.
일부 실시예에서, 관개 섹션 피처(906)는 특정한 시간과 연관된 관개 섹션에 관한 정보를 포함한다. 일부 실시예에서, 관개 섹션 피처(906)는 복수의 시점과 연관된 관개 섹션에 관한 정보를 포함한다. 예를 들어, 관개 섹션 피처(906)는 복수의 시점에 대응하는 피처 값들(예컨대, 지난 100일 동안 그 섹션 내의 일일 영양분 값들)을 포함하는 시계열 데이터를 포함할 수 있다.
작업 섹션 피처들(908)은 농사 위치(예컨대, 온실)의 한 섹션 특유의 피처들을 포함하고, 여기서 작업 섹션 내의 식물들은 동일한 작업 이력을 공유한다. 작업 섹션은 연속된 물리적 영역이 아닐 수 있고, 오히려 식물들이 동일하거나 거의 동일한 작업 이력을 경험하는 복수의 영역을 포함할 수 있다. 일부 실시예에서, 작업 섹션 피처들은, 작업 섹션 내의 수확, 청소, 가지치기, 살충제, 잎 비료 이력들에 관련된 정보 등의, 특정한 작업 섹션에 관련된 정보를 포함할 수 있다.
일부 실시예에서, 작업 섹션 피처들(908)은 특정한 시간과 연관된 작업 섹션에 관한 정보를 포함한다. 일부 실시예에서, 작업 섹션 피처들(908)은 복수의 시점과 연관된 작업 섹션에 관한 정보를 포함한다. 예를 들어, 작업 섹션 피처들(908)은 복수의 시점에 대응하는 피처 값들(예컨대, 지난 100일 동안 그 섹션 내의 일일 작업 활동들)을 포함하는 시계열 데이터를 포함할 수 있다.
예측/예상 피처들(910)은 관찰된 것이 아니라 도출된 데이터를 포함할 수 있다. 예를 들어, 시스템은 알려진 외부 조건들과 온실에 관한 알려진 조건들이 주어지면 특정한 시간에서 온실 내의 식물이 어떤 경험을 하게 될지를 예측하거나 예상할 수 있다. 예를 들어, 일기 예보로부터 알려진 외부 온도와 온실 내의 온도 조절 시스템의 알려진 특성들에 기초하여, 시스템은 온실 내의 식물이 경험하게 될 예측된 온도를 생성할 수 있다. 또 다른 예로서, 알려진 외부 일기 예보(예컨대, 흐림)와 온실 내의 조명 시스템의 알려진 특성들에 기초하여, 시스템은 온실 내의 식물이 경험하게 될 예측된 광 수준을 생성할 수 있다. 시스템은 여기서 설명된 임의의 피처에 대한 예측들/예상들을 생성할 수 있다는 것을 이해해야 한다.
이미지들(912)은, 식물의 특정한 부분의 이미지, 다수의 식물의 이미지, 온실 내의 한 영역의 이미지 등의, 하나 이상의 식물에 관련된 하나 이상의 이미지를 포함할 수 있다. 일부 실시예에서, 이미지들은 특정한 시간에서 캡처된다. 일부 실시예에서, 이미지들은 복수의 시점에서 캡처된다(예컨대, 지난 100일 동안의 식물의 일일 이미지들).
도 10은 일부 실시예에 따른 시스템의 입력 데이터의 예시적인 부분을 나타낸다. 일부 실시예에서, 시스템은 N개의 식물(예컨대, 동일한 온실 내의 N개의 식물)을 분석하도록 구성될 수 있다. 따라서, 식물 특유의 피처들(902)은 N개의 식물 중의 각각의 식물에 대해 제공될 수 있다. 도시된 바와 같이, 식물 1의 경우, 식물 특유의 피처들(902)의 피처 값들은 피처 값들(1002a)을 포함할 수 있고; 식물 2의 경우, 식물 특유의 피처들(902)의 피처 값들은 피처 값들(1002b)을 포함할 수 있고; . . . ; 식물 N의 경우, 식물 특유의 피처들(902)의 피처 값들은 피처 값들(1002z)을 포함할 수 있다.
2개의 식물이 동일한 미기후 섹션에 있는 경우, 2개의 식물은 동일한 미기후 섹션 피처 값들을 공유한다. 도 10에 묘사된 예에서, 식물 1과 식물 N이 동일한 미기후 섹션에 있는 경우, 피처 값들(1004a)과 피처 값들(1004z)은 동일할 것이다. 마찬가지로, 2개의 식물이 동일한 관개 섹션에 있는 경우, 2개의 식물은 동일한 관개 섹션 피처 값들을 공유한다. 도 10에 묘사된 예에서, 식물 1과 식물 N이 동일한 관개 섹션에 있는 경우, 피처 값들(1006a)과 피처 값들(1006z)은 동일할 것이다. 마찬가지로, 2개의 식물이 동일한 작업 섹션에 있는 경우, 2개의 식물은 동일한 작업 섹션 피처 값들을 공유한다. 도 10에 묘사된 예에서, 식물 1과 식물 N이 동일한 작업 섹션에 있는 경우, 피처 값들(1008a)과 피처 값들(1008z)은 동일할 것이다.
도 9로 돌아가서, 시스템은 데이터 집결기(920)를 통해 다양한 입력 데이터를 집결할 수 있다. 예를 들어, 데이터 집결기는, 식물 특유의 피처들(902), 미기후 섹션 피처들(904), 관개 섹션 피처들(906), 작업 섹션 피처들(908), 및 예측/예상 피처들(910)을 피처 값들의 다차원 매트릭스 내로 집결할 수 있다.
도 9를 참조하면, 예측 모델(930)은 집결된 입력 데이터를 수신하고 미래 시간(예컨대, 1주일 후, 2개월 후, 3개월 후)에 대한 하나 이상의 출력 피처의 식물별 예측들을 출력할 수 있다. 예를 들어, 시스템이 N개의 식물과 관련된 입력 데이터를 수신하는 경우, 예측 모델(930)은 N개의 식물 중 각각의 식물에 대한 출력 피처들을 예측하는데 이용될 수 있다.
예측 모델(930)에 의해 제공되는 출력 피처들은 다음을 포함할 수 있다: 판매가능한 수확량, 꽃 개수, 판매가능한 과일 수, 각각의 과일의 중량, 꽃-대-과일 전환 비율, 캐노피 높이, 줄기 길이, 바이오매스, 잎 수, 잎 면적 지수 등. 입력 피처들과 출력 피처들이 겹칠 수 있다는 것을 이해해야 한다. 일부 실시예에서, 예측 모델(930)은 각각의 식물에 대한 예측된 출력 피처 값들의 어레이를 출력하도록 구성될 수 있다.
예측 모델(930)은 하나 이상의 통계적 또는 머신 학습 모델을 포함할 수 있다. 일부 실시예에서, 예측 모델(930)은, 지도 머신 학습 모델, 멀티-모달 Gaussian 프로세스 회귀 모델, 비선형 회귀 모델, 프로세스-구동형 모델, 잔차 기반의 머신 학습 모델, 가중치 기반의 머신 학습 모델, 생성적-적대적 머신 학습 모델, 또는 이들의 임의의 조합을 포함한다. 예측 모델은 전술된 바와 같이 ML 모듈들(240)의 일부일 수 있다.
일부 실시예에서, 비선형 회귀 모델은 고차원 비선형 파라미터 함수들을 포함한다. 다양한 온실들에 걸친 많은 식물들에 걸쳐 식물 피처들, 영양 입력들, 및 기후 조건들의 이력이 주어지면, 모델 파라미터들이 튜닝하여 미래 식물 피처들을 최상으로 예측할 수 있다.
일부 실시예에서, 프로세스 구동형 모델은 식물들에 대한 과거 및 미래 입력들(예컨대, 영양분들, 기후 조건들, CO2 수준 등)과, 크라운 직경, 뿌리 길이, 바이오매스, 잎 수, 잎 크기 등의 식물 피처들의 이력이 주어지면 식물들의 성장을 시뮬레이션할 수 있는 작물 생리학적 함수들을 이용하는 하나 이상의 프로세스 구동형 모델들을 포함한다. 작물의 생리학적 함수들의 파라미터들은 특정한 품종들 및 기후 조건들에 맞게 튜닝될 수 있다. 이 함수들은, 예상 과일 수확량, 과일 수, 크기, 바이오매스, 캐노피 높이 등의 식물 특유의 피처들의 서브세트를 출력할 수 있다.
일부 실시예에서, 잔차 기반의 머신 학습 모델은, 프로세스 구동형 모델들과 관찰된 데이터 사이의 갭을 예측하는 데이터 구동형 머신 학습 모델을 포함한다. 각각이 식물 피처들의 서브세트를 입력들로서 취하거나, 식물들의 상이한 피처들을 시뮬레이션하는 다수의 프로세스 구동형 모델들은, 사용자에 의해 미리결정되거나 데이터를 통해 학습될 수 있는 가중치들을 이용하여 추가적으로 결합될 수 있다. 결합된 모델의 출력은 데이터 구동형 머신 학습 모델에 더 추가되거나 곱해질 수 있으며, 여기서 머신 학습 모델은 관찰된 데이터와 예측된 출력 사이의 갭을 예측한다.
일부 실시예에서, 가중치 기반의 머신 학습 모델은, 프로세스 구동형 모델과 데이터 구동형 모델에 걸쳐 가중치들을 예측하는 것을 학습하는 가중치 기반의 머신 학습 모델을 포함한다. 식물 피처의 시계열을 예측하기 위해, 머신 학습 모델은 한 세트의 심층 신경망들을 이용할 수 있으며, 이들 네트워크들의 구조는 인공 순환 신경망(RNN) 또는 장기 단기 기억(LSTM; Long Short-Term Memory) 아키텍쳐일 수 있다. 모델들은 또한, 다양한 이미지 기반의 데이터를 처리하기 위한 CNN(Convolutional Neural Networks)을 포함할 수 있다.
일부 실시예에서, 생성적-적대적 머신 학습 모델은 2개 세트의 머신 학습 모델들을 포함한다. 한 모델은 식물 피처들의 이력과 X를 입력들로서 이용하여 예측 피처들을 생성하는 반면, 다른 모델은 생성된 데이터와 관찰된 데이터를 구별하기 위해 분류한다. 2개의 모델은 반복적으로 훈련되어, 생성적 모델이 관찰된 데이터를 면밀히 예측하는데 있어서 향상되게 한다. 양쪽 모델들 모두는, 심층 신경망들, 비선형 파라미터화된 함수들, 또는 가중치들이 반복적으로 튜닝될 수 있는 작물 생리학적 함수들을 이용할 수 있다.
도 9로 돌아가서, 각각의 식물에 대해, 시스템은 다음을 포함하는 다수의 데이터세트(934)를 획득될 수 있다: 관찰된 현재 시간 데이터 A, 예측된 현재 시간 데이터 A', 예측된 미래 시간 데이터 B', 예상된 미래 시간 목표 C. 이들 데이터세트들 각각은 아래에서 상세히 설명된다. 이들 데이터세트들은 예측 모델(930)에 적어도 부분적으로 기초한다.
식물에 대한 관찰된 현재 시간 데이터 A란, 현재 시간에(예컨대, 오늘, 이번 주, 이번 달) 식물에 대한 출력 피처들의 관찰된 값들을 말한다. 이 데이터세트는 본 명세서에서 설명된 바와 같이 본 플랫폼(예컨대, 능동 감지 시스템(228))의 하나 이상의 센서에 의해 획득될 수 있다.
식물에 대한 예측된 현재 시간 데이터 A'란, 시스템이, 관찰된 이력 데이터에 기초하여, 식물에 대한 출력 피처들의 값들이 현재 시간에서 어떤 값일지를 예측한 값을 말한다. 예측된 현재 시간 데이터 A'는 예측 모델(930)을 이용하여 획득될 수 있다. 도 11을 참조하면, 시스템은 과거 시간들 [..., Tx-3, Tx-2, Tx-1]에 대응하는 관찰된 입력 피처 값들(1102)을 예측 모델(930) 내에 입력할 수 있다. 예측 모델(930)은 현재 시간 Tx(1104)에 대한 예측된 출력 피처 값들(즉, A')을 출력할 수 있다. 일부 실시예에서, 예측 현재 시간 데이터 A'는 "식물이 지금 어떤 모습이어야 하는가"로서 해석될 수 있다.
식물에 대한 예측된 미래 시간 데이터 B'란, 시스템이, 관찰된 이력 데이터 및 관찰된 현재 시간 데이터를 고려하여, 식물에 대한 출력 피처들의 값들이 미래의 시간에 어떤 값일지를 예측한 값을 말한다. 예측된 미래 시간 데이터 B'는 예측 모델(930)을 이용하여 획득될 수 있다. 도 11을 참조하면, 시스템은, 과거 시간들 및 현재 시간 [..., Tx-3, Tx-2, Tx-1, Tx]에 대응하는 관찰된 입력 피처 값들(1112)을 예측 모델(930) 내에 입력할 수 있다. 예측 모델(930)은 미래 시간 Tx+1(1104)에 대한 예측된 출력 피처 값들(즉, B')을 출력할 수 있다. 일부 실시예에서, 예측된 미래 시간 데이터 B'는 "식물이 미래 시간에 어떤 모습일 것인지"로서 해석될 수 있다.
예상 미래 시간 목표 C란, 식물이 생산 목표들을 충족하기 위해 하나 이상의 미래 시간(예컨대, 궤적)에서의 식물에 대한 출력 피처들의 값들을 말한다. 예를 들어, 한 세트의 생산 목표들(예컨대, 3개월 내에 특정한 판매가능한 수확량 달성)이 주어지면, 시스템은 한 달 안에 식물에 대한 출력 피처들의 값들이 얼마가 될 필요가 있는지를 결정할 수 있다. 일부 실시예에서, 예상된 미래 시간 목표 C는 "지금부터 어떤 미래 시간까지 식물이 어떤 모습이어야 하는지"로서 해석될 수 있다.
예측 모델(930)의 출력들은 상호-관련될 수 있다. 예를 들어, 특정한 식물이 높은 확률의 해충 문제를 갖는 것으로 예측되는 경우, 그 해충 문제가 이웃 식물들로 전파될 수 있으므로 이들 이웃 식물의 출력 피처 값들이 그에 따라 조정될 수 있다.
도 9를 참조하면, 시스템은 건강 검출기(940)를 이용하여 각각의 식물에 대한 건강 문제들을 검출할 수 있다. 건강 검출기(940)는 식물이 생산 목표를 충족하기 위해 예상된 성장 궤적으로부터 벗어나고 있는지를 결정하도록 구성된다. 건강 검출기(940)의 입력은, 관찰된 현재 시간 데이터 A, 예측된 현재 시간 데이터 A', 예측된 미래 시간 데이터 B', 예상된 미래 시간 목표 C를 포함하는 데이터세트들(934)을 포함할 수 있다.
건강 검출기(940)는 관찰된 현재 시간 데이터 A와 예측된 현재 시간 데이터 A'의 비교(942)를 수행할 수 있다. 이 비교는, 이력 데이터에 기초하여 현재 관찰된 출력 피처들 중 임의의 것이 현재 시간에 대한 시스템의 예측과 크게 다른지를 나타낼 수 있다. 일부 실시예에서, 각각의 출력 피처에 대해, 시스템은 A와 A' 사이의 대응하는 차이 값을 계산할 수 있다. 시스템은 차이 값을 임계값(예컨대, 출력 피처와 연관된 임계값)과 비교하여 출력 피처에 대해 상당한 편차가 존재하는지를 결정할 수 있다. 일부 실시예에서, 시스템은 다수의 출력 피처들의 차이 값들을 집결하고 집결된 값을 임계값과 비교할 수 있다.
건강 검출기(940)는, 관찰된 현재 시간 데이터 A와 예상된 미래 시간 목표 C(예컨대, 궤적 상에서 현재 시간에 가장 가까운 시간) 사이의 비교(944)를 수행할 수 있다. 이 비교는, 현재 관찰된 출력 피처들 중 임의의 것이 생산 계획에서 현재 시간에 출력 피처들에 대해 요구되는 것과 크게 상이한지를 나타낼 수 있다. 상당한 차이(예컨대, 미리정의된 임계값을 초과하는 차이)는, 식물 건강/성장이 따라야 하는 스케쥴보다 지체되고 있거나 앞당겨지고 있다는 것을 나타낼 수 있다. 일부 실시예에서, 차이에 기초하여, 시스템은 식물에 대한 발달 지체의 양(예컨대, 1개월 지체)을 결정할 수 있다. 일부 실시예에서, 각각의 출력 피처에 대해, 시스템은 대응하는 차이 값을 계산할 수 있다. 시스템은 차이 값을 임계값(예컨대, 출력 피처와 연관된 임계값)과 비교하여 그 출력 피처에 대해 상당한 편차가 존재하는지를 결정할 수 있다. 일부 실시예에서, 시스템은 다수의 출력 피처들의 차이 값들을 집결하고 집결된 값을 임계값과 비교할 수 있다.
건강 검출기(940)는 예측된 미래 시간 데이터 B'와 예상된 미래 시간 목표 C 사이의 비교(946)를 수행할 수 있다. 이 비교는, 시스템에 의해 미래 시간에 대해 예측된 출력 피처들 중 임의의 것이 생산 계획에서 미래 시간에 출력 피처에 대해 요구되는 것과 크게 상이한지를 나타낼 수 있다. 상당한 차이(예컨대, 미리정의된 임계값을 초과하는 차이)는, 식물 건강/성장이 따라야 하는 스케쥴보다 지체되거나/앞당겨질 것임을 나타낼 수 있다. 일부 실시예에서, 차이에 기초하여, 시스템은 식물에 대한 발달 지체의 양(예컨대, 1개월 지체)을 결정할 수 있다. 일부 실시예에서, 각각의 출력 피처에 대해, 시스템은 대응하는 차이 값을 계산할 수 있다. 시스템은 차이 값을 임계값(예컨대, 출력 피처와 연관된 임계값)과 비교하여 그 출력 피처에 대해 상당한 편차가 존재하는지를 결정할 수 있다. 일부 실시예에서, 시스템은 다수의 출력 피처들의 차이 값들을 집결하고 집결된 값을 임계값과 비교할 수 있다.
건강 검출기(940)는 하나 이상의 식물의 이미지들(912)에 기초하여 문제들을 식별하기 위해 이미지 기반의 분석을 수행할 수 있다. 검출기는 이미지를 수신하고 그 이미지에서 묘사된 문제들을 검출하도록 구성된 하나 이상의 머신 학습 모델을 포함할 수 있다. 문제들은, 잘못된 수분, 기형적인 꽃/과일들, 해충의 존재, 질병 증상들, 성장이 둔해 보이는 식물, 또는 식물의 건강에 관련된 기타 임의의 시각적으로 식별가능한 문제들을 포함할 수 있다. 하나 이상의 머신 학습 모델은 물체 검출 알고리즘에 의해 구현될 수 있다. 일부 실시예에서, 머신 학습 모델은 훈련된 신경망이다.
건강 검출기(940)에 의한 분석들에 기초하여, 시스템은 각각의 식물이 건강한지 건강하지 않은지, 또는 식물이 생산 목표(들)를 충족하기 위한 궤적을 추종하고 있는지를 결정할 수 있다. 일부 실시예에서, 시스템은, 비교(942), 비교(944), 비교(946), 이미지 기반의 분석에서 식별된 임의의 문제들, 또는 이들의 임의의 조합에 기초하여, 식물이 건강하지 않거나 궤적을 추종하고 있지 않다고 결정할 수 있다.
일부 실시예에서, 식물은 특별한 상태와 연관될 수 있다. 예를 들어, 질병이 이전에 식별되었을 수 있거나 및/또는 취급법이 처방되어 식물에 적용되었을 수 있으며, 식물은 시스템에 의해 특별 모니터링을 위해 특별표시될 수 있다. 취급법(들)은 예측 모델(930)에 대한 입력 피처로서 포함될 수 있다. 따라서, 예측 모델(930)은 예측 현재 시간 데이터 A' 및 예측된 미래 시간 데이터 B'를 예측할 때 취급법(들)을 고려할 수 있다. 따라서, 비교(942)(A 대 A')는 식물의 회복이 현재 제대로 진행 중인지를 나타낼 수 있고, 비교(946)(B' 대 C)는 예측된 미래가 회복 성장 궤적과 일치하는지를 나타낼 수 있다. 일부 실시예에서, 특수 식물의 경우, 시스템은 비교(942)와 비교(946) 양쪽 모두에서 상당한 편차가 발생하지 않는 경우 식물의 회복이 제대로 진행 중이라고 결정할 수 있다.
도 9를 참조하면, 식물이 건강하거나, 궤적을 추종하고 있거나, 및/또는 그 회복이 제대로 진행 중이라고 시스템이 결정하는 경우, 시스템은 보고 모듈(970)을 이용하여 식물이 건강하거나 회복이 제대로 진행 중이라는 표시를 출력할 수 있다. 시스템은 또한, 데이터세트들(902-912)의 임의의 부분, 데이터세트들(934)의 임의의 부분, 비교들(942-946)의 임의의 부분, 이미지 기반의 분석, 또는 이들의 임의의 조합 등의, 전술된 분석들의 임의의 결과들을 보고할 수 있다. 일부 실시예에서, 보고 모듈(970)은 재배자 대시보드 보고 모듈(242)이다. 일부 실시예에서, 식물이 건강하거나, 궤적을 추종하거나, 및/또는 그 회복이 제대로 진행 중이라고 시스템이 결정하면, 시스템은 식물에 대한 성장 계획을 계속 최적화하고, 기존 취급법(들)을 계속 적용하고, 식물을 계속 모니터링하고, 건강 식물에 적절한 액션들(예컨대, 가지치기)을 처방하거나, 이들의 임의의 조합을 수행할 수 있다.
반면에, 식물이 건강하지 않거나, 궤적에 비해 지체되거나, 회복이 제대로 진행 중이지 않다고 시스템이 결정하는 경우, 시스템은 근본 원인 분석기(950)를 이용하여 근본 원인 분석을 수행할 수 있다. 근본 원인 분석기는 비교(942, 944 및/또는 946)로부터 편차가 검출된 임의의 출력 피처를 입력으로서 수신할 수 있다. 일부 실시예에서, 근본 원인 분석기는 또한, 피처들(902-912), 데이터세트들(934), 또는 이들의 임의의 조합을 수신할 수 있다.
근본 원인 분석기는 식물 건강에 영향을 미칠 수 있는 후보 근본 원인들의 목록을 포함한다. 일부 실시예에서, 후보 근본 원인들은: 범위를 벗어난 온도, 범위를 벗어난 습도, 범위를 벗어난 조명, 관개 스케쥴, 관개량, 영양 성분, 바이러스, 질병, 해충 등을 포함할 수 있다. 일부 실시예에서, 각각의 근본 원인은, 근본 원인 해결 특유의 하나 이상의 완화 액션과 미리연관될 수 있다. 추가적으로 또는 대안으로서, 근본 원인 분석기는 취급법이 적용되는 동안 더 많은 정보를 획득하기 위해 수행될 하나 이상의 실험실 테스트를 제안할 수 있다.
근본 원인 분석기(950)는 각각의 후보 근본 원인과 연관된 확률을 결정하고 확률들을 미리정의된 임계값과 비교함으로써 하나 이상의 근본 원인을 식별할 수 있다. 식별된 각각의 근본 원인에 대해 시스템은 근본 원인을 해결하기 위해 연관된 하나 이상의 완화 액션을 결정할 수 있다.
일부 실시예에서, 시스템은, 근본 원인이 해결되지 않은 경우와 일부 완화 액션이 취해진 경우에 대해 예상되는 식물 성장 궤적들을 비교함으로써 식물에 대한 특정한 완화 액션의 효과 또는 중요성을 예측할 수 있다. 예를 들어, 시스템은, 완화 액션이 취해지면 미래 시간에 대한 예측된 출력 피처들을 획득하기 위해 완화 액션에 관련된 정보뿐만 아니라 식물의 입력 피처들을 예측 모델(930)에 제공할 수 있다. 완화 액션이 식물에 관해 적용되지 않는다는 가정 하에 이들 예측된 출력 피처들은 예측된 출력 피처들과 비교될 수 있다. 출력 피처들에서의 차이들(예컨대, 판매가능한 과일들에서의 차이, 꽃 수에서의 차이)을 이용하여 완화 액션의 효과 또는 중요성을 평가할 수 있다. 예를 들어, 비교들을 통해, 바이러스 근본 원인이 해결되지 않으면 식물이 한 달 내에 죽을 것이지만, 조명 근본 원인이 해결되지 않으면 식물은 한 달 안에 스스로 회복될 수 있다는 사실이 드러날 수 있다.
근본 원인 분석기는 하나 이상의 머신 학습 모델을 포함할 수 있다. 일부 실시예에서, 근본 원인 분석기는, 후보 근본 원인 세트를 출력하는 지도 머신 학습 모델(supervised machine learning model), 입력 조건들에 기초하여 후보 근본 원인들을 출력하는 결정 트리(decision tree), 식물의 현재 상태를 초래할 수 있는 다양한 조건(예컨대, 낮은 관개, 질병 등)을 시뮬레이션하는 식물 성장 시뮬레이터, 재배자가 어떤 것을 근본 원인으로서 표시했을 것임을 모방하는 모방 학습 모듈, 또는 이들의 임의의 조합을 포함할 수 있다. 일부 실시예에서, 모델들은 ML 모듈들(240)의 일부이다.
도 9를 참조하면, 근본 원인 분석기(950)가 근본 원인들 및 완화 액션들을 식별한 후, 시스템은 작업 지시 생성기(960)를 이용하여 작업 지시를 생성할 수 있다. 일부 실시예에서, 작업 지시 생성기는 입력으로서 다음과 같은 것들을 수신할 수 있다: 피처들(902-912), 식별된 근본 원인들, 대응하는 완화 액션들, 생산 계획에 따라 요구되는 성장 궤적, 근본 원인 분석기(950)에 의해 결정된 예측된 식물 성장 궤적들, 각각의 완화 액션과 연관된 비용 및 이점, 또는 이들의 임의의 조합.
작업 지시 생성기(960)는, 관개 스케쥴 또는 영양분(타겟화된 또는 전역적인)의 변경, 타겟화된 비료 또는 살충제의 인가, 식물의 제거, 새로운 식물의 이식, 지속적인 모니터링, 실험실 테스트 등을 포함한, 타겟 식물들에 대한 취급법들을 처방하는 각각의 식물에 대한 하나 이상의 작업 지시를 출력할 수 있다. 일부 실시예에서, 시스템은 작업 지시(들)가 구현되면 예측 모델(930)을 이용하여 식물의 성장 궤적을 예측할 수 있다.
작업 지시 생성기는 작업 지시들을 생성하도록 구성된 하나 이상의 머신 학습 모델을 포함할 수 있다. 일부 실시예에서, 작업 지시 생성기는, 재배자가 처방했을 것을 모방하도록 학습하는 지도 학습 또는 모방 학습 모델, 생산 계획 궤적과 가능한 한 신속하게 일치하도록 출력 성장 궤적을 최적화하는 강화 학습 모델, 입력들에 기초하여 작업 지시 세트를 출력하는 의사 결정 트리, 또는 이들의 임의의 조합을 포함할 수 있다. 일부 실시예에서, 작업 지시 생성기는, 트리 구조가 전문 재배자들에 의해 초기에 제안될 수 있고 작물 수확량을 최대화하고 해충 문제 등의 임의의 잠재적인 생산 위험을 최소화하도록 실험들을 통해 가중치들이 튜닝되는 가중된 결정 트리를 포함한다. 일부 실시예에서, 모델들은 ML 모듈들(240)의 일부일 수 있다.
도 9를 참조하면, 작업 지시들이 생성된 후, 시스템은 보고 모듈(970)을 이용하여 식물이 건강하지 않거나, 궤적에 비해 지체되거나, 예상대로 회복되지 않는다는 표시를 출력할 수 있다. 시스템은 또한, 데이터세트들(902-912)의 임의의 부분, 데이터세트들(934)의 임의의 부분, 비교들(942-946)의 임의의 부분, 근본 원인 분석기에 의한 결과들, (예측된 회복 성장 궤적 등의) 작업 지시 생성기에 의한 결과들, 또는 이들의 임의의 조합 등의, 전술된 분석들의 임의의 결과들을 보고할 수 있다. 일부 실시예에서, 보고 모듈(970)은 재배자 대시보드 보고 모듈(242)일 수 있다. 일부 실시예에서, 작업 지시들은 인간 작업자에 의해 검토되고 조정될 수 있다.
시스템은, 본 명세서에 설명된 바와 같이, 하나 이상의 로봇(예컨대, 로봇(112)), 한 명 이상의 재배자, 또는 이들의 조합을 이용하여 작업 지시들을 실행할 수 있다. 예를 들어, 로봇 작업 스케쥴러(222)는 작업 지시들에 기초하여 로봇들(112)에 의해 수행될 다양한 작업을 결정한다. 로봇 작업 스케쥴러(222)는 또한, 가용 로봇들(112) 간에 작업들을 스케쥴링한다. 예를 들어, 작업들은, 수확, 모니터링, 운송 및 농장이나 온실 동작들과 관련된 기타의 작업들을 포함한다. 또 다른 예로서, 재배자 작업 스케쥴러(224)는 작업 지시들에 기초하여 인간 작업자(예컨대, 재배자)에 의해 수행될 다양한 작업을 결정한다. 재배자 작업 스케쥴러(224)는 또한, 가용 재배자들 간에 작업들을 스케쥴링한다. 일부 실시예에서, 재배자 작업 스케쥴러(224)는 인간의 노동 스케쥴에 맞게 적합화되고 그에 따라 작업들의 스케쥴링 및 농장 또는 온실의 다른 동작들을 제한한다.
여기서 설명된 시스템을 이용하면, 인간의 노력과 개입을 최소화하면서 온실을 효율적으로 관리할 수 있다. 이 시스템은 온실내 식물들을 면밀하고 지속적으로 모니터링하고, 식물별로 지속적인 건강 문제들을 검출하며, 비용, 이익 및 생산 목표들을 고려하여 적절한 취급 옵션들을 지능적으로 식별하고, 자율적인 방식으로 로봇들을 이용하여 취급법들을 실시할 수 있다. 따라서, 시스템은 지속가능한 방식으로 재배된 과일들과 채소들을 제공하도록 설계된 모듈식의 자율 온실들을 제공한다. 온실들은 주요 도시 근처에서 동작되어 짧고 효율적인 공급망들을 생성하여 신선한 과일들을 어디에서나 쉽게 이용할 수 있도록 보장함으로써, 소비자가 신선한 식품들에 접근할 수 있게 한다.
도 12는 일부 실시예에 따른 식물 건강을 예측하고 관리하기 위한 예시적인 프로세스(1200)를 나타낸다. 프로세스(1200)는, 예를 들어 소프트웨어 플랫폼을 구현하는 하나 이상의 전자 디바이스를 이용하여 수행된다. 일부 예에서, 프로세스(1200)는 클라이언트-서버 시스템을 이용하여 수행되고, 프로세스(1200)의 블록들은 서버와 하나 이상의 클라이언트 디바이스 사이에서 임의의 방식으로 분할된다. 따라서, 프로세스(1200)의 부분들이 클라이언트-서버 시스템의 특정한 디바이스들에 의해 수행되는 것으로 본 명세서에서 설명되지만, 프로세스(1200)는 그렇게 제한되지 않는다는 것을 이해할 것이다. 다른 예들에서, 프로세스(1200)는 하나의 클라이언트 디바이스만을 이용하거나 다수의 클라이언트 디바이스만을 이용하여 수행된다. 프로세스(1200)에서, 일부 블록은, 선택사항으로서, 결합되고, 일부 블록의 순서는, 선택사항으로서, 변경되며, 일부 블록은, 선택사항으로서, 생략된다. 일부 예에서, 프로세스(1200)와 조합하여 추가 단계들이 수행될 수 있다. 따라서, 예시된(그리고 아래에서 더 상세히 설명되는) 동작들은 본질적으로 예시적이며 제한적인 것으로 간주되어서는 안 된다.
블록 1202에서, 한 예시적인 시스템(예컨대, 하나 이상의 전자 디바이스)은 식물과 연관된 데이터를 수신하며, ―여기서, 데이터는 온실 내의 하나 이상의 센서를 이용하여 적어도 부분적으로 획득됨―; 블록 1204에서, 시스템은 수신된 데이터를 훈련된 머신 학습 예측 모델에 제공하여: 현재 시간에 대응하는 식물의 제1 세트의 건강 예측들; 및 미래 시간에 대응하는 식물의 제2 세트의 건강 예측들을 획득한다; 블록 1206에서, 시스템은 제1 세트의 건강 예측들 및 현재 시간에서의 식물의 관찰된 건강에 기초한 제1 비교, 및 제2 세트의 건강 예측들 및 식물의 미래 생산 목표에 기초한 제2 비교에 기초하여 식물이 건강하지 않은지 또는 성장 궤적에 비해 지체되는지를 결정한다; 블록 1208에서, 식물이 건강하지 않거나 성장 궤적에 비해 지체되는 경우, 시스템은 식물에 대한 하나 이상의 취급법을 식별하고; 블록 1210에서, 시스템은 식물에 대해 하나 이상의 취급법을 실시하기 위해 온실 내의 하나 이상의 로봇을 제어한다.
일부 실시예에서, 하나 이상의 취급법은: 식물에 비료 인가, 식물에 살충제 인가, 온실로부터 식물 제거, 해당 식물을 대체하는 새로운 식물 이식, 식물에 대한 실험실 테스트 수행, 식물에 관한 데이터 수집, 식물에 대한 관개 설정들의 업데이트, 식물에 대한 영양분 설정들의 업데이트, 또는 이들의 임의의 조합을 포함한다.
일부 실시예에서, 훈련된 예측 모델은, 지도 머신 학습 모델, 멀티-모달 Gaussian 프로세스 회귀 모델, 비선형 회귀 모델, 프로세스-구동형 모델, 잔차 기반의 머신 학습 모델, 가중치 기반의 머신 학습 모델, 생성적-적대적 머신 학습 모델, 또는 이들의 임의의 조합을 포함한다.
일부 실시예에서, 식물의 제1 세트의 건강 예측들은, 수신된 데이터에 기초하여 복수의 이력 피처 값을 획득하고; 및 식물의 제1 세트의 건강 예측들을 획득하기 위해 훈련된 예측 모델에 복수의 이력 피처 값을 제공함으로써 획득된다.
일부 실시예에서, 복수의 이력 피처 값은 식물에 대한 이력 취급법에 관련된 정보를 포함한다.
일부 실시예에서, 식물의 제2 세트의 건강 예측들은, 수신된 데이터에 기초하여 복수의 이력 피처 값을 획득하고; 수신된 데이터에 기초하여 복수의 현재 피처 값을 획득하고; 제2 세트의 건강 예측들을 획득하기 위해 복수의 이력 피처 값 및 복수의 현재 피처 값을 훈련된 예측 모델에 제공함으로써 획득된다.
일부 실시예에서, 식물이 건강하지 않은지 또는 성장 궤적에 비해 지체되는지를 결정하는 것은 또한, 제1 세트의 건강 예측들 및 식물의 미래 생산 목표에 기초한 비교에 기초한다.
일부 실시예에서, 제1 세트의 건강 예측들 및 제2 세트의 건강 예측들은 복수의 출력 피처에 관한 것이다.
일부 실시예에서, 복수의 출력 피처는, 판매가능한 수확량, 꽃 수, 판매가능한 과일 수, 과일의 중량, 꽃 대 과일 전환 비율, 캐노피 높이, 줄기 길이, 바이오매스, 잎의 수, 잎 면적 지수, 또는 이들의 임의의 조합을 포함한다.
일부 실시예에서, 식물에 대한 하나 이상의 취급법을 식별하는 것은, 제1 비교 및/또는 제2 비교에 기초하여 복수의 출력 피처로부터 출력 피처들의 서브세트를 식별하는 것; 하나 이상의 근본 원인을 획득하기 위해 훈련된 머신 학습 근본 원인 분석 모델에 출력 피처들의 서브세트에 관련된 정보를 제공하는 것; 하나 이상의 근본 원인에 기초하여 하나 이상의 완화 액션을 식별하는 것; 및 하나 이상의 취급법을 획득하기 위해 훈련된 머신 학습 작업 지시 모델에 하나 이상의 완화 액션에 관련된 정보를 제공하는 것을 포함한다.
일부 실시예에서, 훈련된 머신 학습 근본 원인 분석 모델은 복수의 근본 원인과 연관된 복수의 확률을 출력하도록 구성된다.
일부 실시예에서, 하나 이상의 근본 원인은 복수의 확률에 기초하여 식별된다.
일부 실시예에서, 훈련된 머신 학습 근본 원인 분석 모델은, 지도 모델, 결정 트리, 식물 성장 시뮬레이터, 모방 학습 모델, 또는 이들의 임의의 조합을 포함한다.
일부 실시예에서, 훈련된 머신 학습 작업 지시 모델은, 지도 모델, 모방 모델, 강화 모델, 결정 트리, 또는 이들의 임의의 조합을 포함한다.
일부 실시예에서, 이 방법은, 예측 모델을 이용하여, 하나 이상의 완화 액션의 효과를 평가하는 단계를 더 포함한다.
일부 실시예에서, 이 방법은, 온실 내의 이웃 식물의 하나 이상의 건강 예측에 기초하여 식물의 제1 세트의 건강 예측들을 조정하는 단계를 더 포함한다.
일부 실시예에서, 수신된 데이터는, 복수의 식물 특유의 피처, 복수의 미기후 섹션 피처, 복수의 관개 섹션 피처, 복수의 작업 섹션 피처, 식물의 하나 이상의 이미지, 또는 이들의 임의의 조합에 관련된 정보를 포함한다.
일부 실시예에서, 이 방법은, 식물이 건강하고 성장 궤적을 추종하는 경우, 식물에 대한 성장 계획을 최적화하는 단계, 식물에 기존 취급법을 적용하는 단계, 식물을 모니터링하는 단계, 식물을 가지치기하는 작업 지시를 생성하는 단계, 또는 이들의 임의의 조합을 더 포함한다.
일부 실시예에서, 식물과 연관된 데이터는 로봇을 이용하여 또는 하나 이상의 사용자 입력에 기초하여 적어도 부분적으로 획득된다.
일부 실시예에서, 이 방법은, 식물이 건강하지 않거나 성장 궤적에 비해 지체되는 경우 인간 작업자에게 하나 이상의 작업을 할당하는 단계를 더 포함한다.
온실 내의 식물에 하나 이상의 취급법을 실시하기 위한 한 예시적인 시스템은, 하나 이상의 프로세서; 메모리; 및 하나 이상의 프로그램을 포함하며, 여기서, 하나 이상의 프로그램은 메모리에 저장되고 하나 이상의 프로세서에 의해 실행되도록 구성되며, 하나 이상의 프로그램은: 식물과 연관된 데이터를 수신하고, ―여기서, 데이터는 온실 내의 하나 이상의 센서를 이용하여 적어도 부분적으로 획득됨―; 수신된 데이터를 훈련된 머신 학습 예측 모델에 제공하여: 현재 시간에 대응하는 식물의 제1 세트의 건강 예측들; 및 미래 시간에 대응하는 식물의 제2 세트의 건강 예측들을 획득하고; 제1 세트의 건강 예측들 및 현재 시간에서의 식물의 관찰된 건강에 기초한 제1 비교, 및 제2 세트의 건강 예측들 및 식물의 미래 생산 목표에 기초한 제2 비교에 기초하여 식물이 건강하지 않은지 또는 성장 궤적에 비해 지체되는지를 결정하고; 식물이 건강하지 않거나 성장 궤적에 비해 지체되는 경우, 식물에 대한 하나 이상의 취급법을 식별하고; 식물에 대해 하나 이상의 취급법을 실시하기 위해 온실 내의 하나 이상의 로봇을 제어하기 위한 명령어들을 포함한다.
한 예시적인 비일시적인 컴퓨터 판독가능한 저장 매체는 온실 내의 식물에 대해 하나 이상의 취급법을 실시하기 위한 하나 이상의 프로그램을 저장하고, 하나 이상의 프로그램은 명령어들을 포함하고, 명령어들은 전자 디바이스의 하나 이상의 프로세서에 의해 실행될 때, 전자 디바이스로 하여금: 식물과 연관된 데이터를 수신하고, ―여기서, 데이터는 온실 내의 하나 이상의 센서를 이용하여 적어도 부분적으로 획득됨―; 수신된 데이터를 훈련된 머신 학습 예측 모델에 제공하여: 현재 시간에 대응하는 식물의 제1 세트의 건강 예측들; 및 미래 시간에 대응하는 식물의 제2 세트의 건강 예측들을 획득하고; 제1 세트의 건강 예측들 및 현재 시간에서의 식물의 관찰된 건강에 기초한 제1 비교, 및 제2 세트의 건강 예측들 및 식물의 미래 생산 목표에 기초한 제2 비교에 기초하여 식물이 건강하지 않은지 또는 성장 궤적에 비해 지체되는지를 결정하고; 식물이 건강하지 않거나 성장 궤적에 비해 지체되는 경우, 식물에 대한 하나 이상의 취급법을 식별하고; 식물에 대해 하나 이상의 취급법을 실시하기 위해 온실 내의 하나 이상의 로봇을 제어하게 한다.
컴퓨팅 머신 아키텍쳐
도 8은, 머신 판독가능한 매체로부터 명령어들을 판독하고 이들을 프로세서(또는 제어기)에서 실행할 수 있는 한 예시적인 머신의 컴포넌트들을 나타내는 블록도이다. 구체적으로, 도 8은, 머신으로 하여금 본 명세서에서 논의된 방법론들 중 임의의 하나 이상을 수행하게 하기 위한 명령어들(824)(예컨대, 소프트웨어)이 실행될 수 있는 예시적인 컴퓨터 시스템(800) 형태의 머신의 도식적 표현을 도시한다. 대안적 실시예들에서, 머신은 독립형 디바이스(standalone device)로서 동작하거나 다른 머신들에 접속(예를 들어, 네트워킹)될 수 있다. 네트워킹된 배치에서, 머신은, 서버-클라이언트 네트워크 환경에서의 서버 머신 또는 클라이언트 머신의 용량에서 동작하거나, 피어-투-피어(또는 분산형) 네트워크 환경에서의 피어 머신으로서 동작할 수 있다.
머신은, 서버 컴퓨터, 클라이언트 컴퓨터, 개인용 컴퓨터(PC), 태블릿 PC, 셋탑 박스(STB), PDA(personal digital assistant), 셀룰러 전화, 스마트폰, 웹 어플라이언스, 네트워크 라우터, 스위치 또는 브릿지, 또는 머신에 의해 취해질 액션들을 명시하는 명령어들(824)을 실행할 수 있는(순차적 또는 기타의 방식) 임의의 머신일 수 있다. 또한, 단 하나의 머신이 예시되어 있지만, "머신"이라는 용어는 또한, 여기서 논의된 방법론들 중 임의의 하나 이상을 수행하기 위해 명령어들(824)을 개별적으로 또는 공동으로 실행하는 머신들의 임의의 집합체를 포함하는 것으로 간주되어야 한다.
예시적인 컴퓨터 시스템(800)은, 버스(808)를 통해 서로 통신하도록 구성된, 프로세서(802)(예컨대, 하나 이상의 중앙 처리 유닛(CPU), 하나 이상의 그래픽 처리 유닛(GPU), 디지털 신호 프로세서(DSP), 하나 이상의 주문형 집적 회로(ASIC), 하나 이상의 무선 주파수 집적 회로(RFIC), 또는 이들의 임의의 조합), 메인 메모리(804), 및 정적 메모리(806)를 포함한다. 컴퓨터 시스템(800)은, 그래픽 디스플레이 유닛(810)(예컨대, 플라즈마 디스플레이 패널(PDP), 액정 디스플레이(LCD), 프로젝터, 또는 음극선관(CRT))을 더 포함할 수 있다. 컴퓨터 시스템(800)은 또한, 버스(808)를 통해 통신하도록 역시 구성된, 영숫자 입력 디바이스(812)(예컨대, 키보드), 커서 제어 디바이스(814)(예컨대, 마우스, 트랙볼, 조이스틱, 움직임 센서, 또는 기타의 포인팅 도구), 저장 유닛(816), 신호 생성 디바이스(818)(예컨대, 스피커), 및 네트워크 인터페이스 디바이스(820)를 포함할 수 있다.
저장 유닛(816)은, 여기서 설명된 방법론들 또는 기능들 중 임의의 하나 이상을 구현하는 명령어들(824)(예컨대, 소프트웨어)이 저장된 머신 판독가능한 매체(822)를 포함한다. 명령어들(824)(예컨대, 소프트웨어)은 컴퓨터 시스템(800)에 의해 실행되는 동안 메인 메모리(804) 내에 또는 프로세서(802) 내에(예컨대, 프로세서의 캐시 메모리 내에) 완전히 또는 적어도 부분적으로 상주할 수도 있고, 메인 메모리(804)와 프로세서(802)는 또한 머신 판독가능한 매체를 구성한다. 명령어들(824)(예컨대, 소프트웨어)은 네트워크 인터페이스 디바이스(820)를 이용해 네트워크(826)를 통해 전송되거나 수신될 수 있다.
머신 판독가능한 매체(822)가 한 예시적인 실시예에서 단일 매체인 것으로 도시되어 있지만, "머신 판독가능한 매체"라는 용어는 명령어들(예컨대, 명령어들(824))을 저장할 수 있는 단일 매체 또는 다수의 매체(예컨대, 중앙집중형 또는 분산형 데이터베이스, 또는 연관된 캐시들 및 서버들)를 포함하는 것으로 간주되어야 한다. "머신 판독가능한 매체"라는 용어는 또한, 머신에 의한 실행을 위한 명령어들(예컨대 명령어들(824))을 저장할 수 있고 머신으로 하여금 여기서 개시된 방법론들 중 임의의 하나 이상을 수행하게 하는 임의의 매체를 포함하는 것으로 간주되어야 한다. "머신 판독가능한 매체"라는 용어는, 고체-상태 메모리들, 광학 매체, 및 자기 매체 형태의 데이터 저장소들을 포함하지만 이것으로 제한되는 것은 아니다.
추가 구성 고려사항들
본 명세서 전체를 통해, 복수의 인스턴스는, 단일 인스턴스로서 설명된 컴포넌트들, 동작들 또는 구조들을 구현할 수 있다. 하나 이상의 방법의 개개의 동작들이 별개의 동작들로서 예시되고 설명되지만, 개개의 동작들 중 하나 이상은 동시에 수행될 수 있고, 동작들이 예시된 순서로 수행될 필요는 없다. 예시적인 구성에서 별개의 컴포넌트들로서 제시된 구조 및 기능은 결합된 구조 또는 컴포넌트로서 구현될 수 있다. 유사하게, 단일 컴포넌트로서 제시된 구조 및 기능은 별개의 컴포넌트들로서 구현될 수 있다. 이들 및 다른 변형, 수정, 추가 및 개선은 본 명세서의 주제의 범위 내에 있다.
소정 실시예들은, 여기서 로직 또는 다수의 컴포넌트, 모듈 또는 메커니즘을 포함하는 것으로서 설명된다. 모듈들은, 소프트웨어 모듈들(예컨대, 머신 판독가능한 매체 상에 또는 전송 신호로 구현된 코드) 또는 하드웨어 모듈들을 구성할 수 있다. "하드웨어 모듈"은, 소정의 동작을 수행할 수 있는 유형 유닛(tangible unit)이며, 소정의 방식으로 구성되거나 배열될 수 있다. 예시적인 실시예들에서, 하나 이상의 컴퓨터 시스템(예컨대, 독립형, 클라이언트 또는 서버 컴퓨터 시스템) 또는 컴퓨터 시스템의 하나 이상의 하드웨어 모듈(예컨대, 프로세서 또는 프로세서 그룹)은, 소프트웨어(예컨대, 애플리케이션 또는 애플리케이션 부분)에 의해 여기서 설명된 소정의 동작들을 수행하도록 동작하는 하드웨어 모듈로서 구성될 수 있다.
다양한 실시예에서, 하드웨어 모듈은 기계적으로 또는 전자적으로 구현될 수 있다. 예를 들어, 하드웨어 모듈은, (예컨대, 필드 프로그래머블 게이트 어레이(FPGA) 또는 주문형 집적 회로(ASIC) 등의 특별-목적 프로세서로서) 소정 동작들을 수행하도록 영구적으로 구성된 전용 회로 또는 로직을 포함할 수 있다. 하드웨어 모듈은 또한, 소정 동작들을 수행하도록 소프트웨어에 의해 일시적으로 구성된 (예컨대, 범용 프로세서 또는 기타의 프로그램가능한 프로세서 내에 포함되는) 프로그램가능한 로직 또는 회로를 포함할 수 있다. 기계적으로, 전용 및 영구적으로 구성된 회로로, 또는 일시적으로 구성된 회로(예컨대, 소프트웨어에 의해 구성됨)로 하드웨어 모듈을 기계적으로 구현하려는 결정은, 비용 및 시간 고려사항들에 의해 유도될 수 있다는 것을 이해할 것이다.
여기서 설명된 예시적인 방법들의 다양한 동작들은, 적어도 부분적으로, 관련 동작들을 수행하도록 (예를 들어, 소프트웨어에 의해) 일시적으로 구성되거나 영구적으로 구성된 하나 이상의 프로세서에 의해 수행될 수 있다. 일시적으로 또는 영구적으로 구성되어 있는지에 관계없이, 이러한 프로세서들은 하나 이상의 동작 또는 기능을 수행하도록 동작하는 프로세서-구현된 모듈들을 구성할 수 있다. 여기서 언급되는 모듈들은, 일부 예시적인 실시예들에서, 프로세서-구현된 모듈들을 포함할 수 있다.
하나 이상의 프로세서는 또한, "클라우드 컴퓨팅" 환경에서 관련 동작들의 수행을 지원하도록 또는 "서비스로서의 소프트웨어"(SaaS; software as a service)로서 동작할 수 있다. 예를 들어, 동작들 중 적어도 일부는, (프로세서들을 포함하는 머신들의 예들로서의) 컴퓨터들의 그룹에 의해 수행될 수 있고, 이들 동작들은 네트워크(예컨대, 인터넷) 및 하나 이상의 적절한 인터페이스(예컨대, 애플리케이션 프로그램 인터페이스(API))를 통해 액세스가능하다.
소정 동작들의 수행은, 단일 머신 내에 존재할 뿐만 아니라 다수의 머신들에 걸쳐 배치된, 하나 이상의 프로세서들 사이에서 분산될 수 있다. 일부 예시적인 실시예에서, 하나 이상의 프로세서 또는 프로세서-구현된 모듈은 단일의 지리적 위치에(예컨대, 가정 환경, 사무실 환경, 또는 서버 팜 내에) 위치할 수 있다. 다른 예시적인 실시예들에서, 하나 이상의 프로세서 또는 프로세서-구현된 모듈은 다수의 지리적 위치에 걸쳐 분산될 수 있다.
본 명세서의 몇몇 부분은 머신 메모리(예를 들어, 컴퓨터 메모리) 내에 비트 또는 2진 디지털 신호로서 저장된 데이터에 관한 동작의 알고리즘 또는 심볼 표현의 관점에서 제시된다. 이들 알고리즘 또는 심볼 표현은 데이터 처리 분야의 통상의 기술자가 다른 통상의 기술자에게 그들의 작업의 본질을 전달하기 위해 이용되는 기술의 예이다. 본 명세서에서 사용될 때, "알고리즘"은 원하는 결과로 이어지는 일관성 있는 동작 시퀀스 또는 유사한 처리이다. 이 문맥에서, 알고리즘 및 동작은 물리량의 물리적 조작을 수반한다. 반드시는 아니지만 전형적으로, 이러한 수량은, 머신에 의해 저장, 액세스, 전송, 결합, 비교, 또는 기타의 방식으로 조작될 수 있는 전기, 자기, 또는 광학 신호의 형태를 취할 수 있다. 주로 일반적 이용 때문에, 이러한 신호를, "데이터", "콘텐츠", "비트", "값", "요소", "심볼", "캐릭터", "항", "숫자", "수치" 등의 용어를 이용하여 지칭하는 것이 때때로 편리하다. 그러나, 이들 용어는 편리한 라벨일 뿐이고 적절한 물리량과 연관될 것이다.
특별히 달리 언급되지 않는 한, "처리", "컴퓨팅", "계산", "결정", "프리젠팅", "디스플레이" 등의 단어를 이용한 여기서의 논의들은, 하나 이상의 메모리(예컨대, 휘발성 메모리, 비휘발성 메모리, 또는 그 임의의 조합), 레지스터들, 또는 정보를 수신, 저장, 전송, 또는 디스플레이하는 다른 머신 컴포넌트들 내의 물리적(예컨대, 전자적, 자기적, 또는 광학적) 양으로서 표현된 데이터를 조작 또는 변환하는 머신(예컨대, 컴퓨터)의 액션들 또는 프로세스들을 지칭할 수 있다.
여기서 사용될 때, "하나의 실시예" 또는 "한 실시예'라는 임의의 언급은, 그 실시예와 관련하여 기술되는 특정한 요소, 피처, 구조, 또는 특성이 적어도 하나의 실시예에 포함된다는 것을 의미한다. 명세서의 다양한 곳에서의 문구 "한 실시예에서"의 등장은 반드시 모두가 동일한 실시예를 지칭하는 것은 아니다.
일부 실시예들은 "결합된" 및 "접속된"이라는 표현과 함께 그들의 파생어들을 이용하여 설명될 수 있다. 예를 들어, 일부 실시예는 2개 이상의 요소들이 직접 물리적 또는 전기적으로 접촉한다는 것을 나타내기 위해 용어 "결합된"을 사용하여 설명될 수 있다. 그러나, 용어 "결합된"은 또한, 2개 이상의 요소가 서로 직접 접촉하지 않지만, 여전히 서로 협력하거나 상호작용한다는 것을 의미할 수도 있다. 실시예들은 이 맥락에서 제한되지 않는다.
여기서 사용될 때, 용어들 "포함한다", "포함하는", "내포한다", "내포하는", "가진다", "갖는" 또는 기타 임의의 그 변형은 비배타적 포함을 포괄하기 위한 의도이다. 예를 들어, 요소들의 리스트를 포함하는 프로세스, 방법, 물품, 또는 장치는 반드시 열거된 이들 요소들로 제한되는 것이 아니라 명시적으로 열거되지 않거나 이러한 프로세스, 방법, 물품, 또는 장치에 고유한 다른 요소들을 포함할 수도 있다. 또한, 명시적으로 상반되게 언급하지 않는 한, "또는"이란 포함적 또는(inclusive or)을 말하고 배타적 또는(exclusive or)을 말하는 것은 아니다. 예를 들어, 조건 A 또는 B는 다음 중 임의의 하나를 만족한다: A가 참(또는 존재)이고 B가 거짓(또는 존재하지 않음), A가 거짓(또는 존재하지 않음)이고 B는 참(또는 존재), 및 A와 B 양쪽 모두가 참(또는 존재).
또한, "한(a)" 또는 "한(an)"의 사용은 본 명세서의 실시예들의 요소들 및 구성요소들을 설명하기 위해 채용된 것이다. 이것은 단지 편의를 위해 및 본 발명의 일반적인 의미를 제공하기 위해 이루어진 것이다. 본 설명은 하나 또는 적어도 하나를 포함하는 것으로 읽어야 하며, 달리 의미하는 것이 명백하지 않는 한 단수형은 복수형도 포함한다.
예시적인 실시예들
제공된 실시예들 중에는 다음과 같은 것들이 있다:
실시예 1. 온실 내의 식물에 하나 이상의 취급법을 실시하기 위한 컴퓨터로 구현된 방법으로서,
상기 식물과 연관된 데이터를 수신하는 단계, ―상기 데이터는 상기 온실 내의 하나 이상의 센서를 이용하여 적어도 부분적으로 획득됨―;
현재 시간에 대응하는 상기 식물의 제1 세트의 건강 예측들; 및
미래 시간에 대응하는 상기 식물의 제2 세트의 건강 예측들
을 획득하기 위해 상기 수신된 데이터를 훈련된 머신 학습 예측 모델에 제공하는 단계;
상기 제1 세트의 건강 예측들과 상기 현재 시간에서의 상기 식물의 관찰된 건강에 기초한 제1 비교, 및
상기 제2 세트의 건강 예측들과 상기 식물의 미래 생산 목표에 기초한 제2 비교에 기초하여, 상기 식물이 건강하지 않은지 또는 성장 궤적에 비해 지체되는지를 결정하는 단계;
상기 식물이 건강하지 않거나 상기 성장 궤적에 비해 지체되는 경우, 상기 식물에 대한 상기 하나 이상의 취급법을 식별하는 단계; 및
상기 식물에 대해 상기 하나 이상의 취급법을 실시하기 위해 상기 온실 내의 하나 이상의 로봇을 제어하는 단계를 포함하는 방법.
실시예 2. 제1 실시예에 있어서, 상기 하나 이상의 취급법은, 상기 식물에 비료 인가, 상기 식물에 살충제 인가, 상기 온실로부터 상기 식물 제거, 상기 식물을 대체하는 새로운 식물 이식, 상기 식물에 대한 실험실 테스트 수행, 상기 식물에 관한 데이터 수집, 상기 식물에 대한 관개 설정들의 업데이트, 상기 식물에 대한 영양분 설정들의 업데이트, 또는 이들의 임의의 조합을 포함하는, 방법.
실시예 3. 제1 실시예 또는 제2 실시예에 있어서, 상기 훈련된 예측 모델은, 지도 머신 학습 모델, 멀티-모달 Gaussian 프로세스 회귀 모델, 비선형 회귀 모델, 프로세스-구동형 모델, 잔차 기반의 머신 학습 모델, 가중치 기반의 머신 학습 모델, 생성적-적대적 머신 학습 모델, 또는 이들의 임의의 조합을 포함하는, 방법.
실시예 4. 제1 실시예 내지 제3 실시예 중 어느 한 실시예에 있어서, 상기 식물의 상기 제1 세트의 건강 예측들은,
상기 수신된 데이터에 기초하여 복수의 이력 피처 값을 획득하고;
상기 식물의 상기 제1 세트의 건강 예측들을 획득하기 위해 상기 훈련된 예측 모델에 복수의 이력 피처 값을 제공함으로써 획득되는, 방법.
실시예 5. 제4 실시예에 있어서, 상기 복수의 이력 피처 값은 상기 식물에 대한 이력 취급법에 관련된 정보를 포함하는, 방법.
실시예 6. 제1 실시예 내지 제4 실시예 중 어느 한 실시예에 있어서, 상기 식물의 상기 제2 세트의 건강 예측들은,
상기 수신된 데이터에 기초하여 복수의 이력 피처 값을 획득하고;
상기 수신된 데이터에 기초하여 복수의 현재 피처 값을 획득하고;
상기 제2 세트의 건강 예측들을 획득하기 위해 상기 훈련된 예측 모델에 복수의 이력 피처 값과 복수의 현재 피처 값을 제공함으로써 획득되는, 방법.
실시예 7. 제1 실시예 내지 제6 실시예 중 어느 한 실시예에 있어서, 상기 식물이 건강하지 않은지 또는 상기 성장 궤적에 비해 지체되는지를 결정하는 단계는 또한, 상기 제1 세트의 건강 예측들 및 상기 식물의 미래 생산 목표에 기초한 비교에 기초하는, 방법.
실시예 8. 제1 실시예 내지 제7 실시예 중 어느 한 실시예에 있어서, 상기 제1 세트의 건강 예측들 및 상기 제2 세트의 건강 예측들은 복수의 출력 피처에 관한 것인, 방법.
실시예 9. 제8 실시예에 있어서, 상기 복수의 출력 피처는, 판매가능한 수확량, 꽃 수, 판매가능한 과일 수, 과일의 중량, 꽃 대 과일 전환 비율, 캐노피 높이, 줄기 길이, 바이오매스, 잎의 수, 잎 면적 지수, 또는 이들의 임의의 조합을 포함하는, 방법.
실시예 10. 제8 실시예 또는 제9 실시예에 있어서, 상기 식물에 대한 상기 하나 이상의 취급법을 식별하는 단계는,
상기 제1 비교 및/또는 상기 제2 비교에 기초하여 상기 복수의 출력 피처로부터 출력 피처들의 서브세트를 식별하는 단계;
하나 이상의 근본 원인을 획득하기 위해 훈련된 머신 학습 근본 원인 분석 모델에 상기 출력 피처들의 서브세트에 관련된 정보를 제공하는 단계;
상기 하나 이상의 근본 원인에 기초하여 하나 이상의 완화 액션을 식별하는 단계; 및
상기 하나 이상의 취급법을 획득하기 위해 훈련된 머신 학습 작업 지시 모델에 상기 하나 이상의 완화 액션에 관련된 정보를 제공하는 단계
를 포함하는, 방법.
실시예 11. 제10 실시예에 있어서, 상기 훈련된 머신 학습 근본 원인 분석 모델은 복수의 근본 원인과 연관된 복수의 확률을 출력하도록 구성된, 방법.
실시예 12. 제11 실시예에 있어서, 상기 하나 이상의 근본 원인은 상기 복수의 확률에 기초하여 식별되는, 방법.
실시예 13. 제10 실시예 내지 제12 실시예 중 어느 한 실시예에 있어서, 상기 훈련된 머신 학습 근본 원인 분석 모델은, 지도 모델, 결정 트리, 식물 성장 시뮬레이터, 모방 학습 모델, 또는 이들의 임의의 조합을 포함하는, 방법.
실시예 14. 제10 실시예 내지 제13 실시예 중 어느 한 실시예에 있어서, 상기 훈련된 머신 학습 작업 지시 모델은, 지도 모델, 모방 모델, 강화 모델, 결정 트리, 또는 이들의 임의의 조합을 포함하는, 방법.
실시예 15. 제10 실시예 내지 제14 실시예 중 어느 한 실시예에 있어서, 상기 예측 모델을 이용하여, 상기 하나 이상의 완화 액션의 효과를 평가하는 단계를 더 포함하는 방법.
실시예 16. 제1 실시예 내지 제15 실시예 중 어느 한 실시예에 있어서, 상기 온실 내의 이웃 식물의 하나 이상의 건강 예측에 기초하여 상기 식물의 상기 제1 세트의 건강 예측들을 조정하는 단계를 더 포함하는 방법.
실시예 17. 제1 실시예 내지 제6 실시예 중 어느 한 실시예에 있어서, 상기 수신된 데이터는, 복수의 식물 특유의 피처, 복수의 미기후 섹션 피처, 복수의 관개 섹션 피처, 복수의 작업 섹션 피처, 상기 식물의 하나 이상의 이미지, 또는 이들의 임의의 조합에 관련된 정보를 포함하는, 방법.
실시예 18. 제1 실시예 내지 제7 실시예 중 어느 한 실시예에 있어서, 상기 식물이 건강하고 상기 성장 궤적을 추종하는 경우, 상기 식물에 대한 성장 계획을 최적화하는 단계, 상기 식물에 기존 취급법을 적용하는 단계, 상기 식물을 모니터링하는 단계, 상기 식물을 가지치기하는 작업 지시를 생성하는 단계, 또는 이들의 임의의 조합을 더 포함하는 방법.
실시예 19. 제1 실시예 내지 제18 실시예 중 어느 한 실시예에 있어서, 상기 식물과 연관된 데이터는 로봇을 이용하여 또는 하나 이상의 사용자 입력에 기초하여 적어도 부분적으로 획득되는, 방법.
실시예 20. 제1 실시예 내지 제19 실시예 중 어느 한 실시예에 있어서, 상기 식물이 건강하지 않거나 상기 성장 궤적에 비해 지체되는 경우 인간 작업자에게 하나 이상의 작업을 할당하는 단계를 더 포함하는 방법.
실시예 21. 온실 내의 식물에 하나 이상의 취급법을 실시하기 위한 시스템으로서,
하나 이상의 프로세서;
메모리; 및
상기 메모리에 저장되고, 상기 하나 이상의 프로세서에 의해 실행되도록 구성된 하나 이상의 프로그램
을 포함하고, 상기 하나 이상의 프로그램은,
상기 식물과 연관된 데이터를 수신하고, ―상기 데이터는 상기 온실 내의 하나 이상의 센서를 이용하여 적어도 부분적으로 획득됨―;
현재 시간에 대응하는 상기 식물의 제1 세트의 건강 예측들; 및
미래 시간에 대응하는 상기 식물의 제2 세트의 건강 예측들
을 획득하기 위해 상기 수신된 데이터를 훈련된 머신 학습 예측 모델에 제공하고;
상기 제1 세트의 건강 예측들과 상기 현재 시간에서의 상기 식물의 관찰된 건강에 기초한 제1 비교, 및
상기 제2 세트의 건강 예측들과 상기 식물의 미래 생산 목표에 기초한 제2 비교에 기초하여, 상기 식물이 건강하지 않은지 또는 성장 궤적에 비해 지체되는지를 결정하고;
상기 식물이 건강하지 않거나 상기 성장 궤적에 비해 지체되는 경우, 상기 식물에 대한 상기 하나 이상의 취급법을 식별하고;
상기 식물에 대해 상기 하나 이상의 취급법을 실시하기 위해 상기 온실 내의 하나 이상의 로봇을 제어하기 위한 명령어들을 포함하는, 시스템.
실시예 22. 온실 내의 식물에 하나 이상의 취급법을 실시하기 위한 하나 이상의 프로그램을 저장한 비일시적인 컴퓨터 판독가능한 저장 매체로서, 상기 하나 이상의 프로그램은 명령어들을 포함하고, 상기 명령어들은 전자 디바이스의 하나 이상의 프로세서에 의해 실행될 때 상기 전자 디바이스로 하여금:
상기 식물과 연관된 데이터를 수신하고, ―상기 데이터는 상기 온실 내의 하나 이상의 센서를 이용하여 적어도 부분적으로 획득됨―;
현재 시간에 대응하는 상기 식물의 제1 세트의 건강 예측들; 및
미래 시간에 대응하는 상기 식물의 제2 세트의 건강 예측들
을 획득하기 위해 상기 수신된 데이터를 훈련된 머신 학습 예측 모델에 제공하고;
상기 제1 세트의 건강 예측들과 상기 현재 시간에서의 상기 식물의 관찰된 건강에 기초한 제1 비교, 및
상기 제2 세트의 건강 예측들과 상기 식물의 미래 생산 목표에 기초한 제2 비교에 기초하여, 상기 식물이 건강하지 않은지 또는 성장 궤적에 비해 지체되는지를 결정하고;
상기 식물이 건강하지 않거나 상기 성장 궤적에 비해 지체되는 경우, 상기 식물에 대한 상기 하나 이상의 취급법을 식별하고;
상기 식물에 대해 상기 하나 이상의 취급법을 실시하기 위해 상기 온실 내의 하나 이상의 로봇을 제어하게 하는, 비일시적인 컴퓨터 판독가능한 저장 매체.
본 개시내용의 판독시, 본 기술분야의 통상의 기술자라면 본 명세서에 개시된 원리를 통해 농장 또는 온실을 제어하기 위한 시스템 및 프로세스에 대한 또한 추가의 대안적인 구조적 및 기능적 설계들을 이해할 것이다. 따라서, 특정한 실시예와 응용이 예시되고 설명되었지만, 개시된 실시예는 여기서 개시된 정확히 그대로의 구조와 컴포넌트로 제한되지 않는다는 것을 이해할 것이다. 첨부된 청구항들에서 정의된 사상과 범위로부터 벗어나지 않고 여기서 개시된 방법 및 장치의 배열, 동작, 및 상세사항에서 본 기술분야의 통상의 기술자에게 명백한 다양한 수정, 변경, 변형이 이루어질 수 있다.
Claims (22)
- 온실 내의 식물에 하나 이상의 취급법을 실시하기 위한 컴퓨터로 구현된 방법으로서,
상기 식물과 연관된 데이터를 수신하는 단계, ―상기 데이터는 상기 온실 내의 하나 이상의 센서를 이용하여 적어도 부분적으로 획득됨―;
현재 시간에 대응하는 상기 식물의 제1 세트의 건강 예측들; 및
미래 시간에 대응하는 상기 식물의 제2 세트의 건강 예측들
을 획득하기 위해 상기 수신된 데이터를 훈련된 머신 학습 예측 모델에 제공하는 단계;
상기 제1 세트의 건강 예측들과 상기 현재 시간에서의 상기 식물의 관찰된 건강에 기초한 제1 비교, 및
상기 제2 세트의 건강 예측들과 상기 식물의 미래 생산 목표에 기초한 제2 비교에 기초하여, 상기 식물이 건강하지 않은지 또는 성장 궤적에 비해 지체되는지를 결정하는 단계;
상기 식물이 건강하지 않거나 상기 성장 궤적에 비해 지체되는 경우, 상기 식물에 대한 상기 하나 이상의 취급법을 식별하는 단계; 및
상기 식물에 대해 상기 하나 이상의 취급법을 실시하기 위해 상기 온실 내의 하나 이상의 로봇을 제어하는 단계
를 포함하는 방법. - 제1항에 있어서, 상기 하나 이상의 취급법은, 상기 식물에 비료 인가, 상기 식물에 살충제 인가, 상기 온실로부터 상기 식물 제거, 상기 식물을 대체하는 새로운 식물 이식, 상기 식물에 대한 실험실 테스트 수행, 상기 식물에 관한 데이터 수집, 상기 식물에 대한 관개 설정들의 업데이트, 상기 식물에 대한 영양분 설정들의 업데이트, 또는 이들의 임의의 조합을 포함하는, 방법.
- 제1항 또는 제2항에 있어서, 상기 훈련된 예측 모델은, 지도 머신 학습 모델, 멀티-모달(multi-modal) Gaussian 프로세스 회귀 모델, 비선형 회귀 모델, 프로세스-구동형 모델, 잔차 기반의 머신 학습 모델, 가중치 기반의 머신 학습 모델, 생성적-적대적 머신 학습 모델, 또는 이들의 임의의 조합을 포함하는, 방법.
- 제1항 내지 제3항 중 어느 한 항에 있어서, 상기 식물의 상기 제1 세트의 건강 예측들은,
상기 수신된 데이터에 기초하여 복수의 이력 피처 값을 획득하고;
상기 식물의 상기 제1 세트의 건강 예측들을 획득하기 위해 상기 훈련된 예측 모델에 복수의 이력 피처 값을 제공함으로써 획득되는, 방법. - 제4항에 있어서, 상기 복수의 이력 피처 값은 상기 식물에 대한 이력 취급법에 관련된 정보를 포함하는, 방법.
- 제1항 내지 제4항 중 어느 한 항에 있어서, 상기 식물의 상기 제2 세트의 건강 예측들은,
상기 수신된 데이터에 기초하여 복수의 이력 피처 값을 획득하고;
상기 수신된 데이터에 기초하여 복수의 현재 피처 값을 획득하고;
상기 제2 세트의 건강 예측들을 획득하기 위해 상기 훈련된 예측 모델에 복수의 이력 피처 값과 복수의 현재 피처 값을 제공함으로써 획득되는, 방법. - 제1항 내지 제6항 중 어느 한 항에 있어서, 상기 식물이 건강하지 않은지 또는 상기 성장 궤적에 비해 지체되는지를 결정하는 단계는 또한, 상기 제1 세트의 건강 예측들 및 상기 식물의 미래 생산 목표에 기초한 비교에 기초하는, 방법.
- 제1항 내지 제7항 중 어느 한 항에 있어서, 상기 제1 세트의 건강 예측들 및 상기 제2 세트의 건강 예측들은 복수의 출력 피처에 관한 것인, 방법.
- 제8항에 있어서, 상기 복수의 출력 피처는, 판매가능한 수확량, 꽃 수, 판매가능한 과일 수, 과일의 중량, 꽃 대 과일 전환 비율, 캐노피 높이, 줄기 길이, 바이오매스, 잎의 수, 잎 면적 지수, 또는 이들의 임의의 조합을 포함하는, 방법.
- 제8항 또는 제9항에 있어서, 상기 식물에 대한 상기 하나 이상의 취급법을 식별하는 단계는,
상기 제1 비교 및/또는 상기 제2 비교에 기초하여 상기 복수의 출력 피처로부터 출력 피처들의 서브세트를 식별하는 단계;
하나 이상의 근본 원인을 획득하기 위해 훈련된 머신 학습 근본 원인 분석 모델에 상기 출력 피처들의 서브세트에 관련된 정보를 제공하는 단계;
상기 하나 이상의 근본 원인에 기초하여 하나 이상의 완화 액션을 식별하는 단계; 및
상기 하나 이상의 취급법을 획득하기 위해 훈련된 머신 학습 작업 지시 모델에 상기 하나 이상의 완화 액션에 관련된 정보를 제공하는 단계
를 포함하는, 방법. - 제10항에 있어서, 상기 훈련된 머신 학습 근본 원인 분석 모델은 복수의 근본 원인과 연관된 복수의 확률을 출력하도록 구성된, 방법.
- 제11항에 있어서, 상기 하나 이상의 근본 원인은 상기 복수의 확률에 기초하여 식별되는, 방법.
- 제10항 내지 제12항 중 어느 한 항에 있어서, 상기 훈련된 머신 학습 근본 원인 분석 모델은, 지도 모델, 결정 트리, 식물 성장 시뮬레이터, 모방 학습 모델, 또는 이들의 임의의 조합을 포함하는, 방법.
- 제10항 내지 제13항 중 어느 한 항에 있어서, 상기 훈련된 머신 학습 작업 지시 모델은, 지도 모델, 모방 모델, 강화 모델, 결정 트리, 또는 이들의 임의의 조합을 포함하는, 방법.
- 제10항 내지 제14항 중 어느 한 항에 있어서, 상기 예측 모델을 이용하여, 상기 하나 이상의 완화 액션의 효과를 평가하는 단계를 더 포함하는 방법.
- 제1항 내지 제15항 중 어느 한 항에 있어서, 상기 온실 내의 이웃 식물의 하나 이상의 건강 예측에 기초하여 상기 식물의 상기 제1 세트의 건강 예측들을 조정하는 단계를 더 포함하는 방법.
- 제1항 내지 제6항 중 어느 한 항에 있어서, 상기 수신된 데이터는, 복수의 식물 특유의 피처, 복수의 미기후 섹션 피처, 복수의 관개 섹션 피처, 복수의 작업 섹션 피처, 상기 식물의 하나 이상의 이미지, 또는 이들의 임의의 조합에 관련된 정보를 포함하는, 방법.
- 제1항 내지 제7항 중 어느 한 항에 있어서, 상기 식물이 건강하고 상기 성장 궤적을 추종하는 경우, 상기 식물에 대한 성장 계획을 최적화하는 단계, 상기 식물에 기존 취급법을 적용하는 단계, 상기 식물을 모니터링하는 단계, 상기 식물을 가지치기하는 작업 지시를 생성하는 단계, 또는 이들의 임의의 조합을 더 포함하는 방법.
- 제1항 내지 제18항 중 어느 한 항에 있어서, 상기 식물과 연관된 데이터는 로봇을 이용하여 또는 하나 이상의 사용자 입력에 기초하여 적어도 부분적으로 획득되는, 방법.
- 제1항 내지 제19항 중 어느 한 항에 있어서, 상기 식물이 건강하지 않거나 상기 성장 궤적에 비해 지체되는 경우 인간 작업자에게 하나 이상의 작업을 할당하는 단계를 더 포함하는 방법.
- 온실 내의 식물에 하나 이상의 취급법을 실시하기 위한 시스템으로서,
하나 이상의 프로세서;
메모리; 및
상기 메모리에 저장되고, 상기 하나 이상의 프로세서에 의해 실행되도록 구성된 하나 이상의 프로그램
을 포함하고, 상기 하나 이상의 프로그램은,
상기 식물과 연관된 데이터를 수신하고, ―상기 데이터는 상기 온실 내의 하나 이상의 센서를 이용하여 적어도 부분적으로 획득됨―;
현재 시간에 대응하는 상기 식물의 제1 세트의 건강 예측들; 및
미래 시간에 대응하는 상기 식물의 제2 세트의 건강 예측들
을 획득하기 위해 상기 수신된 데이터를 훈련된 머신 학습 예측 모델에 제공하고;
상기 제1 세트의 건강 예측들과 상기 현재 시간에서의 상기 식물의 관찰된 건강에 기초한 제1 비교, 및
상기 제2 세트의 건강 예측들과 상기 식물의 미래 생산 목표에 기초한 제2 비교에 기초하여, 상기 식물이 건강하지 않은지 또는 성장 궤적에 비해 지체되는지를 결정하고;
상기 식물이 건강하지 않거나 상기 성장 궤적에 비해 지체되는 경우, 상기 식물에 대한 상기 하나 이상의 취급법을 식별하고;
상기 식물에 대해 상기 하나 이상의 취급법을 실시하기 위해 상기 온실 내의 하나 이상의 로봇을 제어하기 위한 명령어들을 포함하는, 시스템. - 온실 내의 식물에 하나 이상의 취급법을 실시하기 위한 하나 이상의 프로그램을 저장한 비일시적인 컴퓨터 판독가능한 저장 매체로서,
상기 하나 이상의 프로그램은 명령어들을 포함하고, 상기 명령어들은 전자 디바이스의 하나 이상의 프로세서에 의해 실행될 때 상기 전자 디바이스로 하여금:
상기 식물과 연관된 데이터를 수신하고, ―상기 데이터는 상기 온실 내의 하나 이상의 센서를 이용하여 적어도 부분적으로 획득됨―;
현재 시간에 대응하는 상기 식물의 제1 세트의 건강 예측들; 및
미래 시간에 대응하는 상기 식물의 제2 세트의 건강 예측들
을 획득하기 위해 상기 수신된 데이터를 훈련된 머신 학습 예측 모델에 제공하고;
상기 제1 세트의 건강 예측들과 상기 현재 시간에서의 상기 식물의 관찰된 건강에 기초한 제1 비교, 및
상기 제2 세트의 건강 예측들과 상기 식물의 미래 생산 목표에 기초한 제2 비교에 기초하여, 상기 식물이 건강하지 않은지 또는 성장 궤적에 비해 지체되는지를 결정하고;
상기 식물이 건강하지 않거나 상기 성장 궤적에 비해 지체되는 경우, 상기 식물에 대한 상기 하나 이상의 취급법을 식별하고;
상기 식물에 대해 상기 하나 이상의 취급법을 실시하기 위해 상기 온실 내의 하나 이상의 로봇을 제어하게 하는, 비일시적인 컴퓨터 판독가능한 저장 매체.
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US202163180610P | 2021-04-27 | 2021-04-27 | |
| US63/180,610 | 2021-04-27 | ||
| PCT/US2022/071929 WO2022232783A1 (en) | 2021-04-27 | 2022-04-26 | Autonomous greenhouse control system |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20240011715A true KR20240011715A (ko) | 2024-01-26 |
Family
ID=83694827
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020237040615A KR20240011715A (ko) | 2021-04-27 | 2022-04-26 | 자율 온실 제어 시스템 |
Country Status (5)
| Country | Link |
|---|---|
| US (1) | US11937560B2 (ko) |
| EP (1) | EP4329474A1 (ko) |
| KR (1) | KR20240011715A (ko) |
| CA (1) | CA3218501A1 (ko) |
| WO (1) | WO2022232783A1 (ko) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115529987B (zh) * | 2022-11-30 | 2023-03-24 | 中化现代农业有限公司 | 作物设施的风口调控方法、装置、设备及存储介质 |
| CN116452358A (zh) * | 2023-03-07 | 2023-07-18 | 陕西天霖瑞腾网络科技有限公司 | 基于物联网的智慧农业管理系统 |
Family Cites Families (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2010132731A1 (en) * | 2009-05-14 | 2010-11-18 | Lightner Jonathan E | Inverse modeling for characteristic prediction from multi-spectral and hyper-spectral remote sensed datasets |
| US9288938B2 (en) * | 2012-06-01 | 2016-03-22 | Rowbot Systems Llc | Robotic platform and method for performing multiple functions in agricultural systems |
| US20170161560A1 (en) | 2014-11-24 | 2017-06-08 | Prospera Technologies, Ltd. | System and method for harvest yield prediction |
| US10241097B2 (en) * | 2015-07-30 | 2019-03-26 | Ecoation Innovative Solutions Inc. | Multi-sensor platform for crop health monitoring |
| US11062223B2 (en) * | 2015-12-02 | 2021-07-13 | The Climate Corporation | Forecasting field level crop yield during a growing season |
| US11263707B2 (en) * | 2017-08-08 | 2022-03-01 | Indigo Ag, Inc. | Machine learning in agricultural planting, growing, and harvesting contexts |
| DE102019201988A1 (de) * | 2018-02-20 | 2019-08-22 | Osram Gmbh | Gesteuertes landwirtschaftssystem, landwirtschaftliche leuchtezur verwendung in einem gesteuerten landwirtschaftssystemund verfahren zur landwirtschaftlichen bewirtschaftung |
| US20220164736A1 (en) * | 2020-11-23 | 2022-05-26 | Jerome D. Johnson | Automated process to identify optimal conditions and practices to grow plants with specific attributes |
-
2022
- 2022-04-26 CA CA3218501A patent/CA3218501A1/en active Pending
- 2022-04-26 US US17/729,804 patent/US11937560B2/en active Active
- 2022-04-26 EP EP22796957.3A patent/EP4329474A1/en active Pending
- 2022-04-26 WO PCT/US2022/071929 patent/WO2022232783A1/en active Application Filing
- 2022-04-26 KR KR1020237040615A patent/KR20240011715A/ko unknown
Also Published As
| Publication number | Publication date |
|---|---|
| US20220338421A1 (en) | 2022-10-27 |
| CA3218501A1 (en) | 2022-11-03 |
| EP4329474A1 (en) | 2024-03-06 |
| WO2022232783A1 (en) | 2022-11-03 |
| US11937560B2 (en) | 2024-03-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Subeesh et al. | Automation and digitization of agriculture using artificial intelligence and internet of things | |
| Wakchaure et al. | Application of AI techniques and robotics in agriculture: A review | |
| US11937560B2 (en) | Autonomous greenhouse control system | |
| CN111504371A (zh) | 大数据服务系统 | |
| van Herck et al. | Crop design for improved robotic harvesting: A case study of sweet pepper harvesting | |
| Khanh et al. | Future of Smart Agriculture Techniques and Applications | |
| Singh et al. | Role of artificial intelligence and the internet of things in agriculture | |
| Dawn et al. | Implementation of Artificial Intelligence, Machine Learning, and Internet of Things (IoT) in revolutionizing Agriculture: A review on recent trends and challenges | |
| Gandhi et al. | Machine learning approaches for smart agriculture | |
| Costa et al. | Greenhouses within the Agricultura 4.0 interface | |
| Edan et al. | Agriculture automation | |
| Zhang et al. | Agricultural cybernetics | |
| Kasera et al. | A comprehensive survey on IoT and AI based applications in different pre-harvest, during-harvest and post-harvest activities of smart agriculture | |
| EP4182925A1 (en) | System and method for testing plant genotype and phenotype expressions under varying growing and environmental conditions | |
| Ünal et al. | Smart agriculture practices in potato production | |
| Gupta et al. | Robotics and Artificial Intelligence (AI) in Agriculture with Major Emphasis on Food Crops | |
| US20220107297A1 (en) | Platform for real-time identification and resolution of spatial production anomalies in agriculture | |
| Kuppusamy et al. | Machine Learning-Enabled Internet of Things Solution for Smart Agriculture Operations | |
| Singh et al. | Applications of AI in Agriculture | |
| WO2022067419A1 (en) | Reduction of time of day variations in plant-related data measurements | |
| Pabitha et al. | A digital footprint in enhancing agricultural practices with improved production using machine learning | |
| Subeesh et al. | Artificial Intelligence in Agriculture | |
| US20230354759A1 (en) | Hydroponic plant growth towers using pvc | |
| Harjeet et al. | Machine vision technology, deep learning, and IoT in agricultural industry | |
| Pylianidis | Operationalizing digital twins in agriculture with machine learning |