Architecture for Multi-Unmanned Aerial Vehicles based Autonomous Precision Agriculture Systems

Probleemstelling

Hoewel onbemande luchtvaartuigen (UAV's) of drones steeds meer worden ingezet in de precisielandbouw voor taken zoals scouting, onkruidbestrijding en gewasmonitoring, ontbreekt er vaak een volledig geïntegreerd, end-to-end architectuurfraamwerk dat specifiek is ontworpen voor multi-UAV-systemen in landbouwcontexten.
Bestaande oplossingen (zoals PX4, APM, Aerostack) richten zich voornamelijk op de besturing en autonomie van één enkele drone, maar niet op de coördinatie, taakverdeling en dataverwerking van een heel zwerm drones voor complexe landbouwmissies. Daarnaast zijn er specifieke uitdagingen bij het toepassen van multi-UAV-systemen op grote schaal:

• Beperkte batterijduur en de noodzaak voor efficiënt energiebeheer.
• Uitdagingen bij real-time datatransmissie en analyse.
• Het risico van overlap in bestreken gebieden en het verspillen van energie.
• Gebrek aan fault-tolerantie (veerkracht bij storingen) in bestaande systemen.
• De hoge kosten en beperkte resolutie van satellietbeelden als alternatief.

Methodologie

De auteurs stellen een modulair architectuurfraamwerk voor dat een hybride aanpak combineert van gecentraliseerde en gedecentraliseerde besluitvorming om volledige autonomie te bereiken.

1. Architectuur en Communicatie:

• Hybride Besturing: De missieplanning (wegpunten, trajecten) wordt gecentraliseerd uitgevoerd op een grondstation (Ground Station). De uitvoering en monitoring (bijv. batterijstatus, noodstop) zijn gedecentraliseerd, waardoor elke drone zelfstandig kan reageren op situaties.
• Communicatie: Er wordt gebruikgemaakt van twee netwerken om latentie en pakketverlies te minimaliseren:
  • Radio (MAVLink): Voor besturing en telemetrie tussen grondstation en drones (lange reikwijdte).
  • Wi-Fi: Voor het snelle uploaden van grote datasets (beelden) naar de server na voltooiing van de missie.
• Mission Generation (CPP): Het systeem gebruikt Coverage Path Planning (CPP) om het land volledig af te dekken. Er wordt een trapeziumvormig patroon gebruikt om het aantal bochten te minimaliseren (wat batterijverbruik verlaagt) en overlappingen te voorkomen.

2. Taaktoewijzing en Batterijbeheer:

• Dynamic Task Allocation: Taken worden toegewezen op basis van de huidige batterijstatus en de vluchthistorie (vermogensafname door ouderdom).
• Batterijwisselstations (BSS): Een cruciaal onderdeel is de integratie van batterijwisselstations. Als een drone merkt dat hij zijn missie niet kan voltooien, kan hij:
  • De missie overdragen aan een naburige drone met voldoende batterij.
  • De missie "cachen" voor later.
  • Naar een wisselstation vliegen.
    Dit voorkomt dat drones energie verspillen aan een terugreis naar een laadpunt.

3. Software Framework en Data Processing:

• Onboard Computing: Elke drone heeft een onboard computer (Raspberry Pi) die fungeert als tussenpersoon tussen de flight controller en het grondstation. Deze tagt beelden met GPS-coördinaten.
• Deep Learning: Het systeem gebruikt een Convolutional Neural Network (CNN) voor beeldanalyse. Hoewel hyperspectrale sensoren ideaal zijn, toont het systeem aan dat CNN's ook RGB-beelden effectief kunnen analyseren om onkruid, gewassen en ziektes te onderscheiden.

Belangrijkste Bijdragen

1. End-to-End Architectuur: Het paper biedt een volledig framework dat gaat van missieplanning, via autonome vlucht en dataverzameling, tot AI-gedreven analyse en visualisatie.
2. Fault-Tolerantie: Door de mogelijkheid tot missieoverdracht tussen drones en het gebruik van batterijwisselstations, is het systeem robuust tegen uitval van individuele eenheden.
3. Modulariteit en Schaalbaarheid: De architectuur is ontworpen zodat ontwikkelaars specifieke lagen (bijv. een nieuw ML-model) kunnen updaten zonder het hele systeem te hoeven herschrijven.
4. Efficiënte Energiegebruik: De combinatie van geoptimaliseerde trajecten (minimale bochten) en dynamische taaktoewijzing maximaliseert de afgedekte oppervlakte per lading.
5. Gebruiksvriendelijkheid: Het biedt een web-based dashboard voor landbouwers zonder technische achtergrond, die complexe data omzet in intuïtieve hittekaarten.

Resultaten

De architectuur is gevalideerd via simulaties en veldtests:

• Simulatie: Uitgevoerd in Gazebo met een gesimuleerde Ethiopische landbouwomgeving (4 hectare) en IRIS-quadcopters.
• Veldtest: Uitgevoerd op de campus van de Addis Ababa Universiteit met twee drones (PX4 en APM3 flight controllers) en Raspberry Pi 3 B+ onboard computers.
• Deep Learning Performance: Het getrainde CNN-model (gebruikmakend van een Soybean dataset) bereikte een testnauwkeurigheid van 96,6% bij het classificeren van gewassen, onkruid en bodem. Het model gebruikte vier convolutielagen, max-pooling en een softmax-activatie.
• Succesvolle Integratie: Het systeem slaagde erin om autonoom missies te plannen, beelden te verzamelen, deze te uploaden via Wi-Fi, en een hittekaart te genereren die ziektes en onkruid visualiseert.

Betekenis en Toekomstperspectief

Deze studie toont aan dat het mogelijk is om een volledig autonoom multi-UAV-systeem te bouwen voor precisielandbouw dat niet alleen data verzamelt, maar ook direct actievere beslissingen ondersteunt.

• Economisch en Praktisch: Het biedt een betaalbaar alternatief voor dure satellieten en bemande vliegtuigen, met hogere resolutie en frequentere data.
• Toekomstige Ontwikkelingen: De auteurs plannen om het systeem uit te breiden met reactieve drones (bijv. sproeiers) die direct onkruid of ziektes kunnen bestrijden op de locaties die door het AI-systeem zijn geïdentificeerd. Ook wordt er gewerkt aan verdere decentralisatie en ad-hoc communicatieprotocollen voor nog robuustere zwermgedragingen.

Kortom, dit paper levert een solide, bewezen architectuur die de kloof overbrugt tussen theoretische UAV-besturing en praktische, schaalbare toepassing in de landbouw.