Het modeleren van variatie voor robots die leren om meerdere types fruit te plukken

De moderne landbouw kampt met een tekort aan arbeidskrachten voor taken zoals het oogsten van fruit. Deze thesis behandelde verschillende uitdagingen voor oogstrobots. Om het aantal handmatige annotaties te verminderen, werd 3D-scènereconstructie gebruikt voor vruchtlokalisatie, waardoor het aantal met 99,6% werd verminderd, terwijl goede vruchtlokalisatie behouden bleef. Om de losmaakbeweging van fruit te optimaliseren, werden meerdere algoritmen geïmplementeerd om de losmaakbeweging van fruit te leren van demonstraties. In een laboratoriumomgeving werd een succespercentage van 67% behaald. Vervolgens werd de uitdaging van het omgaan met windverstoringen bestudeerd. Er werd een nieuw algoritme ontwikkeld, dat een succespercentage van 99% kon behalen. Hierna werd het algoritme onderzocht in een echte boomgaard. Het oogsten van appels verliep het beste met 20 demonstraties, wat resulteerde in 90% van de vruchten vastgepakt en 65% geplukt. Het oogsten van peren verliep het beste met 40 demonstraties, wat resulteerde in 65% van de vruchten vastgepakt en 50% geplukt.