Робот з ШІ навчився ефективніше збирати томати завдяки оцінці «простоти збирання»
Команда Osaka Metropolitan University створила систему, у якій робот оцінює ймовірність успішного знімання томата до захоплення, що підвищило результативність до 81%.
Дослідники з Osaka Metropolitan University запропонували підхід до роботизованого збирання томатів, де ключовим параметром стала не лише стиглість плоду, а й «простота його знімання». Система спочатку оцінює, наскільки ймовірним є успішний збір конкретного томата, і лише потім обирає траєкторію захоплення. Такий перехід від простої детекції до оцінки виконуваності дії орієнтований на реальні умови теплиць, де плоди часто закриті листям і ростуть у щільних кластерах.
Рішення розроблено під керівництвом асистент-професора Такуї Фудзінаги. Алгоритм поєднує комп’ютерний зір і статистичний аналіз ознак: положення плоду, конфігурацію плодоніжки, наявність візуальних перешкод і ступінь перекриття іншими частинами рослини. На основі цих факторів робот обирає кут і спосіб підходу до плоду, щоб зменшити ризик невдалої спроби та уникнути пошкоджень.
У випробуваннях, про які повідомляє ScienceDaily, система досягла 81% успішних збирань. Важлива деталь: близько чверті успішних операцій відбулися після зміни стратегії — якщо фронтальний підхід не спрацьовував, робот переходив на бокову траєкторію. Це показує, що система не обмежується статичним сценарієм, а адаптується в процесі роботи та використовує повторну спробу з іншою геометрією.
Автори наголошують, що на результат одночасно впливають кілька польових чинників: щільність кластерів, форма й орієнтація плодоніжок, листова маса та часткова оклюзія плодів. Запроваджений показник «ease of harvesting» пропонується як кількісна метрика для порівняння рішень в агророботиці. Такий підхід може прискорити впровадження автоматизованого збирання там, де моделі «бачить/не бачить» давали нестабільний результат.
За оцінкою розробників, практична модель може бути гібридною: робот автоматично збирає «легкі» плоди, а людина бере на себе складні випадки. Це зменшує залежність від сезонного дефіциту робочої сили та підвищує прогнозованість збирання. Дослідження опубліковано в журналі Smart Agricultural Technology (2025, том 12, стаття 101538), що надає галузі перевірену експериментальну основу для подальшого впровадження технологій.