Das Forschungsprojekt “SynaPSe – Synthetische adaptive Umgebungen und Daten-Pipelines für autonome Systeme” entwickelt eine durchgängige Pipeline für das effiziente Training von KI-Modellen autonomer Landmaschinen mit synthetischen Daten.

Autonome und automatisierte Landmaschinen können die Landwirtschaft effizienter, ressourcenschonender und robuster gegenüber dem zunehmenden Fachkräftemangel machen. Voraussetzung dafür sind leistungsfähige KI-Modelle, die auch unter stark variierenden Einsatzbedingungen zuverlässig funktionieren. Die dafür notwendigen realen Sensordaten sind jedoch aufwendig zu erfassen, teuer und nur begrenzt skalierbar.

SynaPSe setzt genau hier an: Modulare Simulationsansätze werden mit generativer KI kombiniert, um vielfältige und realitätsnahe Agrarumgebungen automatisiert zu erzeugen. Ergänzende Methoden zur Anpassung synthetischer Sensordaten an reale Bedingungen sollen den Sim2Real-Gap reduzieren und die Übertragbarkeit trainierter Modelle auf reale Maschinen verbessern.

Ein Active-Learning-gestützter Ansatz identifiziert gezielt Schwachstellen der KI-Modelle und generiert bedarfsgerecht neue Trainingsdaten. Ein Open-Source-basiertes MLOps-Framework orchestriert die Pipeline von der Datenerfassung über Training und Validierung bis zum Deployment.

Validiert wird die Pipeline anhand zweier Anwendungsfälle aus der lokalen Navigation: der Fahrgassenführung im Feld sowie der Fahrgassenführung im Weinbau.

Das dreijährige Verbundvorhaben wird im Rahmen des Bayerischen Verbundforschungsprogramms (BayVFP), Förderlinie „Digitalisierung“, gefördert und gemeinsam mit den Partnern AGCO GmbH (Fendt) und Söldner Consult GmbH durchgeführt.

Kontakt: