KINERA: Künstliche Intelligenz für eine effiziente und resiliente Agrartechnik

Beschreibung

Ziel von KINERA ist die Steigerung der Effizienz und Resilienz in der Agrarwirtschaft durch den Einsatz von Künstlicher Intelligenz (KI). Dazu werden verfahrenstechnische Prozesse der Feldbestellung mit Schlepper-Anbaugeräte-Kombinationen und mit autonomen Feldrobotern in eine betriebliche (Edge) und überbetriebliche (Cloud) IT-Infrastruktur integriert. Ein übergeordnetes Ziel ist die Erhöhung der Prozesseffizenz (z. B. bzgl. der Maschinenauslastung und -logistik oder der Flächenleistung) mithilfe von Konzepten der verteilten KI.

Weiteres Ziel ist die Erhöhung der Zuverlässigkeit des Gesamtsystems. Durch gesteigerte Resilienz soll die Betriebsfähigkeit eines digitalisierten agrarwirtschaftlichen Betriebs auch bei exogenen Störeinflüssen aufrecht erhalten werden. Zusätzlich wird zu diesem Zweck angestrebt, durch KI-basierte Analyse von Prozessdaten ein adaptives Entscheidungsunterstützungssystem für Landwirt*innen bereitszustellen.

Beteiligte Personen

• Prof. Dr. Stefan Kirn
• Dr. Marvin Hubl
• M.Sc. Tobias Zimpel

Beteiligte Einrichtungen

• Universität Hohenheim, Fachgebiet für Künstliche Intelligenz in der Agrartechnik (Koordinator)
• — Fachgebiet für Verfahrenstechnik in der Pflanzenproduktion
• — Lehrstuhl Wirtschaftsinformatik 2
• Exatrek, EXA Computing GmbH (Hamm)
• Smart Site Solutions GmbH (Nürtingen)
• Claas Vertriebsgesellschaft mbH (Harsewinkel)
• Horsch Maschinen GmbH (Schwandorf)
• VDMA Landtechnik (Frankfurt a.M)

Förderer

• Bundesministerium für Ernährung und Landwirtschaft
  Gefördert in der Maßnahme "Künstliche Intelligenz in der Landwirtschaft, der Lebensmittelkette, der gesundheitlichen Ernährung und den Ländlichen Räumen"

Publikationen im Rahmen des Projekts

• Hubl, M. (2022). Modeling an agricultural process coordination problem to enhance efficiency and resilience with methods of artificial intelligence. In J. Michael, J. Pfeiffer & A. Wortmann (Eds.), Modellierung 2022 Satellite Events (pp. 6-17). GI. https://doi.org/10.18420/modellierung2022ws-003