Efficiëntere afterharvest logistiek in de tomatenkas
Om logistieke processen in de glastuinbouw verder te automatiseren, wordt een Autonoom Mobiel Platform (AMP) getest. Dit platform moet zelfstandig navigeren binnen de kasomgeving en padwissels uitvoeren zonder menselijke tussenkomst. Het project valideert of het AMP in staat is om variaties in ondergrond en railsystemen te detecteren en hierop te anticiperen.
Innovatiepakket, use case en type test
Glastuinbouw
After Harvest
Status: in uitvoering
Technische functionaliteit
Brede kennisvraag
Hoe kan een autonoom platform veilig en nauwkeurig navigeren?
Het AMP is uitgerust met camera’s en een AI-model om variaties in betongladheid en buisrailstructuren te detecteren en hierop te reageren. Dit project onderzoekt hoe het platform autonoom kan bewegen over de buisrailsystemen, obstakels kan detecteren en een correcte padwissel kan uitvoeren.
Aanpak
Praktijktests binnen Tomatoworld
Het AMP wordt getest op een kaslocatie bij Tomatoworld. Tijdens de testfase worden vier cruciale functies geëvalueerd:
Padwissel tussen verschillende railsystemen.
Detectie of het platform correct op de rails rijdt.
Gedrag aan het einde van een railsysteem.
Obstakeldetectie en reactievermogen.
Deze tests moeten aantonen of het systeem voldoende robuust is voor praktische toepassing in een dynamische kasomgeving.
Doel
Autonome navigatie zonder menselijke tussenkomst
Het uiteindelijke doel is om te valideren dat het AMP zelfstandig van het ene buissysteem naar het andere kan navigeren, zonder handmatige aanpassingen of externe interventie. Dit zou een belangrijke stap zijn in het verder automatiseren van afterharvest logistieke processen binnen de glastuinbouw.
Resultaat en reflectie
Succesvolle implementatie en leerpunten
De test richt zich op de vraag of het AMP zich binnen de specifieke variaties van Tomatoworld adequaat kan aanpassen en functioneren.
Geslaagd:
Het AMP kan de rails detecteren en correct navigeren binnen het testgebied.
De eerste testen laten zien dat het platform in staat is om padwissels uit te voeren zonder handmatige correctie.
Leerpunten:
Verdere finetuning van het AI-model is nodig om variaties in buisrailstructuren beter te compenseren.
Obstakeldetectie en reactiesnelheid vragen nog optimalisatie om een stabiele werking in praktijkomgevingen te garanderen.