Potatura robotica visuomotoria nei frutteti planari mediante apprendimento per rinforzo ibrido

Abstract degli autori

La potatura degli alberi durante il riposo vegetativo richiede molto lavoro, ma è essenziale per mantenere i moderni frutteti ad alta produttività. In questo lavoro ci concentriamo sulla potatura nei moderni sistemi di allevamento planari degli alberi — meli a V-Trellis e ciliegi UFO — in cui i tronchi e i rami principali vengono allevati fino a formare pareti approssimativamente planari. Presentiamo una pipeline end-to-end per apprendere un controllore visuomotorio a circuito chiuso per la potatura robotica. Il controllore viene addestrato interamente tramite simulazioni e dati generati sinteticamente, quindi impiegato nei frutteti reali in modalità zero-shot. La pipeline comprende la generazione sintetica di mesh di alberi da frutteto planari, la costruzione di un simulatore di frutteto basato sulla fisica, la raccolta automatizzata di traiettorie di potatura riuscite tramite pianificazione del movimento e l’apprendimento della policy con un nuovo algoritmo ibrido di apprendimento per rinforzo, che combina dimostrazioni offline e rollout simulati online. Il controllore usa input di flusso ottico da una telecamera montata sul polso — evitando la necessità di una ricostruzione 3D completa — e guida continuamente la lama di taglio attraverso ambienti ingombri di rami fino a un punto di taglio specificato, con il corretto orientamento dell’utensile. In valutazioni esaustive nello spazio dei compiti simulate su oltre 3.000 punti di potatura, la policy raggiunge un tasso di successo del 49,9% sui meli a V-Trellis e del 46,0% sui ciliegi UFO. Validiamo il controllore appreso in 38 prove fisiche — di cui 28 prove sul campo all’aperto in frutteti commerciali e sperimentali e 10 test di laboratorio al chiuso — dimostrando il trasferimento zero-shot dalla simulazione al mondo reale. Nelle prove di laboratorio, la policy appresa supera anche una baseline classica RRT-Connect sull’hardware fisico.