Le projet PEAD vise à développer une solution robotisée autonome pour un binage systématique des cultures, en inter et intra-rangs, avec l’ambition de réduire de 100% l’apport des herbicides liés aux cultures.

Ce projet soulève des verrous scientifiques importants liés, d’une part, à la robustesse et à la précision de détection des plants et des adventices ; et d’autre part, à la régularité d’intervention dans des conditions variables d’observabilité, de variabilité des adventices, de stades de développement, de conditions environnementales et de sol. Ce projet vise également la collecte de données à long terme pour la construction de cartographies multi-échelle, qui pourraient servir à une meilleure gestion durable de la flore adventice et des évolutions des cultures.

Le consortium est composé de trois partenaires :

L’Institut XLIM (porteur du projet) est une Unité Mixte de Recherche (UMR) CNRS 7252, multi-sites (Limoges, Poitiers, Brive, Angoulême) comportant 6 axes thématiques organisés en une vingtaine d’équipes de recherche. Les activités de recherche dans XLIM couvrent un large spectre de domaines scientifiques : électronique et hyperfréquences, photonique, mathématiques, informatique, image et systèmes communicants et des recherches transverses aux interfaces disciplinaires.
L’équipe impliquée dans le projet, REMIX (robotique et mécatronique) de l’axe SRI (systèmes et réseaux intelligents), possède des compétences qui couvrent la modélisation de systèmes dynamiques, l’observabilité et la commande, la perception et la localisation, les systèmes embarqués et les mécanismes robotiques. Les activités développées dans REMIX se caractérisent par la prise en compte de la chaine complète, de la perception à l’exécution d’une mission dans des conditions réelles (Real Robots in Real worlds).

CARBON BEE et sa filiale agronomique Carbon Bee AgTech sont de Jeunes entreprises innovantes françaises, créées en janvier 2015 (reconnues JEI depuis 2016), basées à St Marcel Les Valence dans la Drôme. Carbon Bee est un Bureau d’étude dans les domaines de l’électronique, l’informatique embarquée et un Laboratoire de recherche sur l’intelligence artificielle. Elle a mis au point une solution d’imagerie hyperspectrale couplée à un traitement logiciel par Deep Learning. Carbon Bee AgTech est chargée de commercialiser et développer cette solution d’imagerie dans le domaine de l’agronomie pour la qualité et la santé des plantes.

SABI AGRI est une entreprise qui conçoit, construit et commercialise des agroéquipements innovants à destination des pratiques agroécologiques. Son produit phare, le tracteur électrique robotisable ALPO (450kg pour 25cv, architecture brevetée), est une plateforme spécialement conçue pour les travaux agricoles. Le tracteur a une architecture logicielle open-source articulée autour du système ROS (Robot Operating System), ce qui lui confère une très grande diversité d’applications. SABI AGRI est aussi en mesure de proposer des effecteurs de binages adaptés à une commande robotique. Elle a à sa disposition des parcelles de test et d’expérimentation en légumes, et sur demande en maïs, tournesol et betteraves.

La réponse proposée dans le projet PEAD couvre les trois facettes de l’appel à projet du Challenge ROSE :

• “mieux observer”, en apportant des solutions de détection automatique et de différenciation des plants et adventices par apprentissage;
• “interpréter/décider”, avec une prise de décision fiable et robuste basée sur un réseau apprenant ;
• “agir et intervenir” de manière ciblée, en réalisant un binage systématique et régulier des adventices et en protégeant les plants de cultures.

Le projet PEAD traite des aspects relevant de problématiques de recherche fondamentale encore ouvertes, mais vise aussi l’intégration de solutions sur une plateforme expérimentale en conditions d’exploitation réelles. Les fonctionnalités à intégrer devraient être notamment robustes, agissant sur tout type de sol et de terrain, sur tout type de culture sarclable, y compris les cultures semées (tournesol, betteraves, maïs, légumes, PPAM), et de manière autonome, y compris la nuit, et ce sans intervention de l’opérateur.

Autonomous Vision-Based Navigation and Control for Intra-Row Weeding – Avilès, J., Soto, D., Stéphant, J., Labbani-I., O., 2022 IEEE 18th International Conference on Automation Science and Engineering (CASE) (proceedings très prochainement)

Une proposition a été soumise à IEEE ICRA 2023 (international conference on Robotics and Automation) https://www.icra2023.org/ : YoCo v1: Real-time Crop Instance Segmentation –  Jesus Franco-Robles, Jorge E. Avilès-Mejia et Ouiddad Labbani-Igbida

Visionnez aussi cette vidéo : https://youtu.be/h5-K3tY1VR8