Cognitive Pilot har introduceret en ny neural netværkstræningsteknologi designet til at løse en langvarig udfordring inden for landbrugsautonomi: misforholdet mellem, hvordan mennesker og kunstig intelligens opfatter den samme kørescene. Selskabet oplyser, at udviklingen betydeligt kan øge nøjagtigheden og sikkerheden af autopilotsystemer, der anvendes i ubemandede landbrugsmaskiner.
Teknologien, kendt som Cognitive Divergence Correction, fokuserer på at identificere og måle uoverensstemmelser mellem menneskelig dømmekraft og neurale netværksfortolkning i vanskelige driftsmiljøer, såsom mudrede felter, ujævnt terræn eller variabel belysning.
Hvad skete der?
Cognitive Pilot udviklede Cognitive Divergence Correction til at detektere og kvantificere forskelle mellem menneskelig og neural netværkssceneopfattelse.
Systemet retter sig mod scenarier, hvor computersyn kæmper, inklusive slørede feltgrænser, skygger, sne, regn og forvrængede visuelle markører.
En divergensanalysator identificerer automatisk scenefunktioner, som mennesker intuitivt bruger til at bestemme køretøjets bane.
Inkonsistente træningsdatarammer er isoleret til yderligere gennemgang, mens konsistente rammer forbliver i træningsdatasættet.
Teknologien er blevet integreret i autopilotsystemer installeret på autonome traktorer siden slutningen af foråret 2025.
Firma siger
"Selv med høj detektionsnøjagtighed kan netværket misfortolke konteksten," sagde Gennady Savitsky, hovedudvikler hos Cognitive Pilot. Han tilføjede, at uden at adressere divergens mellem menneskelig og maskinel opfattelse, kan fejl akkumuleres under træning, hvilket reducerer kontrolnøjagtighed og sikkerhed.
"Som et resultat øges datakonsistensen, og som følge heraf forbedres kvaliteten af træningen og sikkerheden ved autonome kontrolsystemer."
sagde Savitsky.
Hvorfor er dette vigtigt?
Fejljustering mellem menneskelig dømmekraft og AI-opfattelse kan føre til navigationsfejl og falske positiver i autonome maskiner.
Forbedring af datakonsistens under træning er afgørende for sikker drift i komplekse landbrugsmiljøer.
Højere kontrolnøjagtighed er afgørende for præcisionslandbrug og den bredere udbredelse af fuldt autonome, operatør-frie traktorer.
Teknologien kan være med til at sætte nye benchmarks for sikkerhed i landbruget og andre autonome transportsystemer.
