ربات‌های کشاورزی بی‌سروصدا در حال تغییر کشاورزی هستند — از کارهایی که هیچ‌کس نمی‌خواهد شروع می‌شود

کشاورزی بزرگ‌ترین صنعت از نظر اشتغال در تاریخ بشر است و یکی از آخرین بخش‌هایی است که به طور قابل‌توجهی خودکار شده است. دلایل این امر پوشیده نیست: کشاورزی شامل محیط‌های بیرونی غیرساخت‌یافته، تنوع زیستی عظیم، وابستگی به آب و هوا و نیاز به قضاوت‌های ظریف درباره سلامت گیاهان است که به‌طور تاریخی به ادراک انسانی نیاز داشته است. ربات‌های کارخانه‌ای در محیط‌های کنترل‌شده با اشیاء قابل پیش‌بینی در موقعیت‌های ثابت کار می‌کنند. یک مزرعه توت‌فرنگی هیچ‌یک از این ویژگی‌ها را ندارد.

و با این حال، شرایطی که باعث خودکارسازی کشاورزی می‌شود سرانجام به نقطه‌ای رسیده است که فناوری مقرون‌به‌صرفه می‌شود. کمبود نیروی کار در مناطق کشاورزی آمریکای شمالی، اروپا و ژاپن ساختاری شده است تا چرخه‌ای — عرضه کارگرانی که حاضر به انجام کار فصلی برداشت هستند برای سال‌ها رو به کاهش است و تغییرات سیاست مهاجرتی عرضه موجود را کم‌اعتمادتر کرده است. هزینه‌های نهاده — آفت‌کش‌ها، علف‌کش‌ها، کود — به شدت افزایش یافته است. آب و هوا غیرقابل پیش‌بینی‌تر می‌شود و پنجره‌هایی که عملیات میدانی باید در آن انجام شود را فشرده می‌کند. فشار اقتصادی برای خودکارسازی هرگز به این اندازه نبوده است و فناوری برای اولین بار واقعاً آماده پاسخگویی است.

جایی که ربات‌ها از قبل کار می‌کنند

اولین موج ربات‌های کشاورزی عملیات‌هایی را هدف قرار می‌دهد که بیشترین نیروی کار را نیاز دارند، یکنواخت‌ترین هستند و بیشترین آسیب اقتصادی را در صورت تأخیر ایجاد می‌کنند. وجین علف‌های هرز واضح‌ترین مثال است. وجین دستی بسیار نیروی‌بر است، وجین مبتنی بر علف‌کش با مشکلات نظارتی و مقاومت رو به رشد مواجه است و زمان‌بندی اهمیت دارد — علف‌های هرزی که زودهنگام حذف نشوند در بحرانی‌ترین مراحل رشد برای منابع رقابت می‌کنند.

ربات LaserWeeder شرکت Carbon Robotics از ترکیب بینایی ماشین و لیزرهای قدرتمند برای شناسایی و از بین بردن علف‌های هرز در پایه ساقه گیاه استفاده می‌کند، با سرعتی که حدود یک هکتار را در یک ساعت پوشش می‌دهد. این ربات به‌طور خودکار بین ردیف‌های محصول حرکت می‌کند، به علف‌کش نیاز ندارد و هزینه نیروی کار گروه‌های وجین دستی را حذف می‌کند. ماشین‌های این شرکت تا سال ۲۰۲۵ در بیش از ۸۰۰ مزرعه در ایالات متحده و کانادا فعالیت داشتند، عمدتاً در محصولات سبزی که استفاده از علف‌کش محدود است و هزینه‌های وجین دستی بالاترین است.

ربات Vulcan شرکت FarmWise از کشت دقیق مکانیکی استفاده می‌کند — تیغه‌های چرخان کوچکی که خاک اطراف علف‌های هرز را بدون آسیب به محصولات جابه‌جا می‌کنند — و به‌طور خودکار روی کاهو، کلم بروکلی و سایر محصولات ردیفی کار می‌کند. این ماشین تا ۳۴ هکتار در روز پردازش می‌کند و میلیون‌ها ساعت عملیات میدانی را در دره سالیناس کالیفرنیا ثبت کرده است.

سم‌پاشی دومین هدف باارزش است. سم‌پاش‌های معمولی بزرگ‌فرمت آفت‌کش یا علف‌کش را به طور یکنواخت در کل مزارع اعمال می‌کنند — که هم پرهزینه است و هم از نظر محیطی مشکل‌ساز. سم‌پاش‌های دقیق، با استفاده از بینایی ماشین برای شناسایی سلامت گیاه و وجود علف هرز در سطح تک‌گیاه، می‌توانند مصرف مواد شیمیایی را ۷۰–۹۰٪ کاهش دهند در حالی که دقت کاربرد را بهبود می‌بخشند. فناوری See & Spray شرکت John Deere که در سم‌پاش‌های بزرگ آن ادغام شده است، نسخه تجاری رایج است؛ سم‌پاش‌های دقیق خودران کوچک‌تر از Monarch Tractor و دیگران عملیات‌های کوچک‌تر را پوشش می‌دهند.

برداشت: مسئله دشوار

برداشت کارترین و از نظر فنی چالش‌برانگیزترین عملیات کشاورزی برای خودکارسازی است. این کار نیاز به شناسایی محصول رسیده (که در رنگ، اندازه و جهت متفاوت است)، اعمال نیروی دقیق برای جدا کردن آن بدون آسیب، و انجام این کار با سرعت تجاری در یک محیط غیرساخت‌یافته دارد. چابکی و سرعت کارگران باتجربه انسانی معیاری بوده است که ماشین‌ها به طور مداوم در هزینه مشابه از آن عقب مانده‌اند.

پیشرفت سرانجام در محصولات خاصی رخ می‌دهد. شرکت Abundant Robotics (که در سال ۲۰۲۱ توسط AGCO خریداری شد) یک سیستم برداشت سیب مبتنی بر خلأ توسعه داد که با سرعت تجاری میوه می‌چیند. Tortuga AgTech و سایر توسعه‌دهندگان ربات توت‌فرنگی ماشین‌هایی را نشان داده‌اند که می‌توانند توت‌فرنگی رسیده را شناسایی و برداشت کنند — یک مسئله به ویژه پیچیده زیرا توت‌ها زیر برگ‌ها پنهان می‌شوند و جهت‌گیری آن‌ها بسیار متفاوت است. ربات‌های توت‌فرنگی فعلی با سرعتی حدود ۳۰–۵۰٪ از کارگران انسانی کار می‌کنند که آن‌ها را در صورت بالا بودن هزینه نیروی کار و پایین بودن در دسترس بودن نیروی کار، مقرون‌به‌صرفه می‌کند.

مارچوبه یک مطالعه موردی است در مورد اینکه چگونه محدودیت‌های نیروی کار خودکارسازی را مجبور می‌کند: مارچوبه باید درست در لحظه ظهور از زمین با دست بریده شود، در موقعیت‌ها و فواصل غیرقابل پیش‌بینی ظاهر می‌شود و پنجره برش کوچک است. چندین شرکت رباتیک اروپایی و ژاپنی ربات‌های برداشت مارچوبه را به طور خاص توسعه داده‌اند زیرا مناطق تولید مارچوبه با شکست واقعی برداشت به دلیل کمبود نیروی کار مواجه بودند. ضرورت اقتصادی سرمایه‌گذاری در مسئله‌ای را هدایت کرد که قبلاً غیرقابل حل تلقی می‌شد.

تراکتورهای خودران و عملیات میدانی

در مقیاس بزرگ‌تر، فناوری تراکتور خودران اکنون به صورت تجاری در دسترس است. تراکتور سری 8R شرکت John Deere با قابلیت خودران در سال ۲۰۲۲ اعلام شد و استقرار تجاری آن از سال ۲۰۲۳ آغاز شد. این سیستم از شش جفت دوربین استریو با دید ۳۶۰ درجه میدان، GPS و Machine Learning برای ناوبری خودکار در مزارع استفاده می‌کند و عملیات از پیش برنامه‌ریزی شده مانند خاک‌ورزی، کاشت و کوددهی را بدون راننده در کابین اجرا می‌کند.

اپراتور از طریق یک اپلیکیشن گوشی هوشمند تراکتور را از راه دور نظارت و مدیریت می‌کند — می‌تواند همزمان بر چندین ماشین نظارت کند، مسیرهای برنامه‌ریزی شده را تأیید کند و در صورت مواجهه با موانع غیرمنتظره مداخله کند. اقتصاد این فناوری برای عملیات‌های بزرگ ردیفی جذاب است: یک اپراتور می‌تواند بر چندین تراکتور که عملیات شبانه‌روزی انجام می‌دهند نظارت کند و به طور مؤثر ظرفیت تولیدی هر کارگر استخدام‌شده را چند برابر کند.

شرکت CNH Industrial (شرکت مادر Case IH و New Holland) و AGCO برنامه‌های عملیات میدانی خودران خود را دارند. این فناوری برای کشاورزی ردیفی بزرگ در زمین‌های هموار بالغ‌ترین است — شرایطی که دقت GPS بالا و تنوع موانع قابل مدیریت است. برای مزارع نامنظم، محصولات مخلوط و زمین‌های شیب‌دار رایج در زمینه‌های کشاورزی اروپا و آسیا کمتر آماده است.

لایه داده

کم‌توجه‌ترین جنبه رباتیک کشاورزی داده‌هایی است که توسط عملیات میدانی تولید می‌شود. هر رباتی که در یک مزرعه کار می‌کند در حال جمع‌آوری تصاویر دقیق و داده‌های حسگری درباره سلامت محصول، شرایط خاک، فشار علف‌های هرز و تنوع عملکرد در وضوح‌هایی است که قبلاً فقط از طریق پایش دستی قابل دستیابی بود. این داده‌ها که در طول چندین فصل جمع‌آوری شده‌اند، به یک دارایی رقابتی برای شرکت‌هایی تبدیل می‌شود که آن را جمع‌آوری می‌کنند.

پلتفرم Operations Center شرکت John Deere داده‌های میدانی را در سراسر پایگاه مشتریان خود جمع‌آوری می‌کند تا مدل‌های Machine Learning را که سیستم‌های خودران آن را نیرو می‌دهند بهبود بخشد. شرکت Climate Corporation (اکنون بخشی از Bayer) مدل‌های پیش‌بینی عملکرد را از سال‌ها داده میدانی در میلیون‌ها هکتار ساخته است. شرکت‌های رباتیک به موازات کسب‌وکار سخت‌افزاری خود، دارایی‌های داده کشاورزی می‌سازند که نسل بعدی تصمیمات کشاورزی دقیق را نیرو خواهد داد.

قوس بلند خودکارسازی کشاورزی از مکانیزاسیون (جایگزینی نیروی حیوانی با موتورها) به خودکارسازی (جایگزینی نیروی انسانی با ربات‌ها) و سپس به هوشمندی (جایگزینی قضاوت انسانی با تصمیمات مبتنی بر داده) است. اولین گذار ۵۰ سال طول کشید. دومی ۳۰ سال طول کشیده است تا در کاربردهای خاص به مقرون‌به‌صرفه تجاری برسد و اکنون در حال شتاب است. سومی از حالا شروع می‌شود، که توسط زیرساخت داده‌ای که خود ربات‌ها ساخته‌اند ممکن شده است. مزرعه سال ۲۰۴۰ عمدتاً توسط ماشین‌ها مدیریت خواهد شد — نه به این دلیل که فناوری تغییر را مجبور کرد، بلکه به این دلیل که اقتصاد نیروی کار سالخورده و آب و هوای متغیر هیچ مسیر ممکن دیگری باقی نگذاشت.