Rajčica je mali test za veliku promjenu: roboti uče stati prije dodira

Asistent profesor Takuya Fujinaga s Osaka Metropolitan University razvio je robotski sustav za berbu rajčica koji procjenjuje težinu zadatka prije nego što gripper uopće napusti početnu poziciju. Umjesto uobičajenog pristupa gdje stroj prvo hvata pa tek onda analizira posljedice, ovaj algoritam unaprijed modelira napetost stabljike, orijentaciju ploda i zaklon listovima kako bi odredio optimalnu trajektoriju.

Rezultat je 81-postotna uspješnost pri prvom pokušaju, uz dinamičku korekciju kuta hvata u dodatnih 25% slučajeva kada početna procjena nije bila optimalna. Rad objavljen u časopisu Smart Agricultural Technology ne predstavlja samo inkrementalno poboljšanje prepoznavanja voća, već promjenu paradigme: robot ovdje ne reagira na podatke, već predviđa ishod prije interakcije s fizičkim okruženjem.

Ključna razlika leži u tome što sustav integrira vizualnu percepciju s mehaničkim modeliranjem. Kamera identificira zrelu rajčicu, ali algoritam zatim simulira kako će se stabljika ponašati pod opterećenjem, koliko je grozd kompaktniji od prosjeka i hoće li susjedni listovi ometati izvlačenje. Takva prediktivna arhitektura čini korak prema sigurnijoj koegzistenciji strojeva i ljudi u otvorenom polju, gdje prostorna nepredvidivost nije iznimka već pravilo.

Tehnička implementacija kombinira duboko učenje za segmentaciju slike s statističkom analizom mehaničkih parametara, što omogućuje procjenu vjerojatnosti uspjeha prije pokreta aktuatora. Za poljoprivrednu praksu to znači da se smanjuje rizik od oštećenja ploda i biljke, a time i gubitka koji farmeri inače amortiziraju kroz višestruke pokušaje ili preuranjenu berbu.

Ipak, prijelaz s laboratorijskih uvjeta na komercijalnu primjenu otvara konkretna pitanja. Hrvatski i regionalni uzgajivači rajčica još uvijek u najvećoj mjeri oslanjaju se na sezonsku radnu snagu, posebno za sorte koje zahtijevaju selektivnu berbu. Senzorski sustav Fujinaginog robota — kamera, računalni vid, precizni gripper — zahtijeva stabilnu napajanje, zaštitu od atmosferskih utjecaja i redovito čišćenje optike u prašnjavim uvjetima staklenika i otvorenog polja. Kiša, magla i kondenzacija na lećama nisu tehnički nepremostivi problemi, ali su operativni troškovi koji trenutačno nisu uključeni u akademske publikacije.

Ono što ovaj sustav definitivno dokazuje jest da prediktivno modeliranje može značajno podići pouzdanost poljoprivredne robotike bez eksponencijalnog rasta hardverske složenosti. Za tržište koje traži kontinuiranu opskrbu osjetljivim plodovima, to je relevantniji pokazatelj od same brzine berbe.