Cognitive Pilot heeft een nieuwe neurale netwerktrainingstechnologie geïntroduceerd die is ontworpen om een al lang bestaande uitdaging op het gebied van agrarische autonomie aan te pakken: de discrepantie tussen hoe mensen en kunstmatige intelligentie dezelfde rijscène waarnemen. Het bedrijf stelt dat de ontwikkeling de nauwkeurigheid en veiligheid van stuurautomaatsystemen die worden gebruikt in onbemande landbouwmachines aanzienlijk zou kunnen verbeteren.
De technologie, bekend als Cognitive Divergence Correction, richt zich op het identificeren en meten van discrepanties tussen menselijk oordeel en neurale netwerkinterpretatie in moeilijke werkomgevingen, zoals modderige velden, oneffen terrein of variabele verlichting.
Wat is er gebeurd?
Cognitive Pilot heeft cognitieve divergentiecorrectie ontwikkeld om verschillen tussen de perceptie van menselijke en neurale netwerkscènes te detecteren en te kwantificeren.
Het systeem richt zich op scenario's waarin computervisie het moeilijk heeft, waaronder verduisterde veldgrenzen, schaduwen, sneeuw, regen en vervormde visuele markeringen.
Een divergentie-analysator identificeert automatisch scènekenmerken die mensen intuïtief gebruiken om het traject van het voertuig te bepalen.
Inconsistente trainingsdataframes worden geïsoleerd voor verdere beoordeling, terwijl consistente frames in de trainingsdataset blijven.
De technologie is sinds eind voorjaar 2025 geïntegreerd in stuurautomaatsystemen die op autonome tractoren zijn geïnstalleerd.
Bedrijf gezegd
"Zelfs met een hoge detectienauwkeurigheid kan het netwerk de context verkeerd interpreteren", zegt Gennady Savitsky, hoofdontwikkelaar bij Cognitive Pilot. Hij voegde eraan toe dat zonder de verschillen tussen de perceptie van mens en machine aan te pakken, fouten zich tijdens de training kunnen ophopen, waardoor de nauwkeurigheid en veiligheid van de besturing afnemen.
"Als gevolg hiervan wordt de dataconsistentie vergroot en bijgevolg de kwaliteit van de training en de veiligheid van autonome controlesystemen verbeterd",
zei Savitsky.
Waarom is dit belangrijk?
Een verkeerde afstemming tussen menselijk oordeel en AI-perceptie kan leiden tot navigatiefouten en valse positieven in autonome machines.
Het verbeteren van de gegevensconsistentie tijdens de training is van cruciaal belang voor een veilige werking in complexe landbouwomgevingen.
Een hogere regelnauwkeurigheid is essentieel voor precisielandbouw en de bredere acceptatie van volledig autonome, bestuurder-vrije tractoren.
De technologie zou kunnen helpen nieuwe maatstaven te stellen voor de veiligheid in landbouw- en andere autonome transportsystemen.
