Cognitive Pilot har introducerat en ny teknik för neurala nätverksträning utformad för att möta en långvarig utmaning inom jordbruksautonomi: obalansen mellan hur människor och artificiell intelligens uppfattar samma körscen. Företaget uppger att utvecklingen avsevärt kan förbättra noggrannheten och säkerheten hos autopilotsystem som används i obemannade jordbruksmaskiner.
Tekniken, känd som Cognitive Divergence Correction, fokuserar på att identifiera och mäta avvikelser mellan mänskligt omdöme och tolkning av neurala nätverk i svåra driftsmiljöer, såsom leriga fält, ojämn terräng eller variabel belysning.
Vad hände?
Cognitive Pilot utvecklade Cognitive Divergence Correction för att upptäcka och kvantifiera skillnader mellan människans och neurala nätverksscenuppfattning.
Systemet riktar sig mot scenarier där datorseendet kämpar, inklusive mörka fältgränser, skuggor, snö, regn och förvrängda visuella markörer.
En divergensanalysator identifierar automatiskt scenfunktioner som människor intuitivt använder för att bestämma fordonets bana.
Inkonsekventa träningsdataramar isoleras för vidare granskning, medan konsekventa ramar finns kvar i träningsdatauppsättningen.
Tekniken har integrerats i autopilotsystem installerade på autonoma traktorer sedan sen våren 2025.
Företagsordspråk
"Även med hög detektionsnoggrannhet kan nätverket misstolka sammanhanget", säger Gennady Savitsky, huvudutvecklare på Cognitive Pilot. Han tillade att utan att ta itu med skillnader mellan människans och maskinens uppfattning, kan fel ackumuleras under träning, vilket minskar kontrollnoggrannheten och säkerheten.
"Som ett resultat ökar datakonsistensen, och följaktligen förbättras kvaliteten på utbildningen och säkerheten för autonoma kontrollsystem."
sa Savitsky.
Varför är detta viktigt?
Felinriktning mellan mänskligt omdöme och AI-uppfattning kan leda till navigeringsfel och falska positiva resultat i autonoma maskiner.
Att förbättra datakonsistensen under utbildning är avgörande för säker drift i komplexa jordbruksmiljöer.
Högre kontrollnoggrannhet är avgörande för precisionsjordbruk och den bredare användningen av helt autonoma, förar-fria traktorer.
Tekniken kan hjälpa till att sätta nya riktmärken för säkerhet i jordbruket och andra autonoma transportsystem.
