Generazione di Digital Twin in Agricoltura di Precisione tramite Ottimizzazione della Pianificazione Next-Best-View con un Manipolatore Mobile

Abstract

I Digital Twin possono supportare il monitoraggio degli alberi, il tracciamento della crescita e la valutazione agronomica da remoto nell’agricoltura di precisione. Tuttavia, la ricostruzione degli alberi da frutteto è complessa perché le chiome sono irregolari e fortemente soggette ad auto-occlusioni. Rami, foglie e frutti si nascondono reciprocamente; di conseguenza, telecamere fisse, piattaforme aeree e percorsi di scansione predefiniti spesso lasciano inosservate importanti regioni della chioma. Un manipolatore mobile può osservare l’albero da punti di vista più flessibili, ma solo se tali punti di vista vengono selezionati in base alla ricostruzione corrente.

Questa tesi studia come la pianificazione Next-Best-View possa essere ottimizzata per generare Digital Twin per singolo albero mediante un manipolatore mobile. Il pianificatore proposto, basato sulla priorità della chioma, adatta la pianificazione delle viste basata sul guadagno alla struttura dell’albero, assegnando maggiore importanza alle regioni della chioma, che contengono informazioni rilevanti per misure a livello di albero, come dimensione della chioma, densità, visibilità dei frutti e monitoraggio della crescita. Il metodo si concentra sulle regioni sconosciute informative all’interno della chioma, riducendo al tempo stesso l’attenzione verso lo spazio sconosciuto non informativo intorno all’albero, in modo che un numero limitato di viste venga utilizzato dove può migliorare maggiormente la ricostruzione.

Il pianificatore viene validato su una pianta reale e valutato in simulazione utilizzando quattro modelli di alberi con dimensioni e strutture della chioma differenti. I risultati mostrano che il pianificatore con priorità alla chioma produce la migliore ricostruzione della chioma negli alberi più grandi e maggiormente occlusi, mentre tutti i metodi ottengono prestazioni simili su un albero piccolo e quasi interamente osservabile. Inoltre, richiede un tempo di pianificazione inferiore rispetto

Digital Twins can support tree monitoring, growth tracking, and re- mote agronomic assessment in precision agriculture. However, recon- structing orchard trees is difficult because canopies are irregular and highly self-occluding. Branches, leaves, and fruit hide one another, so fixed cameras, aerial platforms, and predefined scan paths often leave important canopy regions unobserved. A mobile manipulator can observe the tree from more flexible viewpoints, but only if those viewpoints are selected according to the current reconstruction. This thesis investigates how Next-Best-View planning can be opti- mised to generate per-tree Digital Twins with a mobile manipulator. The proposed canopy-priority planner adapts gain-based view plan- ning to the structure of the tree by giving higher priority to canopy regions, which contain important information for tree-level measure- ments such as canopy size, density, fruit visibility, and growth moni- toring. It focuses on informative unknown regions inside the canopy while reducing attention to non-informative unknown space around the tree, so that a limited number of views is spent where it most improves the reconstruction. The planner is validated on a real plant and evaluated in simulation using four tree models with different sizes and canopy structures. The results show that the canopy-priority planner produces the strongest canopy reconstruction on the larger and more occluded trees, while all methods perform similarly on a small, mostly observable tree. It also requires less planning time than the other gain-based planners. Fi- nally, the reconstructed trees are converted into per-tree Digital Twin measurements, including canopy size, canopy density, trunk size, and visible fruit count. These results show that adapting view planning to the structure of a tree can improve the quality and usefulness of robotic tree reconstruction for precision agriculture.