1.26 Otonom Tarım Robotları

1. Problem Tanımı ve Sistemik Etki

Küresel tarımsal işgücü son 20 yılda %25 azalmıştır; kırsal-kentsel göç ve demografik yaşlanma bu trendi hızlandırmaktadır. ILO verilerine göre tarım sektörü küresel istihdamın %27'sini oluşturmakta olup bu oran gelişmiş ülkelerde %2-5'e düşmektedir. ABD'de hasat mevsiminde tarımsal işçi açığı yıllık ~1,2 milyon kişi olarak tahmin edilmekte ve karşılanamayan hasat maliyeti yıllık 3,1 milyar USD kayba neden olmaktadır (USDA, 2022). Otonom tarım robotları pazarı 2023 yılında 8,4 milyar USD büyüklüğe ulaşmış olup 2030'a kadar %24,8 CAGR ile büyümesi beklenmektedir.

Otonom tarım robotiğinde üç temel mühendislik kısıtı mevcuttur:

• Yapılandırılmamış ortam: Tarla koşulları, kapalı fabrika ortamından radikal biçimde farklıdır. Yumuşak zemin, değişken bitki örtüsü, hava koşulları ve beklenmedik engeller (taşlar, sulama boruları, hayvanlar) sürekli değişen bir ortam oluşturur.
• Gerçek zamanlı işleme kısıtı: Otonom navigasyon ve engelden kaçınma, 10-30 fps görüntü işleme hızını pratik olarak gerekli hale getirir. Bu hız, kenar (edge) bilişim donanımlarında (NVIDIA Jetson, Intel NCS) GPU kapasitesiyle sınırlıdır.
• Hassas manipülasyon: Meyve hasadı, bitki başına ilaçlama veya mekanik yabancı ot kontrolü, milimetre düzeyinde konumlama doğruluğu ve ürüne zarar vermeyecek kuvvet kontrolü gerektirir.

Bu zorluklar, bilgisayarlı görü, SLAM (Simultaneous Localization and Mapping), pekiştirmeli öğrenme ve yol planlama algoritmalarının entegrasyonunu otonom tarım robotiğinin temel araştırma eksenlerinden biri haline getirmiştir.

2. Teknolojik Evrim ve Algoritmalar

2.1 Geleneksel Yöntemler (1995-2012)

Erken dönem tarım otomasyon yaklaşımları, GPS kılavuzluğu ve basit sensör tabanlı kontrol üzerine kuruluydu:

• RTK-GPS kılavuzluk: Santimetre düzeyinde konum doğruluğu ile traktör otomatik direksiyon sistemleri. John Deere AutoTrac ve Trimble AG-252 gibi ticari sistemler, düz tarlalarda 2,5 cm çapraz hat sapması sağlamıştır. Limitasyon: GPS sinyali ağaç altı, sera ve derin vadilerde kesintiye uğrar; dinamik engel algılama kapasitesi yoktur.
• Basit görüntü işleme ile sıra takibi: Hough dönüşümü veya renk eşikleme ile bitki sıraları tespit edilerek robot yönlendirilir. Bakker et al. (2008), Hough tabanlı sıra algılama ile maydanoz tarlasında %95 sıra tespit doğruluğu raporlamıştır. Ancak sıra yapısının olmadığı (meyve bahçesi, çayır) veya ot kapanımının yoğun olduğu koşullarda performans düşer.
• Mekanik yabancı ot kontrolü: Sıra arası çapa makineleri GPS kılavuzluğu ile otomatikleştirilmiştir. Ancak sıra içi (intra-row) yabancı ot kontrolü, bireysel bitki tespiti ve seçici manipülasyon gerektirir; bu kapasite erken dönem sistemlerde bulunmamaktadır.

2.2 Modern Yaklaşımlar (2013-Günümüz)

SLAM Tabanlı Otonom Navigasyon

Eşzamanlı konum belirleme ve haritalama ile GPS'siz ortamlarda robot navigasyonu.

• Girdi: LiDAR nokta bulutu, stereo kamera derinlik haritası, IMU (Inertial Measurement Unit) verileri
• Çalışma prensibi: Visual SLAM (ORB-SLAM2, RTAB-Map) veya LiDAR SLAM (Cartographer, LOAM) ile çevre haritası oluşturulur ve robot konumu eşzamanlı olarak tahmin edilir. Döngü kapatma (loop closure) birikimli hataları düzeltir.
• Eğitim: Algoritmik (öğrenme gerektirmez); ancak özellik çıkarma ve eşleştirme parametreleri ortama göre ayarlanmalıdır.
• Performans: Chebrolu et al. (2017), sera ortamında LiDAR SLAM ile 0,03 m konumlama doğruluğu raporlamıştır. Ancak açık tarla koşullarında bitki büyümesiyle değişen ortam haritanın geçerliliğini kısıtlar.

YOLO Tabanlı Gerçek Zamanlı Algılama

Meyve, yabancı ot veya engel tespiti için gerçek zamanlı nesne algılama.

• Girdi: RGB kamera görüntüleri (640x480 veya 1280x720 piksel)
• Çalışma prensibi: YOLO (You Only Look Once) mimarisi, tek geçişte nesne konumu ve sınıfı tahmin eder. YOLOv5/v8 versiyonları model sıkıştırma ile edge cihazlarda çalıştırılabilir.
• Eğitim: Transfer öğrenme; COCO ön eğitimli ağırlıklar tarımsal nesne veri setine ince ayar yapılır.
• Performans: Sa et al. (2016), YOLOv2 ile meyve bahçesinde elma tespitinde %84,3 F1 skoru ve NVIDIA Jetson TX2'de 20 fps raporlamıştır. Aydınlatma değişkenliği ve oklüzyon koşullarında F1 %65-70'e düşmektedir.

Derin Pekiştirmeli Öğrenme ile Manipülasyon

Robot kolunun meyve koparma veya bitki müdahale hareketlerinin öğrenilmesi.

• Girdi: Derinlik kamerası görüntüsü + robot kol eklem açıları (proprioception)
• Çalışma prensibi: Deep Q-Network (DQN) veya Proximal Policy Optimization (PPO) ile deneme-yanılma yoluyla optimal kavrama ve koparma stratejisi öğrenilir. Ödül fonksiyonu: başarılı hasat (+), ürün hasarı (-), zaman cezası (-).
• Eğitim: Simülasyon ortamında (Gazebo, Isaac Sim) milyonlarca deneme; ardından sim-to-real transfer ile gerçek ortama aktarım.
• Performans: Lehnert et al. (2017), derin RL ile capsicum (biber) hasadında %62 başarı oranı raporlamıştır; insan hasatçı başarı oranı %90'dır. Sim-to-real gap, tutma başarısını %15-25 düşürmektedir.

Yol Planlama ve Kapsama Optimizasyonu

Tarla kapsama (coverage path planning) ve navigasyon rotası optimizasyonu.

• Girdi: Tarla sınır haritası, engel konumları, robot kinematik kısıtları
• Çalışma prensibi: Boustrophedon hücre ayrıştırma, A* veya RRT* (Rapidly-exploring Random Tree) algoritmaları ile minimum tekrarlı geçişli tam kapsama rotası hesaplanır.
• Performans: Hameed et al. (2014), düzensiz tarla geometrilerinde optimal kapsama yolu planlamasıyla tarla içi dönüş sayısını %30-45 azaltmış ve yakıt tüketimini %15-20 düşürmüştür.

Yaklaşım Karşılaştırma Tablosu

3. Gerçek Dünya Zorlukları (Domain Gap Analizi)

Gerçek Zamanlı İşleme Kısıtı

Otonom navigasyon ve engelden kaçınma, algılama-karar-aksiyon döngüsünün 50-100 ms içinde tamamlanmasını gerektirir. Derin öğrenme modellerinin çıkarım süresi GPU donanımına doğrudan bağlıdır: YOLOv5s NVIDIA Jetson AGX Xavier üzerinde 15-25 ms çıkarım süresi sağlarken, daha büyük modeller (YOLOv5x) 80-120 ms'e çıkar. Model sıkıştırma (TensorRT, pruning, INT8 quantization) çıkarım süresini %30-50 azaltır ancak doğruluk kaybı %2-5 arasındadır. Bu doğruluk-hız trade-off'u, güvenlik açısından kritik uygulamalarda (engelden kaçınma) kabul edilemez olabilir.

Lokalizasyon Belirsizliği

Tarla koşullarında lokalizasyon birden fazla zorluğa sahiptir: GPS çok yollu yansıma (multipath) hatası ağaç yakınında 10-50 cm'e çıkar; Visual SLAM tekrarlayan doku kalıplarında (bitki sıraları) yer eşleştirme başarısızlığı (aliasing) yaşar; LiDAR SLAM yumuşak zeminde kayma ve tekerleme nedeniyle odometri hatası biriktirir. Sensör füzyonu (GPS + LiDAR + IMU + tekerlek odometrisi) bu hataları telafi eder ancak kalibrasyon ve senkronizasyon karmaşıklığı sisteme ek mühendislik yükü getirir.

Arazi Değişkenliği

Toprak yapısı (kumlu, killi, bataklık), eğim, nem durumu ve bitki örtüsü yoğunluğu robot hareketliliğini doğrudan etkiler. Yağmur sonrası ıslak toprakta tekerlekli robotlar batma riski taşır; eğimli arazilerde devrilme tehlikesi vardır. Adaptif süspansiyon ve paletli tahrik sistemleri mekanik çözüm sunar; ancak bu donanımlar robot maliyetini %30-50 artırır. Arazi geçilebilirlik (traversability) haritaları ML ile oluşturulabilir; ancak mevsimsel zemin değişimi modelinin sürekli güncellenmesini gerektirir.

Hassas Manipülasyon ve Ürün Hasarı

Meyve hasadında robot kavrayıcı (gripper) tasarımı, meyve şekli, boyutu ve olgunluk durumuna göre adaptif kuvvet kontrolü gerektirmektedir. Aşırı kuvvet meyveyi ezer; yetersiz kuvvet düşürme veya kaçırma ile sonuçlanır. Mevcut robotik hasat sistemlerinin ürün hasar oranı %5-15 arasındadır; ticari gereklilik %2'nin altıdır (Bac et al., 2014). Yumuşak robotik (soft robotics) kavrayıcılar bu soruna çözüm arar ancak dayanıklılık ve hız konusunda rijit kavrayıcılara göre dezavantajlıdır.

Bölgesel Senaryo: Siirt Fıstık Bahçesi Otomasyonu

Siirt ilinde fıstık hasadı hâlâ ağırlıklı olarak elle yapılmakta olup işgücü maliyeti toplam üretim maliyetinin %35-45'ini oluşturmaktadır.

1. Engebeli arazi navigasyonu: Siirt fıstık bahçeleri genellikle %15-30 eğimli dağ yamaçlarında yer almaktadır. Düz tarla koşulları için tasarlanmış otonom robotlar bu eğimlerde stabilite kaybeder. Paletli veya dört çekişli platformlar gerekli olup RTK-GPS sinyali dağlık arazide multipath hatası nedeniyle 10-30 cm sapma gösterir.
2. Fıstık tespiti ve lokalizasyon: Fıstık kümeleri yaprak örtüsü altında gizlenir ve renk olarak yapraktan ayrımı güçtür. YOLO tabanlı tespit modelinin, fıstığa özgü eğitim verisi (birkaç bin etiketli görüntü) ile ince ayar yapılması gerekir; mevcut meyve tespit veri setleri (elma, portakal) doğrudan aktarılamaz.
3. Mekanik hasat uyumluluğu: Fıstık ağaçlarında sallama (shaking) yöntemi ile hasat yapılabilir; ancak otonom sallama yoğunluğunun dal hasarını minimize edecek şekilde ayarlanması, kuvvet sensörleri ve adaptif kontrol algoritmaları gerektirir. Alternans yılında ağaç yapısı farklılık gösterdiğinden, kontrol parametreleri yıla göre adapte edilmelidir.

4. Literatür: Seminal Çalışmalar

Bac et al. (2014) — Taze meyve robotik hasadı üzerine kapsamlı derleme. 50+ hasat robotu prototipini analiz etmiş; ortalama hasat başarı oranı %66, hasat süresi 5-33 saniye/meyve. Ticari fizibilite için %95 başarı oranı ve 6 saniye/meyve eşiğinin gerektiğini vurgulamıştır. (580+ atıf)

Sa et al. (2016) — DeepFruits: Meyve tespiti için derin öğrenme. Faster R-CNN ile elma, mango ve badem tespitinde F1 = %84,3. Renk (RGB) ve yakın kızılötesi (NIR) görüntülerin füzyonunun tek modaliteye göre %5-10 iyileşme sağladığı gösterilmiştir. (460+ atıf)

Chebrolu et al. (2017) — Tarımsal robotlar için LiDAR tabanlı SLAM ve bitki sıra tespiti. IMU-LiDAR füzyonu ile sera ortamında 0,03 m konumlama doğruluğu. Bitki sıra yapısının SLAM performansını iyileştirici yapısal kısıt olarak kullanılabileceği gösterilmiştir. (320+ atıf)

Lehnert et al. (2017) — Derin RL ile capsicum (biber) robotik hasadı. Simülasyonda PPO ile eğitilmiş kavrama politikası, gerçek ortama aktarıldığında %62 başarı oranı. Sim-to-real gap'in ışık koşulları, meyve fiziksel özellikleri ve kamera-kavrayıcı kalibrasyonundan kaynaklandığı analiz edilmiştir. (280+ atıf)

Hameed et al. (2014) — Düzensiz tarla geometrilerinde optimal kapsama yolu planlama. Boustrophedon ayrıştırma ile farklı alan şekillerinde %15-20 yakıt tasarrufu ve %30-45 daha az dönüş manevrası sağlanmıştır. Çok araçlı koordinasyon senaryoları analiz edilmiştir. (290+ atıf)

5. Gelecek Vizyonu

Çoklu Robot Koordinasyonu (Swarm Robotics)

Tek bir büyük robot yerine çok sayıda küçük robotun koordineli çalışması, tarla kapsamını paralel olarak artırır ve tek nokta arıza riskini azaltır. Sürü robotiği (swarm robotics), dağıtık görev tahsisi ve çarpışma önleme algoritmaları gerektirir. Çoklu robot sistemleri, tek robot sistemine göre tarla tarama süresini %60-80 azaltma potansiyeline sahiptir. Ancak robotlar arası iletişim gecikmesi, koordinasyon karmaşıklığı ve heterojen robot filolarının yönetimi açık araştırma problemleridir.

Sim-to-Real Transfer İyileştirme

Simülasyon ortamında eğitilen RL politikalarının gerçek dünyaya aktarımındaki performans kaybı (sim-to-real gap), domain randomization ve system identification teknikleri ile azaltılmaktadır. Photorealistic render motorları (Unreal Engine, Unity) ve fizik motorları (MuJoCo, PyBullet) gerçekçilik düzeyini artırır; ancak tarımsal ortamın karmaşıklığı (yaprak deformasyonu, meyve-dal bağlantı mekaniği) tam olarak simüle edilememektedir. Gerçek dünya verisiyle fine-tuning zorunlu kalır.

Yumuşak Robotik Kavrayıcılar

Silikon veya pnömatik tabanlı yumuşak kavrayıcılar, meyve geometrisine uyum sağlayarak hasar oranını rijit kavrayıcılara göre %50-70 azaltma potansiyeli taşır. Ancak yumuşak kavrayıcıların kontrol dinamikleri doğrusal olmayan ve histerezisli olup model tabanlı kontrol yerine veri güdümlü (ML tabanlı) kontrolü daha cazip hale getirebilir. Dayanıklılık (1000+ kavrama döngüsü) ve hız (3-5 saniye/kavrama) açısından henüz ticari gereklilikleri karşılamamaktadır.

Edge AI ve Enerji Verimliliği

Tarım robotlarının batarya kapasitesi çalışma süresini 4-8 saatle sınırlar; AI hesaplaması toplam enerji tüketiminin %15-25'ini oluşturur. Model sıkıştırma, nöromorfik işlemciler ve olay güdümlü (event-driven) kameralar, AI enerji tüketimini %50-80 azaltma potansiyeli taşır. Güneş paneli entegrasyonlu robotlar enerji bağımsızlığı hedefler ancak panel ağırlığı mobilite kısıtı oluşturur.

Bu içerik, literatür notları ve seçilmiş kaynak özetleri temel alınarak hazırlanmış editoryal bir ders metnidir.

Dr. Mehmet Solak — Siirt Üniversitesi, Biyosistem Mühendisliği