បញ្ហា/ប្រធានបទ (The Problem/Topic)៖ ការធ្វើកសិកម្មបន្លែសរីរាង្គប្រឈមនឹងការលំបាកយ៉ាងខ្លាំងក្នុងការគ្រប់គ្រងសត្វល្អិតចង្រៃ និងស្មៅដោយគ្មានការប្រើប្រាស់ថ្នាំសម្លាប់សត្វល្អិត ដែលជាធម្មតាទាមទារកម្លាំងពលកម្មច្រើន និងចំណាយពេលវេលាយូរ។
វិធីសាស្ត្រ (Approach)៖ របាយការណ៍នេះបង្ហាញពីការរចនាជាគំនិតនៃប្រព័ន្ធមនុស្សយន្តកសិកម្មដែលមានមុខងារបីគឺ៖ ការគូសផែនទី (Mapping) ការត្រួតពិនិត្យ (Monitoring) និងការកម្ចាត់ស្មៅដោយស្វ័យប្រវត្តិ (Weeding) ដោយផ្អែកលើការសិក្សាប្រៀបធៀបបច្ចេកវិទ្យាយ៉ាងលម្អិត។
សេចក្តីសន្និដ្ឋានសំខាន់ៗ (Key Conclusions)៖
របាយការណ៍នេះបង្ហាញពីការរចនាជាគំនិតនៃមនុស្សយន្តកសិកម្មស្វយ័ត (Autonomous Agricultural Robot) ដែលមានសមត្ថភាពក្នុងការគូសផែនទី ត្រួតពិនិត្យសុខភាពដំណាំ និងកម្ចាត់ស្មៅដោយស្វ័យប្រវត្តិ។ គោលបំណងចម្បងគឺដើម្បីដោះស្រាយបញ្ហាកង្វះកម្លាំងពលកម្ម និងបង្កើនប្រសិទ្ធភាពក្នុងការគ្រប់គ្រងសត្វល្អិត និងស្មៅចង្រៃនៅក្នុងកសិដ្ឋានសរីរាង្គដោយមិនប្រើប្រាស់សារធាតុគីមី។
| ការរកឃើញ (Finding) | ព័ត៌មានលម្អិត (Detail) | ភស្តុតាង (Evidence) |
|---|---|---|
| ជម្រើសវេទិកាមនុស្សយន្ត និងយន្តការកម្ចាត់ស្មៅ (Robot Platform & Mechanism Selection) | តាមរយៈការសិក្សាវាយតម្លៃ (Trade Study) វេទិកា 'Robotanist' ត្រូវបានចាត់ទុកថាសមស្របបំផុតសម្រាប់ការធ្វើដំណើរតាមជួរដំណាំ ចំណែកឯដៃយន្តប្រភេទពង្រីក ៣ អ័ក្ស (3-axis telescoping arm) ត្រូវបានជ្រើសរើសសម្រាប់ការកម្ចាត់ស្មៅដោយសារតែស្ថិរភាព និងតម្លៃសមរម្យ។ | ពិន្ទុវាយតម្លៃ៖ វេទិកា Robotanist ទទួលបាន ៣.៤៤/៥ ខណៈដែលយន្តការដៃ 3-axis telescoping ទទួលបាន ៣.០៥/៥។ |
| តម្រូវការភាពត្រឹមត្រូវនៃប្រព័ន្ធចក្ខុ (Perception Accuracy Requirements) | ប្រព័ន្ធកុំព្យូទ័រចក្ខុ (Computer Vision) តម្រូវឱ្យមានភាពត្រឹមត្រូវខ្ពស់ក្នុងការបែងចែករវាងដំណាំ ស្មៅ និងសត្វល្អិត ដោយប្រើប្រាស់ក្បួនដោះស្រាយដូចជា Faster RCNN និង GANs ដើម្បីធានាថាមនុស្សយន្តមិនបំផ្លាញដំណាំ។ | តម្រូវការគោលការណ៍ (MR) កំណត់ថា អត្រាវិជ្ជមានមិនពិត (False Positive) លើដំណាំត្រូវមាន <៥% សម្រាប់ស្មៅ (MR7) និង <២០% សម្រាប់សត្វល្អិត (MR9) អមដោយអត្រាជោគជ័យក្នុងការកម្ចាត់ស្មៅ ៧៥% (MR11)។ |
| ប្រព័ន្ធរុករក និងការគូសផែនទី (Navigation and SLAM Integration) | ដើម្បីធានាការធ្វើដំណើរដោយស្វ័យប្រវត្តិនៅទីវាល ប្រព័ន្ធទាមទារការប្រើប្រាស់ឧបករណ៍ចាប់សញ្ញាចម្រុះ និងក្បួនដោះស្រាយ SLAM ដែលអាចដំណើរការបានល្អក្នុងបរិស្ថានខាងក្រៅដោយគ្មានលក្ខណៈពិសេសច្បាស់លាស់។ | ការប្រើប្រាស់ 3D LiDAR រួមជាមួយ IMU ត្រូវបានវាយតម្លៃខ្ពស់បំផុត (ពិន្ទុ ៨.៦៥/១០) ដើម្បីសម្រេចបាននូវភាពត្រឹមត្រូវ ៩៥% នៃការធ្វើដំណើរក្នុងជួរ និងកំហុសទីតាំងតិចជាង ២៤ អ៊ីញ (MR4)។ |
ផ្អែកលើលទ្ធផលនៃការរចនាគំរូ របាយការណ៍នេះផ្តល់នូវអនុសាសន៍បច្ចេកទេសសំខាន់ៗសម្រាប់ការអភិវឌ្ឍមនុស្សយន្តកសិកម្មឱ្យមានប្រសិទ្ធភាព។
| គោលដៅ (Target) | សកម្មភាព (Action) | អាទិភាព (Priority) |
|---|---|---|
| ស្ថាប័នស្រាវជ្រាវ និងវិស្វករ (Research Institutions & Engineers) | អភិវឌ្ឍ និងប្រើប្រាស់កាមេរ៉ា Stereo ដែលមានពន្លឺសកម្ម (Active Lighting) ដើម្បីដោះស្រាយបញ្ហាពន្លឺព្រះអាទិត្យ និងបង្កើតទិន្នន័យរូបភាពដែលមានគុណភាពខ្ពស់នៅទីវាល។ | ខ្ពស់ (High) |
| រាជរដ្ឋាភិបាល (Government) និងស្ថាប័នកសិកម្ម | គាំទ្រដល់ការបង្កើតសំណុំទិន្នន័យ (Datasets) រូបភាពស្មៅ និងសត្វល្អិតចង្រៃតាមតំបន់ ដើម្បីបង្វឹកប្រព័ន្ធ AI ឱ្យមានភាពជាក់លាក់ខ្ពស់ជាមួយប្រភេទដំណាំក្នុងស្រុក។ | មធ្យម (Medium) |
| វិស័យឯកជន (Private Sector) | ធ្វើការវិនិយោគលើការបង្កើតវេទិកាមនុស្សយន្តខ្នាតតូចដែលអាចធ្វើដំណើរតាមចន្លោះជួរដំណាំស្តង់ដារ (ឧទាហរណ៍៖ ទទឹង ២៤ អ៊ីញ) ដោយមិនធ្វើឱ្យខូចខាតដល់ដីនិងដំណាំ។ | មធ្យម (Medium) |
វិស័យកសិកម្មរបស់ប្រទេសកម្ពុជាកំពុងប្រឈមមុខនឹងបញ្ហាកង្វះកម្លាំងពលកម្ម និងផលប៉ះពាល់ពីការប្រើប្រាស់ថ្នាំសម្លាប់សត្វល្អិតគីមី។ ការនាំយកបច្ចេកវិទ្យាមនុស្សយន្តស្វយ័តសម្រាប់ការគូសផែនទី តាមដានជំងឺ និងកម្ចាត់ស្មៅ អាចជំរុញការធ្វើកសិកម្មសរីរាង្គប្រកបដោយនិរន្តរភាព និងទិន្នផលខ្ពស់។
ការចាប់យក និងកែច្នៃគំនិតរចនាមនុស្សយន្តទាំងនេះឱ្យស្របតាមបរិបទកម្ពុជា នឹងរួមចំណែកយ៉ាងសំខាន់ក្នុងការធ្វើទំនើបកម្មវិស័យកសិកម្ម ធ្វើឱ្យកសិដ្ឋានកាន់តែមានភាពឆ្លាតវៃ និងធន់នឹងបញ្ហាអាកាសធាតុនិងសត្វល្អិត។
ដើម្បីអនុវត្តតាមអនុសាសន៍នៃរបាយការណ៍នេះ គួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| SLAM | បច្ចេកវិទ្យាដែលអនុញ្ញាតឱ្យមនុស្សយន្តគូសផែនទីបរិស្ថានជុំវិញខ្លួនវា ខណៈពេលដែលកំណត់ទីតាំងរបស់វានៅក្នុងផែនទីនោះក្នុងពេលតែមួយ ដែលមានសារៈសំខាន់សម្រាប់ការធ្វើដំណើរដោយស្វ័យប្រវត្តិដោយគ្មានខ្សែតម្រុយ ឬប្រព័ន្ធ GPS ច្បាស់លាស់។ | វាដូចជាមនុស្សម្នាក់ដែលដើរចូលទៅក្នុងបន្ទប់ងងឹតមួយដែលមិនធ្លាប់ស្គាល់ រួចប្រើដៃស្ទាបជញ្ជាំងដើម្បីគូសប្លង់បន្ទប់ក្នុងខួរក្បាល ព្រមទាំងដឹងថាខ្លួនឯងកំពុងឈរនៅត្រង់ណា។ |
| False positive | កំហុសនៅក្នុងប្រព័ន្ធបញ្ញាសិប្បនិម្មិត (AI) ដែលវាកំណត់អត្តសញ្ញាណវត្ថុមួយថាជាអ្វីដែលយើងកំពុងស្វែងរក (ឧទាហរណ៍៖ ចាប់ទុកថាជាស្មៅចង្រៃ) ប៉ុន្តែការពិតវាមិនមែននោះទេ (ឧទាហរណ៍៖ តាមពិតវាជាដំណាំ)។ ក្នុងកសិកម្ម វាអាចបណ្តាលឱ្យមនុស្សយន្តកាត់បំផ្លាញដំណាំចោលដោយការភាន់ច្រឡំ។ | ដូចជាសំឡេងរោទិ៍ប្រព័ន្ធសុវត្ថិភាពផ្ទះបន្លឺឡើងដោយសារសត្វឆ្មាដើរកាត់ មិនមែនដោយសារចោរចូលផ្ទះនោះទេ។ |
| SSD (Single Shot MultiBox Detector) | ស្ថាបត្យកម្មនៃបណ្តាញសរសៃប្រសាទកុំព្យូទ័រ (Neural Network) ដែលត្រូវបានប្រើដើម្បីរកមើល និងចាប់យកទីតាំងនៃវត្ថុ (ដូចជាស្មៅ ឬសត្វល្អិត) នៅក្នុងរូបភាពបានយ៉ាងលឿនក្នុងពេលជាក់ស្តែង (Real-time) ដែលស័ក្តិសមសម្រាប់មនុស្សយន្តដែលកំពុងធ្វើចលនា។ | ដូចជាអ្នកយាមកាមេរ៉ាសុវត្ថិភាពដ៏ពូកែម្នាក់ដែលអាចមើលឃើញ និងចង្អុលប្រាប់ភ្លាមៗថាមានមនុស្សប៉ុន្មាននាក់ និងនៅទីតាំងណាខ្លះក្នុងអេក្រង់តែមួយប៉ប្រិចភ្នែក។ |
| GAN (Generative Adversarial Network) | ក្បួនដោះស្រាយ AI មួយប្រភេទដែលត្រូវបានប្រើនៅក្នុងគម្រោងនេះដើម្បីធ្វើការបែងចែកផ្នែក (Segmentation) និងវាស់ទំហំនៃរន្ធ ឬជំងឺនៅលើស្លឹកដំណាំ ដោយផ្អែកលើការរៀនសូត្រពីទិន្នន័យរូបភាពរាប់រយសន្លឹក។ | ដូចជាជាងគំនូរពីរនាក់ប្រកួតប្រជែងគ្នា ដោយម្នាក់ព្យាយាមគូររូបភាពឱ្យដូចពិតៗ ហើយម្នាក់ទៀតព្យាយាមចាប់កំហុស រហូតដល់រូបភាពនោះចេញមកល្អឥតខ្ចោះ និងអាចយកមកវិភាគបាន។ |
| 3D LiDAR | ឧបករណ៍ចាប់សញ្ញាដែលបញ្ចេញពន្លឺឡាស៊ែរទៅកាន់បរិស្ថានជុំវិញដើម្បីវាស់ចម្ងាយ និងបង្កើតជារូបភាព 3D នៃទីតាំងនោះ ដែលជួយឱ្យមនុស្សយន្តអាចរុករក និងចៀសវាងការបុកទង្គិចជាមួយដំណាំទោះបីជានៅក្រោមពន្លឺព្រះអាទិត្យខ្លាំងកម្រិតណាក៏ដោយ។ | ដូចជាសត្វប្រចៀវដែលបញ្ចេញសំឡេងហើយស្តាប់អេកូត្រឡប់មកវិញដើម្បីដឹងថាមានឧបសគ្គអ្វីខ្លះនៅខាងមុខក្នុងទម្រង់ជាផែនទី 3D ដ៏ច្បាស់លាស់។ |
| ROS (Robot Operating System) | ប្រព័ន្ធប្រតិបត្តិការ និងកញ្ចប់កម្មវិធីផ្នែកទន់កូដចំហ (Open-source) ដែលត្រូវបានប្រើប្រាស់យ៉ាងទូលំទូលាយដើម្បីសរសេរកូដ និងបញ្ជាផ្នែកផ្សេងៗរបស់មនុស្សយន្ត ដូចជាការបញ្ជាម៉ូទ័រ និងការទទួលទិន្នន័យពីកាមេរ៉ាឱ្យធ្វើការរួមគ្នាដោយរលូន។ | វាដូចជាប្រព័ន្ធប្រតិបត្តិការ Windows ឬ Android សម្រាប់កុំព្យូទ័រនិងទូរស័ព្ទ ប៉ុន្តែនេះគឺសម្រាប់ជួយឱ្យខួរក្បាលរបស់មនុស្សយន្តអាចបញ្ជាដៃជើងនិងភ្នែករបស់វាបាន។ |
| Odometry | ការប្រើប្រាស់ទិន្នន័យពីឧបករណ៍ចាប់សញ្ញាចលនា (ដូចជាការបង្វិលកង់ ឬការផ្លាស់ប្តូររូបភាពពីកាមេរ៉ា) ដើម្បីប៉ាន់ស្មានការផ្លាស់ប្តូរទីតាំងរបស់មនុស្សយន្តពីចំណុចមួយទៅចំណុចមួយទៀតតាមពេលវេលា។ | ដូចជាការបិទភ្នែកដើរ ហើយរាប់ចំនួនជំហានដើម្បីស្មានថាខ្លួនឯងបានដើរដល់ទីតាំងណា និងឆ្ងាយប៉ុនណាពីកន្លែងដើម។ |
| Cyber-physical Architecture | ការរចនាស្ថាបត្យកម្មប្រព័ន្ធដែលរួមបញ្ចូលគ្នារវាងផ្នែករឹង (កង់ ម៉ូទ័រ កាមេរ៉ា) និងផ្នែកទន់ (ក្បួនដោះស្រាយ AI, កម្មវិធីរុករក) ដើម្បីឱ្យមនុស្សយន្តអាចធ្វើអន្តរកម្មជាមួយបរិស្ថានរូបវន្តជាក់ស្តែង (ដូចជាចម្ការ) បានដោយស្វ័យប្រវត្តិ។ | ដូចជារាងកាយមនុស្សដែលទាមទារឱ្យមានការតភ្ជាប់យ៉ាងល្អឥតខ្ចោះរវាងសាច់ដុំ (ផ្នែករឹង) និងខួរក្បាល (ផ្នែកទន់) ដើម្បីអាចធ្វើចលនា និងសម្រេចកិច្ចការងារអ្វីមួយបាន។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
