Landwirtschaftsroboter (Unkrautbekämpfung, Ernte)

Unkrautbekämpfung und Ernte sind arbeitsintensiv, saisonal und zunehmend schwer zu besetzen, während der Einsatz von Herbiziden unter regulatorischem und öffentlichem Druck steht. Feldroboter verbinden Pflanzenerkennung in Echtzeit mit einem präzisen Aktor (Hackmesser, Laser, Einzeldüsen-Spritzung, weicher Greifer), um einzelne Pflanzen zu behandeln statt ganzer Felder. Roboter zur Unkrautbekämpfung sind heute kommerziell verfügbar; die selektive Ernte beschränkt sich noch auf wenige Kulturen und hochwertige Nischen.

Problem & Nutzen

• Heute: Unkraut wird mit Breitband-Herbiziden, am Traktor montierten Hacken und von Hand bekämpft; Obst und Gemüse ernten Saisonkräfte. Verfügbarkeit von Arbeitskräften, Lohnkosten, Herbizid- beschränkungen und das EU-Ziel, das Pestizidrisiko zu senken (Richtlinie 2009/128/EG über die nachhaltige Verwendung), drängen Erzeuger zu Alternativen [4].
• KI-Nutzen: Entscheidungen je Pflanze (Kultur, Unkraut oder reife Frucht) erlauben eine Behandlung nur dort, wo sie nötig ist, Betrieb nachts und am Wochenende sowie ein dokumentierter Nachweis jeder Maßnahme.
• Belege: Anbieter wie Carbon Robotics nennen bis zu 80 % niedrigere Kosten der Unkrautbekämpfung und berichten von Hunderttausenden behandelten Acres; diese Zahlen stammen von den Anbietern und hängen von der Kultur ab, prüfen Sie sie daher in einem Versuch auf Ihren eigenen Feldern [1].

Varianten

• Autonome Hack- und Saat-/Jätroboter für Reihenkulturen (Zuckerrüben, Gemüse): kleine solar- oder batteriebetriebene Fahrzeuge, die dauerhaft arbeiten, z. B. FarmDroid (DK, EU), Naïo Technologies (FR, EU), Agrointelli Robotti (DK, EU).
• Laser-Unkrautbekämpfung: vom Traktor gezogene Geräte mit vielen Kameras und Diodenlasern (Carbon Robotics LaserWeeder, USA), ohne Herbizid und ohne Bodenstörung [1].
• See-and-Spray: kameragesteuerte Düsenreihen, die nur erkanntes Unkraut besprühen (z. B. Bosch BASF Smart Farming „One Smart Spray“, John Deere See & Spray) — sie verringern die Herbizidmenge, ersetzen sie aber nicht.
• Selektive Ernte: Erdbeeren, Tomaten, Paprika, Äpfel, Spargel, Salat; überwiegend Pilotprojekte und frühe kommerzielle Flotten, oft als Robots-as-a-Service verkauft.
• Weinberge, Obstanlagen, Gewächshäuser: Plattformen zum Schneiden, Ausdünnen und Entblättern.
• Private Nutzung: kleine Jätroboter für den Garten gibt es, doch sind sie Hobbyprodukte außerhalb dieses Anwendungsfalls.

So funktioniert es

1. cameras + GNSS/IMU
2. image capture (strobed lighting for sunlight independence)
3. on-board detection/segmentation (crop, weed, fruit, ripeness, stem point)
4. localisation of target in 3D / machine frame, latency compensation
5. motion planning + actuator command (blade / laser dwell / nozzle / gripper)
6. safety layer (bumpers, LiDAR, person detection, geofence, e-stop)
7. logging, maps, fleet cloud, operator app

• Wahrnehmung: CNN-/Transformer-Detektoren und -Segmentierer (Klasse YOLO, Bild-Foundation-Modelle), die auf eingebetteten GPUs mit zig Bildern pro Sekunde laufen; bei der Ernte kommt Tiefenmessung für die 3D-Lage von Frucht und Fruchtstiel hinzu.
• Steuerung: klassische Navigation entlang der Reihen (RTK-GNSS, Reihenführung per Kamera); gelernte Strategien (Imitationslernen, RL in der Simulation) kommen zunehmend beim Greifen und bei durch Blätter verdeckten Früchten zum Einsatz.
• Mensch-in-der-Schleife (Human-in-the-Loop): Die Landwirtin bzw. der Landwirt legt Feld, Kultur und Toleranz fest; ein Fernaufseher oder Bediener auf dem Feld löst Blockadesituationen; Sicherheitsfunktionen hängen nie allein vom gelernten Modell ab.

Datenaufbereitung

Die Daten sind Feldbilder (Unkraut, Kulturen, Früchte) über Sorten, Böden, Lichtverhältnisse und Wachstumsstadien hinweg, dazu Feldkarten, GNSS-Spuren, Anwendungsnachweise und Ertragsdaten. Sie liegen auf dem Roboter, im Anbieterportal, in Farm-Management-Software und oft in Tabellen oder papiernen Feldbüchern. Typische Lücken sind Bilder nur aus einer Saison, wenige schwierige Negativbeispiele (Unkraut, das wie die Kultur aussieht, Staub, Schatten), keine einheitlichen Feld-IDs, fehlende Labels und unklare Dateneigentümerschaft gegenüber dem Anbieter.

Schritte der Aufbereitung: Bilder über Saisons und Bedingungen hinweg sammeln, Klassen vor dem Labeln festlegen (PREP-019), mit SAM-gestützten Werkzeugen und Prüfung durch Fachleute labeln (PREP-018), Feldaufzeichnungen und Tabellen in saubere Tabellen überführen (PREP-011) und Daten aus Anbieterportalen herausholen (PREP-005). Sichern Sie sich im Vertrag Exportrechte für die Daten. Für Käufer besteht die Aufbereitung vor allem aus sauberen Feldgrenzen, Anbauplänen und Aufzeichnungen; für Entwickler ist das Sammeln und Labeln von Bildern der größte Kostenpunkt, oft mehr als die Hälfte des Projektaufwands.

Umsetzungswege

Welcher Weg für wen

• KMU (Familienbetriebe, Erzeuger): Weg A, weil für gängige Kulturen und Reihenabstände bewährte Produkte zur Unkrautbekämpfung und Ernte mit Händlerservice existieren.
• Enterprise (Großbetriebe, Erzeugergemeinschaften, Agrarunternehmen): Weg B, weil Flottendaten, Unkrautkarten und Feldaufzeichnungen in Farm-Management-Systeme fließen müssen, mit eigener Analytik auf Anbietermaschinen.
• Entwickler (Maschinenbauer, Agrartechnik): Weg C, weil eigene Aktoren und nicht abgedeckte Kulturen ROS 2 und offene Detektoren erfordern; Mechanik und Feldvalidierung bestimmen den Aufwand.

Weg A — Kaufen (Standardsoftware) (für die meisten KMU-Betriebe empfohlen)

• Unkrautbekämpfung: FarmDroid FD20, Naïo Orio/Ted/Oz, Agrointelli Robotti (alle EU); Carbon Robotics LaserWeeder G2 (USA, Händler-/Leasingmodelle); kamerabasierte Spritzung von John Deere, Bosch BASF Smart Farming, Ecorobotix (CH, Spritze mit extrem hoher Präzision).
• Ernte: Tevel (fliegende Obstpflück-Drohnen, IL), Advanced Farm (Erdbeeren, USA), Dogtooth (UK), Fieldwork Robotics (Himbeeren, UK), Octinion (BE, EU), Four Growers (Tomaten, USA).
• Wählen Sie A, wenn: Kultur und Reihenabstand zu einem bewährten Produkt passen; prüfen Sie Händlerservice in Tagesreichweite, Abo oder Kauf, Dateneigentum und -export sowie die Berechtigung für EU-/GAP-Investitions- förderung.

Weg B — Auf Cloud-KI-Diensten aufbauen

• Wenig von der Echtzeitschleife gehört in die Cloud (keine verlässliche Abdeckung, Latenz). Cloud-APIs sind nützlich für Offline-Aufgaben: VLM-gestütztes Labeln von Feldbildern, Flottenanalytik, agronomische Empfehlungen aus Unkrautkarten sowie Sprach-/Chat-Schnittstellen für Bediener.
• Nutzen Sie Dienste in EU-Regionen für Speicher und Trainingspipelines; NVIDIA Isaac Sim/Omniverse für synthetische Daten.

Weg C — Selbst betreiben (Open Source)

• Software: ROS 2 (Nav2, MoveIt 2, ros2_control), Open3D/PCL, OpenCV; Erkennung mit Ultralytics YOLO, RT-DETR, Segment Anything (SAM 2) für schnelleres Labeln; offene Datensätze für Unkraut und Früchte (z. B. CropAndWeed, WeedMap, PhenoBench).
• Hardware: HW1 an der Maschine (Klasse Jetson Orin NX/AGX, TensorRT oder ONNX Runtime); HW2/HW3 Workstation für das Training. Forschungsplattformen: Bausätze der Klasse AgBot, Farmbot (offene Hardware).
• Wählen Sie C, wenn: Sie Maschinenbauer, Forschungsinstitut oder Agrartechnik-Start-up sind und eigene Aktoren oder Kulturen brauchen, die Produkte nicht abdecken. Der Aufwand ist groß: Mechanik, Sicherheitszertifizierung und Feldvalidierung bestimmen ihn, nicht das Modell.

Weg D — Eigenes Training

Fast immer in gewissem Umfang nötig: Detektoren mit Bildern Ihrer Kultursorten, Bodenfarben, Lichtverhältnisse und Wachstumsstadien feintunen (Feintuning). Rechnen Sie mit Tausenden bis Zehntausenden gelabelter Bilder je Kultur über Saisons und Regionen; das „Large Plant Model“ von Carbon Robotics zeigt den Weg des Anbieters mit einem Foundation-Modell über sehr große gelabelte Pflanzendaten [1]. Sammeln Sie schwierige Negativbeispiele (Unkraut, das wie die Kultur aussieht, Staub, Schatten, Ernterückstände) und testen Sie über Saisons hinweg, denn Modelle verschlechtern sich bei Domänenverschiebung.

Stand der Technik (2026)

• Unkrautbekämpfung ist kommerziell: autonome Hackroboter und Laser-Unkrautvernichter sind im Routineeinsatz, mit Dutzenden Einsätzen in der EU und einem wachsenden Händlernetz; See-and-Spray bieten inzwischen große Hersteller an.
• Foundation-Modelle: Anbieter trainieren große Pflanzenmodelle und nutzen VLMs, um Daten zu labeln und neue Arten mit wenigen Beispielen zu bewältigen; Edge-Inferenz auf eingebetteten GPUs erreicht den für Dauerfahrt nötigen Durchsatz [1].
• Ernte: Pflückrate, Schadensrate und Kosten pro kg bleiben die Grenze; empfindliche Kulturen mit Verdeckung (Erdbeeren, Paprika) kommen zuerst, Äpfel und Tomaten folgen. Gelerntes Greifen und VLA-artige Strategien (siehe ROBO-004) stehen zwischen Forschung und Pilotphase.
• Grenzen und Fehlerbilder: starkes Sonnenlicht, Staub, Schlamm und nasse Blätter; Kultur und Unkraut im selben Wachstumsstadium; unbekannte Arten; GNSS-Verlust unter Bäumen; langsames Nachladen oder geringe Geschwindigkeit bei kleinen Maschinen; Wartung von Lasern, Düsen und Greifern; Diebstahl von RTK-Ausrüstung. Ein Fehlalarm kann Kulturen zerstören, daher sind Konfidenzschwellen und „kulturschonende“ Voreinstellungen unerlässlich.

Gemeinsame Bausteine & Kombinationen

• Gemeinsamer Stack: Objekterkennung + Segmentierung + Edge-Laufzeit mit ROBO-001 (Kommissionieren), ROBO-011 (TinyML), ROBO-016 (Sicherheit durch Personenerkennung) und ROBO-002 (Navigation); Simulation und Sim-to-Real- Werkzeuge mit ROBO-010.
• Datenpipeline: Bilder von Feldrobotern speisen VIS-005 (Pflanzenkrankheiten), PRED-013 (Ertragsvorhersage) und OPT-014 (Präzisionslandwirtschaft); Drohnenkarten aus ROBO-006 / VIS-003 liefern Behandlungspläne.
• Tierhaltung: VIS-014 und PRED-044 für Ställe und Weiden.

Aufwand, Kosten & Kennzahlen

• Weg A: Wochen bis zum Einsatz (Feldkartierung, Schulung des Bedieners, eine Saison Feinabstimmung); typische Kostentreiber sind Kauf oder Leasing, RTK-Dienst, Ersatzteile, Strom oder Kraftstoff sowie der Servicevertrag.
• Weg C/D: 12–36 Monate bis zur feldtauglichen Maschine inkl. Sicherheit und CE-Konformität.
• Kennzahlen: Vernichtungsrate des Unkrauts und Schadensrate an der Kultur (je Feld und je Überfahrt), Fläche pro Stunde, eingesparte Herbizid- menge oder Stunden der Handhacke, Kosten je Hektar, Verfügbarkeit/Eingriffe pro Tag, Pflückrate (kg/h), Schadens- und Fehlgriffquote bei der Ernte, Anteil zurückgelassener reifer Früchte.

Menschen & Veränderung

Die Geschäftsführung (Inhaber) entscheidet über Investition und Förderung. Die Fachabteilungsleitung (Hof- oder Feldleitung) und die Maschinenführer arbeiten täglich mit dem Roboter und müssen von Anfang an an Auswahl und Feldtests beteiligt sein; sie kennen die Boden- und Kulturbedingungen, die über den Erfolg entscheiden. Die IT oder ein Servicepartner kümmert sich um Konnektivität und Konten; Lieferanten (Händler, Anbieter) werden für Servicelevel und Dateneigentum einbezogen.

Betriebsrat: kommt darauf an. Viele Betriebe haben keinen; wo es einen gibt, kann Roboter-Telemetrie, die Anmeldungen oder Arbeitszeiten der Bediener erfasst, zur Verhaltensüberwachung geeignet sein (§ 87 Abs. 1 Nr. 6 BetrVG), und § 90 Abs. 1 Nr. 3 verlangt frühzeitige Information über KI-geplante Arbeitsabläufe (GUIDE-004). Saisonkräfte sollten über Kameras auf den Feldern informiert werden.

Datenschutz: meist keine personenbezogenen Daten, doch Kameras können Personen erfassen, und Betriebsdaten lassen sich Einzelpersonen zuordnen; fragen Sie die Datenschutzbeauftragte bzw. den Datenschutzbeauftragten, ob Beschäftigte oder Nachbarn gefilmt werden können (GUIDE-005). KI-Kompetenz: Fördern Sie die Beschäftigten mit praktischem Training und einer benannten Robotik-Ansprechperson (GUIDE-006, GUIDE-008). Typische Sorgen sind Arbeitsplatzverlust, Ausfall in der Erntespitze und Sicherheit; begegnen Sie ihnen mit einem Pilotprojekt auf einem Feld, einer Servicevereinbarung, Sicherheitszonen und Bedienern, die die Maschine jederzeit stoppen können.

Risiken, Regulierung & Compliance

• Maschinenverordnung (EU) 2023/1230: gilt ab dem 20. Januar 2027 und ersetzt die Maschinen- richtlinie; Maschinen mit Sicherheitsfunktionen, die selbstentwickelndes, lernendes Verhalten nutzen, fallen in den Anhang mit höherem Risiko, der eine Konformitätsbewertung durch Dritte verlangt. Autonome Landmaschinen folgen außerdem ISO 18497 (Sicherheit hochautomatisierter Landmaschinen) und ISO 13849 für sicherheitsbezogene Steuerungen [2].
• KI-Verordnung (AI Act) (VO 2024/1689): Eine Sicherheitskomponente eines Produkts, das unter das Maschinen- recht fällt, kann hochriskant sein (Art. 6 Abs. 1, Anhang I) (die Hochrisiko-Pflichten nach Anhang I gelten nach dem Digital Omnibus, VO (EU) 2026/1744, ab 2. Aug. 2028); ein rein agronomischer Detektor ohne Sicherheitsfunktion hat typischerweise minimales Risiko. Die Einstufung hängt davon ab, ob die KI eine Sicherheitsfunktion erfüllt (z. B. Personenerkennung zum Anhalten der Maschine) [3].
• Kein Problem nach Art. 5 im normalen Einsatz; nutzen Sie Kameras nicht, um das Verhalten von Beschäftigten zu überwachen oder zu bewerten (Emotionserkennung am Arbeitsplatz ist verboten).
• DSGVO: Feldkameras können Beschäftigte, Passanten, Fahrzeuge und Nachbargrundstücke erfassen; minimieren und unkenntlich machen, Speicherdauer festlegen, Beschäftigte und Betriebsrat informieren. Eigentum an und Weitergabe von Betriebsdaten regelt zudem der EU Data Act (VO 2023/2854), der Nutzern vernetzter Maschinen Zugang zu den erzeugten Daten gibt [5].
• Pflanzenschutz: Spritzroboter müssen die Pestizidvorschriften und Anwendungsaufzeichnungen einhalten; Laser- oder mechanische Unkrautbekämpfung kann für den ökologischen Landbau infrage kommen, klären Sie das mit der Kontrollstelle.
• Betrieb: Haftung, wenn ein Roboter Kulturen, Menschen oder Wildtiere (Feldhasen, bodenbrütende Vögel) schädigt, Straßennutzung gezogener Geräte, Laserschutzklasse (Augenschutz, Einhausungen), Cyber- sicherheit der Verbindungen zur Flotten-Cloud.

Erste Schritte

1. Legen Sie Kultur, Reihenabstand und den teuersten Arbeitsgang fest (Handhacke, Herbizid-Überfahrten).
2. Besuchen Sie einen Demonstrationsbetrieb und fordern Sie eine Referenzliste von Nutzern derselben Kultur in Ihrer Region an; verlangen Sie unabhängige Versuchsdaten, nicht nur Herstellerangaben.
3. Führen Sie ein Pilotprojekt auf einem Feld in einer Saison mit klaren Kennzahlen durch (Vernichtungsrate, Kulturverlust, eingesparte Stunden).
4. Prüfen Sie Fördermöglichkeiten und Versicherung und stellen Sie RTK-Korrektur und Mobilfunkabdeckung sicher.
5. Erfassen Sie Bilder und Protokolle vom ersten Tag an; sie sind die Basis für späteres eigenes Modelltuning.

Quellen

1. GeekWire — Carbon Robotics releases new line of laser weed zappers (LaserWeeder G2) — https://www.geekwire.com/2025/carbon-robotics-releases-new-line-of-laser-weed-zappers-for-more-types-of-farms-and-budgets/
2. Regulation (EU) 2023/1230 on machinery — https://eur-lex.europa.eu/eli/reg/2023/1230/oj
3. Regulation (EU) 2024/1689 (AI Act) — https://eur-lex.europa.eu/eli/reg/2024/1689/oj
4. Directive 2009/128/EC on the sustainable use of pesticides — https://eur-lex.europa.eu/eli/dir/2009/128/oj
5. Regulation (EU) 2023/2854 (Data Act) — https://eur-lex.europa.eu/eli/reg/2023/2854/oj
6. FarmDroid — https://farmdroid.com
7. Naïo Technologies — https://www.naio-technologies.com
8. ROS 2 documentation — https://docs.ros.org