Risk-aware HTN planning for agricultural tasks

Abstract

Agriculture faces unprecedented challenges in a rapidly evolving world, defined by expanding global populations and climatic uncertainties. This necessitates the maximisation of yields, while remaining as environmentally friendly as possible. In addressing these complex obstacles, the implementation of AI within the agricultural domain has emerged as a pivotal factor. One approach is to utilise AIs capacity to handle large volumes of data and generate plans that achieve specific objectives based on multiple factors. HTN planning, a well-established AI planning technique, proves effective in generating efficient plans for real-world situations. This study commences with systematical analysing the domain of agriculture, by looking at irrigation, fertilizing and pest management. We explore how uncertainty, in the form of weather events, affects the irrigation planning. To implement this uncertainty, we use risk-aware HTN planning, which enables decision making based on a probability distribution of the cost of a action and a given risk attitude. We implement our model in JSHOP2 and evaluate it in terms of correctness, scalability and precision. The result is a model, that plans according to a given risk attitude in an efficient and sustainable way, by only using as much water as necessary to maximize the yield of a plant. Furthermore, it establishes a good foundation to expand upon it, with integrating multiple sources of uncertainty in the future.

Die Landwirtschaft steht in einer sich rasch entwickelnden Welt, die von einer wachsenden Weltbevölkerung und klimatischen Unwägbarkeiten geprägt ist, vor noch nie dagewesenen Herausforderungen. Daher müssen die Erträge maximiert und gleichzeitig die Umwelt so weit wie möglich geschont werden. Bei der Bewältigung dieser komplexen Hindernisse hat sich der Einsatz von KI in der Landwirtschaft als entscheidender Faktor erwiesen. Eine Art der Verwendung von KI besteht darin, große Datenmengen zu verarbeiten und Pläne zu erstellen, die auf der Grundlage mehrerer Faktoren bestimmte Ziele erreichen. Die HTN-Planung, eine gut etablierte KI-Planungstechnik, erweist sich als effektiv bei der Erstellung effizienter Pläne für reale Situationen. Diese Studie beginnt mit einer systematischen Analyse des Bereichs der Landwirtschaft, indem Bewässerung, Düngung und Schädlingsbekämpfung untersucht werden. Wir untersuchen, wie die Unsicherheit in Form von Wetterereignissen die Bewässerungsplanung beeinflusst. Um diese Ungewissheit zu implementieren, verwenden wir eine risikobewusste HTN-Planung, die eine Entscheidungsfindung auf der Grundlage einer Wahrscheinlichkeitsverteilung der Kosten einer Maßnahme und einer bestimmten Risikoeinstellung ermöglicht. Wir implementieren unser Modell in JSHOP2 und bewerten es im Hinblick auf Korrektheit, Skalierbarkeit und Präzision. Das Ergebnis ist ein Modell, das entsprechend einer gegebenen Risikoeinstellung auf effiziente und nachhaltige Weise plant, indem es nur so viel Wasser wie nötig einsetzt, um den Ertrag einer Pflanze zu maximieren. Darüber hinaus schafft es eine gute Grundlage, um es in Zukunft durch die Integration mehrerer Unsicherheitsquellen zu erweitern.