使用实时模型的作业机械控制
技术领域
当前描述涉及作业机械。更具体地，当前描述涉及一种控制系统，该控制系统在运行时间期间动态地感测数据并生成预测模型以及使该预测模型具备合格条件，并且使用该模型来控制作业机械。
背景技术
存在各种不同类型的作业机械。这些机械可以包括建筑机械、草皮管理机械、林业机械、农业机械等。
一些当前系统已经试图使用先验数据来生成可用于控制作业机械的预测模型。例如，农业收割机可以包括联合收割机、饲料收割机、棉花收割机等。一些当前系统已经试图使用先验数据(诸如田地的航拍图像)以生成预测产量地图。预测产量地图预测在正收割的田地中的不同地理位置处的产量。当前系统已经试图在控制收割机中使用该预测产量地图。
上面的讨论仅是为总体背景信息而提供的，并不旨在用于帮助确定所要求保护的主题的范围。
发明内容
获得用于作业现场的先验的地理参考植被指数数据以及由在作业现场执行操作的作业机械上的传感器收集的田地数据。在作业机械执行操作时，基于地理参考植被指数数据和田地数据生成预测模型。生成用于预测模型的模型质量度量，并且该模型质量度量用于确定预测模型是否为合格的预测模型。如果是合格的预测模型，则控制系统使用该合格的预测模型和作业机械的位置来控制作业机械的子系统以执行操作。
提供本发明内容以用简化形式引入一些概念，这些概念将在下面的具体实施方式中进一步描述。本发明内容既不旨在识别所要求保护的主题的关键特征或必要特征，也不旨在用于帮助确定所要求保护的主题的范围。所要求保护的主题不限于解决背景技术中指出的任何缺点或所有缺点的实施方式。
附图说明
图1是联合收割机的局部示意性局部图示。
图2A是示出包括图1中所示的联合收割机的计算系统架构的一个示例的框图。
图2B是示出一组示例性地理参考的先验数据的框图。
图3A至图3C(在本文中统称为图3)示出了流程图，该流程图示出图2中所示的计算系统架构的操作的一个示例。
图4A是示出一个示例性田地的图。
图4B是示出图4A中所示的用于该田地的一组示例性地理参考的先验数据的图。
图4C是示出由模型评估系统所利用的一组示例性规则的图。
图5是示出图2中所示的架构的操作的另一示例的流程图，其动态地生成执行器特定的或子系统特定的控制模型。
图6是示出图2A中所示的架构的一个示例的框图，该架构配置在远程服务器架构中。
图7至图9示出了可以在先前附图中所示的架构中使用的移动设备的示例。
图10是示出可以在先前附图中所示的架构中使用的计算环境的一个示例的框图。
具体实施方式
如上面所讨论的，一些当前系统试图使用先验数据(例如航拍图像)以便生成可用于控制作业机械的预测地图。举例来说，基于从航拍图像中生成的植被指数值，在试图生成用于一田地的预测产量地图中已经做了大量工作。这样的预测产量地图试图预测田地内不同位置处的产量。该系统试图基于所预测的产量来控制联合收割机(或其他收割机)。
而且，一些系统试图使用前瞻性感知系统，其可能涉及获得在收割机的行驶方向上的前方的田地的光学图像。基于这些图像，可以预测收割机正前方的区域的产量。这是可以用于生成预测产量地图的形式的先验数据的另一个来源。
所有这些类型的系统都可能存在困难。
例如，基于先验数据生成的模型均不代表实际的土地真实数据。例如，它们仅代表预测产量，而不代表实际土地真实产量值。因此，某些系统已尝试生成多个不同的模型，然后基于历史性能为它们分配质量得分。例如，远程服务器环境可以获得先验航拍图像数据并生成预测产量地图。然后，远程服务器环境可以接收在收割该田地时生成的实际产量数据。可以基于实际产量数据确定模型的质量或准确性。然后可以修改预测产量模型或用于创建模型的算法以对其进行改进。
然而，这在收割操作期间无助于控制收割机。相反地，在完成收割操作之后，将实际产量数据提供给远程服务器环境，从而可以针对该田地的下一个收割季节改进模型。
相比之下，下列说明描述了一种不仅基于先验数据而且基于代表待建模的实际值的现场田地数据来生成预测模型的系统和方法。例如，在预测地图是预测产量地图的情况下，用于生成该地图的模型是基于先验数据(诸如航拍图像数据)和现场数据(诸如在收割操作期间在收割机上感测的实际产量数据)动态地生成。一旦生成了预测产量地图，就评估用于生成预测产量地图的模型(例如，预测地图)以确定其准确性(或质量)。如果模型的质量足够高，则可在收割操作期间将其用于控制联合收割机，并使用在收割操作期间从联合收割机收集的现场数据动态地并且迭代地评估模型。如果模型的质量不够高，则系统可以动态地切换到替代模型，或者可以切换回手动操作或预设值，或者可以生成和评估其他替代模型。
图1是在农业机械100是联合收割机(或联合型收割机)的示例中的农业机械100的局部图示的局部示意图。在图1中可以看出，联合收割机100示例性地包括操作室101，该操作室101可以具有各种不同的操作者界面机制，用于控制联合收割机100，如将在下面更详细地讨论的。联合收割机100可以包括一组前端设备，该组前端设备可以包括收割台102以及总体以104表示的切割器。联合收割机100还可以包括进料室106、进料加速器108和总体以110表示的脱粒器。脱粒器110示例性地包括脱粒转子112和一组凹部114。此外，联合收割机100可以包括分离器116，该分离器116包括分离器转子。联合收割机100可以包括清洁子系统(或清洁靴)118，清洁子系统本身可以包括清洁风扇120、糠筛122和细筛124。联合收割机100中的材料处理子系统可以包括(除了进料室106和进料加速器108之外)排料搅拌器126、残穗提升机128、净谷粒提升机130(其将净谷粒移动到净谷粒罐132中)以及卸载螺旋输送器134和出料口136。联合收割机100还可以包括残料子系统138，其可以包括切碎机140和散布机142。联合收割机100还可以具有推进子系统，该推进子系统包括驱动地面接合轮144或履带等的发动机(或其他动力源)。将注意到，联合收割机100还可以具有上面提到的子系统中的任何子系统中的一个以上的子系统(例如左清洁靴、右清洁靴、分离器等)。
在操作中，并且作为概述，联合收割机100沿箭头146所示的方向示例性地移动通过一田地。随着收割机的移动，收割台102接合待被收割的作物并将其朝向切割器104聚集。在切割之后，通过进料室106中的传送机将其朝向进料加速器108移动，该进料加速器108将作物加速送入脱粒器110中。通过转子112将作物抵靠着凹部114旋转来对作物进行脱粒。通过分离器116中的分离器转子对脱粒的作物进行移动，一些残料在该分离器中通过排料搅拌器126朝向残料子系统138移动。残料可以被残料切碎机140切碎，并且由散布机142散布到田地上。在其他实施方式中，残料仅掉落在料堆中，而不是被切碎并散布。
谷粒落到清洁靴(或清洁子系统)118上。糠筛122从谷粒中分离出一些较大的材料，而细筛124从净谷粒中分离出一些较细的材料。净谷粒落到净谷粒提升机130中的螺旋输送器，该螺旋输送器将净谷粒向上移动并将其沉积在净谷粒罐132中。残料可以通过由清洁风扇120产生的气流从清洁靴118上移除。残料也可以在联合收割机100中向后朝向残料处理子系统138移动。
残穗可以通过残穗提升机128移动回到脱粒器110，残穗在该脱粒器处可以被重新脱粒。另选地，也可以将残穗传递到单独的重新脱粒机构(也使用残穗提升机或另外的输送机构)，残穗在该重新脱粒机构处也可以被重新脱粒。
图1还示出了在一个示例中，联合收割机100可以包括地面速度传感器147、一个或多个分离器损失传感器148、净谷粒相机150和一个或多个清洁靴损失传感器152。地面速度传感器147示例性地感测联合收割机100在地面上的行驶速度。这可以通过感测车轮、驱动轴、车轴或其他组件的旋转的速度来进行。联合收割机100的行驶速度和位置也可以由定位系统157感测，定位系统诸如为全球定位系统(GPS)、航位推算系统、LORAN系统或提供行驶速度的指示的各种其他系统或传感器。
清洁靴损失传感器152示例性地提供指示清洁靴118的右侧和左侧两者的谷粒损失的量的输出信号。在一个示例中，传感器152是每单位时间(或每单位行驶距离)对谷粒撞击进行计数的撞击传感器(或冲击传感器)，以提供清洁靴谷粒损失的指示。用于清洁靴的右侧和左侧的撞击传感器可以提供单独的信号，或者组合信号或聚合信号。应当注意，传感器152也可以仅包括单个传感器，而不是用于每个靴的分离的传感器。
分离器损失传感器148提供指示左分离器和右分离器中的谷粒损失的信号。与左分离器和右分离器相关联的传感器可以提供单独的谷粒损失信号或组合信号或聚合信号。这些信号也可以使用各种不同类型的传感器来做出。应当注意，分离器损失传感器148也可以仅包括单个传感器，而不是分离的左传感器和右传感器。
还应当理解，传感器和测量机构(除了已经描述的传感器之外)也可以包括联合收割机100上的其他传感器。例如，这些传感器可以包括残料设置传感器，该残料设置传感器被配置为感测收割机100是否被配置为切碎残料、掉下料堆等。这些传感器可以包括清洁靴风扇速度传感器，该清洁靴风扇速度传感器可以被配置为近端风扇120以感测风扇的速度。这些传感器可以包括感测转子112和凹部114之间的间隙的脱粒间隙传感器。这些传感器包括感测转子112的转子速度的脱粒转子速度传感器。这些传感器可以包括感测糠筛122中的开口的尺寸的糠筛间隙传感器。这些传感器可以包括感测细筛124中的开口的尺寸的细筛间隙传感器。这些传感器可以包括除谷粒以外的材料(MOG)的湿度传感器，该湿度传感器可以被配置为感测除了穿过联合收割机100的谷粒以外的材料的湿度水平。这些传感器可以包括机器设置传感器，该机器设置传感器被配置为感测联合收割机100上的各种可配置设置。这些传感器还可以包括收割机取向传感器，该收割机取向传感器可以是感测联合收割机100的取向或姿势的各种不同类型的传感器中的任何一种。作物特性传感器可以感测各种不同类型的作物特性，诸如作物类型、作物湿度和其他作物特性。这些传感器还可以被配置为在联合收割机100正在处理作物时感测作物的特性。例如，当谷粒通过净谷粒提升机130时，这些传感器可以感测谷粒进料速率。这些传感器可以感测作为通过提升机130的谷粒的质量流率的产量，该产量与被收割的位置相关，如由位置传感器157所指示的位置，或者这些传感器可以提供指示其他感测变量的其他输出信号。下面对可以使用的传感器类型的一些附加示例进行了描述。
图2A是示出了计算系统架构180的一个示例的框图，该计算系统架构包括作业机械100、先验数据收集系统182、替代数据收集系统184以及先验数据贮存器186，先验数据贮存器186通过网络188连接到作业机械100。图2A中所示的一些物件类似于图1中所示的那些物件，并且它们的编号类似。
网络188可以是各种不同类型的网络中的任何一种。例如，其可以是广域网、局域网、近场通信网络、蜂窝通信网络或各种其他网络中的任何一个或这些网络的组合。
先验数据收集系统182示例性地收集可以由作业机械100使用的先验数据，以生成可以用于控制作业机械100的模型(诸如预测地图)。因此，在一个示例中，系统182可以包括标准化差值植被指数(NDVI)成像仪190、热成像仪192、雷达/微波成像仪194、作物模型数据196、土壤模型数据198，并且其可以包括各种其他项目200。NDVI成像仪190可以包括诸如可以用来拍摄可从其生成NDVI值的图像的航拍成像系统(例如，卫星系统、有人驾驶或无人驾驶飞行器成像系统等)之类的事物。热成像仪192示例性地包括生成热数据的一个或多个热成像传感器。雷达/微波成像仪194示例性地生成雷达或微波图像。作物模型196可以用于生成预测作物的某些特征(诸如产量，湿度等)的数据。土壤模型198示例性地是生成土壤在田地的不同位置处的特征的预测模型。这样的特征可以包括土壤湿度、土壤压实度、土壤质量或土壤内容物等。目标产量管理地图199示例性地是由操作者232或该田地的另一管理者创建的地图，其指示了整个田地所希望的产量值，该产量值可以是基于诸如历史信息之类的事物的。
所有这些系统182可以用于生成直接指示度量值的数据或者从该数据可以获得度量值，并且用于控制作业机械100。这些系统可以布置在遥感系统上，诸如无人驾驶飞行器、有人驾驶飞行器、卫星等。由系统182生成的数据也可以包括各种其他事物，诸如天气数据、土壤类型数据、地形数据、基于历史信息的人工生成的地图以及用于生成与作业机械100当前布置在其上的作业现场相对应的数据的各种其他系统。
替代数据收集系统184可以类似于系统182或与之不同。如果替代数据收集系统184与系统182相同或相似，则它们可以收集相同类型的数据，但是在生长季节的不同时间进行收集。例如，在生长季节的第一时间期间生成的某些航拍图像可能比后期在生长季节捕获的其他航拍图像更有用。这仅是一个示例。
替代数据收集系统184也可以包括不同的收集系统，这些不同的收集系统生成关于布置作业机械100的田地的不同类型的数据。另外，替代数据收集系统184可以类似于系统182，但是它们可以被配置为以不同的分辨率(诸如以较高的分辨率、较低的分辨率等)收集数据。它们也可以被配置为使用不同的收集机制或数据捕获机制来捕获相同类型的数据，这些不同的收集机制或数据捕获机制在不同的标准下可能更精确或不太精确。
因此，先验数据贮存器186包括地理参考的先验数据202以及替代地理参考的先验数据204。先验数据贮存器186也可以包括其他项目206。数据202可以例如是植被指数数据，该植被指数数据包括作为正被收割的田地的地理参考植被指数值。植被指数数据可以包括诸如下列事物：NDVI数据；叶面积指数数据；土壤调整的植被指数(SAVI)数据；修改或优化的SAVI数据；简单比例或修改的简单比例数据；重新标准化差值植被指数数据、与叶绿素/色素有关的指数(CARI)；修改或转换的CARI、三角植被指数数据；结构不敏感色素指数数据；标准化色素叶绿素指数数据；光化学反射率指数数据；红边指标；导数分析指标；以及许多其他指数，图2B中示出了一些指数。在另一示例中，先验数据202包括地理参考预测。
图2B是示出了一组示例性地理参考预测数据或先验数据202的框图。示例性地，先验数据202包括数据类型2002和数据属性2024，并且还可以包括其他项目，如由框2060所示。数据类型2002可以是下列项目(但不限于这些项目)中的一项或多项：作物生物量2004；作物谷粒产量2006；谷粒以外的材料(MOG)2008；谷粒属性2010，并且还可以包括其他项目，如由框2022所指示的。
作物生物量2004可以指示在该田地的给定部分中的生物量的预测量。例如，生物量可以表示为面积单位(m2)上的质量单位(kg)。作物谷粒产量2006可以指示在该田地的给定部分中的产量的预测量。例如，作物谷粒产量可以表示为面积单位(英亩)上的产量单位(蒲式耳)。
谷粒属性2010可以包括各种不同的属性。如由框2012所示，可以估计谷粒湿度。如由框2014所示，可以估计谷粒蛋白质。如由框2016所示，可以预测谷粒淀粉。如由框2018所示，可以预测谷粒脂肪。当然，这些仅是示例，并且如由框2020所示，还可以感测、估计或预测其他作物属性。
数据属性2024可以包括各种不同的属性，其中一些属性适用于一组先验的数据而不适用于另一组先验数据。例如，仅当通过传感器感测与电磁有关的某些特征而收集数据时，EM频率2038才可以适用。属性数据源2025指示进行预测的数据的源。例如，数据源2025指示一个或多个先验数据收集系统182。属性感测日期2026指示感测数据的日期。属性时间分辨率2028指示收集数据的时间的量(例如，单个图像将具有最小的时间分辨率)。属性空间分辨率2030指示被感测到的空间分辨率，即给定传感器可以精确地感测的最小面积单位。地理空间位置2032指示被感测的位置。地理空间精度2034指示地理空间传感器的精度或统计变化。地理空间准确性2036指示地理空间传感器的准确度。频率2038指示EM传感器的频率。EM分辨率2040指示EM传感器的分辨率。标识符2042指示可以用作作物模型的标识符的作物模型的名称或编号。天气数据2044指示感测时的天气。天气数据准确性2046指示给定天气数据的准确性。作物类型2048指示所感测的作物的类型。表型变化2050指示给定作物的基因型的表型变化。质量得分2052由模型质量度量生成器248生成，并且指示预测的估计质量。数据属性2024也可以包括其他项目，如由框2054所示。
图2A还示出了作业机械100可以包括一个或多个不同的处理器208、通信系统210、传感器212[其可以包括产量传感器211、位置/路线传感器157、速度传感器147以及各种其他传感器214(其可以是上述参照图1所述的那些传感器或不同的传感器)]、现场数据收集系统216、模型生成器系统218、模型评估系统220、数据贮存器222、控制系统224、可控制子系统226、操作者界面机制228，并且其可以包括各种其他项目230。
图2A示出了操作者232可以与操作者界面机制228相互作用以便控制和操纵机器100。因此，操作者界面机制228可以包括诸如转向轮、踏板、控制杆、操纵杆、按钮、拨盘、连杆等的事物。另外，它们可以包括显示设备，该显示设备显示诸如图标、链路、按钮等的用户可激活元件。在显示器是触摸式显示器的情况下，那些用户可激活项目可以通过触摸手势来致动。类似地，在机制228包括语音处理机制的情况下，操作者232则可以分别通过麦克风和扬声器提供输入并接收输出。操作者界面机制228可以包括各种其他听觉机制、视觉机制或触觉机制中的任何一种。
现场数据收集系统216示例性地包括数据聚合逻辑234、数据测量逻辑236，并且其可以包括其他项目238。模型生成器系统218示例性地包括可以使用不同方案以生成可以用于控制机器100的预测模型的一组不同的模型生成机制240-242。例如，这些模型生成机制可以使用线性函数、不同函数(诸如曲线)生成预测模型，或者这些模型生成机制可以用于生成不同类型的预测模型，诸如神经网络、贝叶斯模型等。系统218也可以包括其他项目244。
模型评估系统220示例性地接收由模型生成器系统218生成的一个或多个预测模型，并且评估该模型的准确性。因此，该模型评估系统220包括模型评估触发器246、模型质量度量生成器248、模型评估器逻辑250(其本身包括阈值逻辑252、排序逻辑254和其他项目256)、模型选择逻辑258，并且其可以包括其他项目260。
评估触发器逻辑246检测评估触发器，该评估触发器指示模型评估系统220用于评估一个或多个预测模型的准确性。这些模型可以在当前用于控制作业机械100，或者这些模型可以是被生成的不同模型，如果替代模型更准确的话，则作为可以用于替代当前模型的替代模型。一旦被触发，则模型质量度量生成器248示例性地生成针对正在分析的模型的模型质量度量。举个例子可能会有帮助。
假设由系统218生成的预测模型是预测在正进行收割的田地中的不同位置处的产量的预测产量模型。将基于各种不同类型的标准(下面将对其中一些标准进行描述)中的任何一个来触发评估触发器逻辑246，从而在收割操作期间，模型评估系统220迭代并且动态地评估预测产量模型的准确性。在这种情况下，模型质量度量生成器248将从产量传感器211获得实际产量数据，并且确定其正在评估的预测产量模型的准确性。基于该准确性，模型质量度量生成器248生成准确性得分或质量得分。模型质量度量生成器248可以针对一个或多个不同的模型进行此操作。
模型评估器逻辑250然后确定该模型是否具备合格条件而被使用以控制机器100。模型评估器逻辑250可以以多种不同的方式来执行此操作。阈值逻辑252可以将由生成器248生成的模型质量度量与阈值进行比较，以确定模型是否正在充分地执行(或将要执行)。在同时评估多个模型的情况下，排序逻辑254可以基于针对每个模型生成的模型质量度量来对这些模型进行排序。排序逻辑254可以找到最佳执行模型(其模型质量度量最高)，然后阈值逻辑252可以确定用于该模型的模型质量度量是否满足阈值。
模型选择逻辑258然后选择一模型，其中该模型基于模型质量度量及其评估正在充分地执行(或将要执行)。模型选择逻辑258将选择的预测模型提供给控制系统224，控制系统224使用该模型来控制所述不同的可控制子系统226中的一个或多个不同的可控制子系统。
因此，控制系统224可以包括进给速率控制逻辑262、设置控制逻辑264、路线控制逻辑266、动力控制逻辑268，并且其可以包括其他项目270。可控制子系统226可以包括推进子系统272、转向子系统274、可以用于改变机器设置、机器配置等的一个或多个不同的致动器276、动力利用子系统278，并且控制系统224可以包括各种其他系统280，其中一些系统参照图1在上面进行了描述。
基于收割机100将要遇到的地理位置的产量或由预测模型预测的其他特征，进给速率控制逻辑262示例性地控制推进系统272和/或任何其他可控制子系统226以保持相对恒定的进给速率。举例来说，如果预测模型指示联合收割机前面(沿行驶方向)的预测产量将会降低，则进给速率控制逻辑262可以控制推进系统272以提高作业机械100的前进速度，从而保持进给速率相对恒定。另一方面，如果预测模型指示作业机械100前面的产量将相对较高，则进给速率控制逻辑262可以控制推进系统272减速以再次将进给速率保持在相对恒定的水平。
类似地，设置控制逻辑264可以控制致动器226，以便基于正被收割的田地的预测特征(例如，基于预测产量或其他预测特征)来改变机器设置。举例来说，设置控制逻辑264可以基于收割机将要遇到的预测产量或生物量来致动改变联合收割机上的凹部间隙的致动器276。
路线控制逻辑266也可以基于预测模型来控制转向子系统274。举例来说，操作者232可能已经意识到雷雨即将来临，并且通过操作者界面机制228提供了指示操作者232希望在最短时间量内收割田地的输入。在这种情况下，预测产量模型可以识别相对较高产量的区域，并且路线控制逻辑266可以控制转向子系统274以首先优先地收割那些区域，从而可以在雷雨到达之前从田地获得大部分产量。这仅是一个示例。在另一个示例中，可能的是，预测模型正在预测可能影响牵引力的土壤特征(诸如土壤湿度、泥浆的存在等)。路线控制逻辑266可以控制转向子系统274，以基于在穿过田地的不同路线处的预测牵引力来改变作业机械100的路线或方向。
动力控制逻辑268也可以基于预测值生成控制信号以控制动力利用子系统278。例如，动力控制逻辑268可以基于预测模型将动力分配给不同的子系统，通常提高动力利用率或降低动力利用率等。这些仅是示例，并且也可以使用各种其他控制信号来以不同方式控制其他可控制子系统。
图3A至图3C(在本文中统称为图3)示出了流程图，该流程图示出了图2中所示的架构180的操作的一个示例。首先假设作业机械100准备在作业现场执行操作。这由图3的流程图中的框290指示。可以为机器配置初始的机器设置，这些初始的机器设置可以由操作者提供或者可以是针对机器操作的默认设置。这由框292指示。也可以初始化可以用于控制作业机械100的预测模型。在这种情况下，可以将模型参数设置为根据经验确定或以其他方式确定的初始值或默认值。初始化预测模型由框294指示。
在另一个示例中，可以基于历史使用在作业机械100在田地的初始操作期间使用预测模型。举例来说，可能的是，在最后一次收割该当前田地时，根据该作物类型，使用并存储预测模型。该模型可以被检索并用作控制作业机械100的初始预测模型。这由框296指示。也可以以各种其他方式来配置和初始化作业机械，并且这由框298指示。例如，作业现场可以是下面更详细地讨论的图4A中的田地530。
通信系统210示例性地是可以用于从先验数据贮存器186通过网络188获得先验数据的系统的类型。通信系统210因此获得先验数据，该先验数据示例性地是针对正被收割(或即将被收割)的田地的地理参考植被指数数据。获得先验数据由框300指示。可以从各种不同类型的数据源生成如上述参照图2所讨论的先验数据，数据源诸如为航拍图像302、热图像304、来自用于种植该田地的种子稳定器(firmer)上的传感器的温度(如由框306所示)、或者各种其他数据源308。例如，先验数据可以是如在下面更详细地讨论的图4B中所示的示例性数据。
一旦获得先验数据，就将其提供给模型生成系统218，并且作业机械100开始(或继续)执行操作(例如，收割操作)。这由框310指示。同样，在手动操作314下，控制系统224可以使用初始预测模型(如上所述)316或以如由框318所示的其他方式开始利用默认的一组控制参数312来控制可控制子系统226。
当机器100正在执行操作(例如，收割操作)时，传感器212在该操作期间示例性地生成指示各种感测变量的现场数据(或田地数据)。在操作期间从作业机械100上的传感器获得现场(或田地)数据由图3的流程图中的框320指示。在本文讨论的示例中，现场数据可以是从产量传感器211生成的实际产量数据322。如上面所讨论的，产量传感器211可以是感测进入机器上的净谷粒罐的谷粒的质量流量的质量流量传感器。然后，可以将该质量流量与其被收割的田地中的地理位置相关联，以获得针对该地理位置的实际产量值。当然，取决于所生成的预测模型的类型，现场(或田地)数据也可以是各种其他类型的数据324中的任何一种。
在模型生成系统218可以动态地生成预测模型(例如，地图)之前，或者在模型评估系统220可以充分地评估预测模型的准确性之前，传感器212必须生成足够的现场田地数据以使模型生成和/或评估有意义。因此，在一个示例中，现场数据收集系统216包括数据聚合逻辑234，该数据聚合逻辑234聚合由来自传感器212的输出生成的现场数据或基于来自传感器212的输出的现场数据。数据测量逻辑236可以按照各种不同的标准来跟踪该数据，以确定现场数据的量何时是足够的。这由图3的流程图中的框326指示。在此之前，处理返回到框320，在框320处，机器100继续执行操作，并且数据聚合逻辑234继续基于来自传感器212的输出(以及可能还有其他信息)聚合现场(田地)数据。在一个示例中，数据测量逻辑236生成数据收集测量，该数据收集测量可以指示已经收集的现场数据的量。这由框328指示。举例来说，正在生成或评估的特定类型的预测模型可以在已生成一定量的数据之后最佳地生成或评估。这可以由数据收集测量328指示。
在执行操作的同时，数据测量逻辑236可以测量机器100已经在田地中行驶的距离。这可以用于确定是否已经聚合了足够的现场(田地)数据，并且其由框330指示。
数据测量逻辑236可以测量机器100正在执行操作的时间的量，并且这可以给出关于是否已经获得足够的现场数据的指示。这由框332指示。数据测量逻辑236可以量化已经由数据聚合逻辑234聚合的数据点的数量，以确定其是否足够。这由图3的流程图中的框334指示。也可以通过各种其他方式确定是否已收集到足够的现场数据，这由框336指示。
一旦已经收集了足够的现场数据，就将其提供给模型生成系统218(其也已经接收到先验数据)。系统218使用模型生成机制240-242中的至少一个模型生成机制，以便使用先验数据和现场数据来生成预测模型。这由图3的流程图中的框338指示。还将注意到，如下面所讨论的，即使在已经生成预测模型并将该预测模型用于控制作业机械100之后，也可以基于现场数据的连续接收而迭代地评估和更新(或完善)预测模型。因此，在已经生成了预测模型的框338处，可以动态地并且迭代地更新和改进该预测模型。
在一个示例中，通过将现场数据分为训练数据组和验证数据组来生成预测模型。这由框340指示。训练数据与先验数据一起可以被提供给模型生成机制(诸如机制240)以生成预测模型。这由框342指示。将注意，可以使用附加的模型生成机制242来生成替代预测模型。类似地，甚至可以使用生成了正在分析的预测模型的相同的模型生成机制240来利用不同的一组先验数据生成替代预测模型。使用替代先验数据组或替代模型生成机制来生成替代模型由框344指示。
模型生成机制240-242可以包括各种不同类型的机制，诸如线性模型、多项式曲线模型、神经网络、贝叶斯模型或其他模型。这由框346指示。预测模型也可以以各种其他方式生成和/或动态地更新，这由框348指示。
一旦已经生成或更新了预测模型，则模型评估系统220通过生成预测模型的模型质量度量来评估该模型。这由图3的流程图中的框350指示。作为示例，评估触发器逻辑246可以检测指示要评估的模型的评估触发器。这由框352指示。例如，评估系统220可以简单地由下列事实触发：模型生成器系统218向评估系统提供预测模型以进行评估。在另一个示例中，预测模型可能已经用于控制作业机械100，但是要间歇地或周期性地对其进行评估。在这种情况下，如果用于评估的间隔已过，则这可以触发评估触发器逻辑246。在又一个示例中，可能的是预测模型当前正在被用来控制作业机械100，但是许多不同的替代模型也已生成，并且现在可用于评估。在这种情况下，可以评估替代模型以确定它们是否会比当前使用的预测模型更好地执行。这也可以是用于评估触发器逻辑246的触发器。在操作期间，模型评估也可以连续地进行。
在另一个示例中，可以基于非周期性事件的存在来检测评估触发器，该评估触发器指示要评估的预测模型。例如，可能的是操作者232提供了指示该操作者希望评估替代模型的输入。类似地，可能的是模型生成系统218接收到新的先验数据或新的模型生成机制。所有这些或其他事件可以触发模型评估系统220以评估预测模型。类似地，即使当前预测模型可以充分地运行，也可以设置替代模型间隔，在该模型间隔处评估可用的替代模型，以确保当前正在使用的模型是用于控制机器100的最佳模型。因此，当替代模型评估间隔已过时，这也可能会触发模型评估逻辑来评估新模型。
为了计算分析中的预测模型的模型质量度量，模型质量度量生成器248示例性地将现场验证数据组施加于分析中的模型。这由框354指示。然后其示例性地生成测量模型的误差的误差度量。这由框356指示。在一个示例中，误差度量是测量模型的误差的平方的r2误差度量。还可以使用各种质量度量机制来生成用于分析中的预测模型的模型质量度量。这由框358指示。例如，图4C中的规则可以用来确定质量得分。下面对图4C进行更详细地讨论。
一旦已经为分析中的预测模型生成了模型质量度量，则模型评估器逻辑就确定该模型是否应该用于控制机器100。这由框360指示。例如，阈值逻辑252可以确定模型质量度量是否满足阈值。这由框362指示。可以基于诸如机器100正在使用的特定应用、历史经验等因素来设置阈值。在将r2值用作质量度量的一个示例中，可以使用0.7或0.7以上的阈值。这仅是一个示例，阈值也可以小于或大于0.7。
在已经生成多个不同的预测模型的情况下，排序逻辑254可以基于质量度量对模型进行排序。关于是否应使用分析中的模型的决定可以基于其在模型的排序列表中的排名来进行。这由框364指示。模型评估器逻辑250可以确定是否还要以其他方式使用分析中的模型，这由框366指示。
如果在框360处确定要使用分析中的模型，则模型选择逻辑258选择该模型并将其提供给控制系统224以用于控制机器100。控制系统224然后使用合格的模型生成控制信号来控制一个或多个可控制子系统226。这由图3的流程图中的框368(图3B)指示。举例来说，预测模型可以用于预测作业机械100将遇到的产量或生物量或其他特征。这由框370指示。控制系统224中的各种不同类型的逻辑可以基于由预测模型提供的预测来生成控制信号。这由框372指示。合格的模型也可以用于以各种其他方式生成控制信号，并且这由框374指示。
然后，将控制信号施加到一个或多个可控制子系统以控制机器100。这由图3的流程图中的框376指示。例如，如上面所讨论的，进给速率控制逻辑262可以生成控制信号，并且将控制信号施加到推进系统272，以控制机器100的速度来保持进给速率。这由框378指示。设置控制逻辑264可以生成控制信号以控制设置致动器276来调整机器设置或配置。这由框380指示。路线控制逻辑266可以生成控制信号并且将控制信号施加到转向子系统274来控制机器100的转向。这由框382指示。动力控制逻辑268可以生成控制信号并将控制信号施加到动力利用子系统278来控制机器100的动力利用。这由框384表示。也可以生成各种其他控制信号，并且将这些其他控制信号施加到各种其他可控制子系统上，以控制机器100。这由框386指示。
除非操作完成，否则如由框388所指示的，现场数据收集系统示例性地重置由数据测量逻辑236生成的现场数据收集测量，从而可以确定是否已收集足够量的现场数据以重新评估当前模型(或不同模型)。重置现场数据收集测量由图3的流程图中的框390指示。如上面所讨论的，即使在当前模型已经被评估并且足够精确以控制作业机械100的情况下，随着获得更多的现场(田地)数据，该相同模型也被迭代地进行评估和完善。随着田地条件的变化，可能的是该模型不再像最初那样准确。因此，在机器100执行操作的同时，该模型被迭代地且动态地评估，以确保：其足够准确以用于机器100的控制。因此，一旦在框390处重置了现场数据收集测量，则处理返回至框320，在框320处，数据聚合逻辑234继续聚合现场数据，直到已经聚合足够的现场数据以执行另一评估或模型生成步骤为止。
再次返回到图3中的框360，如果模型评估系统220确定分析中的预测模型的质量不高至足以被控制系统224使用于控制机器100，则这触发评估触发器逻辑246以确定是否存在任何替代模型，这些替代模型可以被生成或评估以确定它们是否应代替刚刚评估的模型而被使用。确定是否存在任何其他模型由图3的流程图中的框392(图3C)指示。再次，因为已经接收到不同的先验数据(例如，替代先验数据204)，使得替代模型可以或者已经被生成，因此替代模型可以被生成或是可用的。这由框392指示。另外，可能的是可以(甚至在与先前使用的相同的先验数据上)使用不同的模型生成机制240-242来生成可以被评估的替代模型。这由框394指示。
在另一个示例中，可能的是已接收到新的模型生成机制，并且也已接收到新的先验数据，从而可以使用新的机制和新的先验数据生成(或已经生成)替代模型。这由图3的流程图中的框396指示。确定是否存在要生成或评估的任何替代模型也可以通过各种其他方式来执行，这由框398指示。
如果在框392处确定没有替代模型生成或评估，则模型评估逻辑220将其指示给操作者界面机制228，并且向操作者232显示消息，以指示对机器100的控制正在恢复为手动或预设控制。在这种情况下，控制系统224通过操作者界面机制228从操作者232接收控制输入，或者该控制系统可以接收预设输入，或者该控制系统可以恢复为使用默认模型进行控制。这全部由图3的流程图中的框400指示。
然而，如果在框392处确定存在可以生成或已经生成并准备好进行评估的替代模型，则在框402处进行处理，在框402处，生成和/或评估一个或多个替代模型以确定它们是否具有足够的质量以在作业机械100中使用。评估可以如以上关于图3的流程图中的框338-360所述的进行。
模型选择逻辑258然后确定正被评估的任何模型是否具有足够高的质量度量以用于控制机器100。这由框404指示。如果不是，则处理返回至框400。还应注意，在一个示例中，基本上同时全部评估了多个替代模型。在这种情况下，模型选择逻辑258可以选择最佳替代模型(假设其质量足够好)以控制机器100。在另一示例中，在给定时间仅评估一个替代模型。
在任一示例中，如果在框404处，模型评估器逻辑250识别出具有用于控制机器100的足够高的质量度量的模型，则模型选择逻辑258基于选择标准来选择该模型以进行控制。这由框406指示。再次，在正在评估多个模型的情况下，模型选择逻辑258可以简单地选择具有高于阈值的质量度量的第一模型。这由框408指示。在另一个示例中，排序逻辑254可以基于所有正被评估的模型的质量度量对这些模型进行排序，并且模型选择逻辑258可以选择具有最佳质量度量值的模型。这由框410指示。也可以以其他方式选择模型，并且这由框412指示。一旦选择了模型，则在框368处进行处理，在框368处，该模型用于生成用于控制机器100的控制信号。
到目前为止，在该描述中，已经假设控制系统224使用一个预测模型来控制可控制子系统226。然而，可能的是，控制系统224使用不同的预测模型来控制不同的可控制子系统。另外，可能的是，使用多个不同的预测模型的输出来控制多个不同的可控制子系统。类似地，可能的是，模型是特定于具体的一个致动器或一组致动器的模型。在该示例中，预测模型可以用于生成控制信号以控制单个致动器或一组致动器。
图4A是示出了一个示例性田地540的示图，在该示例性田地540中，如上所讨论的，诸如机器100之类的机器正在执行收割操作。如图所示，田地540包括灌溉部分542和未灌溉部分544。在该示例中，假设对于作为谷物的未收割作物在生长期12(V12)具有足够的降雨，从而不需要进行灌溉。在谷粒灌浆(grain fill)期间，当风546在收割时具有很高的速度时，谷粒变得非常干燥，这会降低产量并引起多尘情况。
田地540包括：完全位于灌溉部分542内的部分531；完全位于未灌溉部分544内的部分533；和部分地位于灌溉部分542中并且部分地位于未灌溉部分544中的部分532。部分531、532和533的宽度与移动机械100的收割台102的宽度大致相同。
部分531、532和533具有相邻部分551、552和553，这些相邻部分先前已由移动机械100收割。
部分531、532和533分别具有地理参考预测(如图4B所示)511a-511d、512a-512d和533a-533d。这些地理参考预测可以例如存在于数据贮存器186中。现在将讨论图4B中的不同的地理参考预测。
基于NDVI图像进行地理参考预测511a、512a和513a。在一个示例中，NDVI图像具有下列属性。NDVI图像的时间定位是2020年7月15日，在该时间作物处于生长期V12。NDVI图像的分辨率为2cm2像素、5cm像素定位精度和1cm像素定位精度。
在V12拍摄的NDVI图像与收割产量之间存在相关性。虽然空间分辨率较好，但是从捕获NDVI图像(在通风之前)到用来估计产量(通风之后收割)之间的时间很短。在湿度应力(通风)之前捕获了用于生成产量估计的NDVI数据，因此对于三个部分531、532和533的预测产量是相似的。因此，在该示例中，因为NDVI图像被过早地拍摄，所以通风条件影响未灌溉部分544中的未灌溉作物的产量没有由该NDVI图像反映。
基于由联合收割机收割台102上的单株谷物茎秆直径传感器生成的信号来进行地理参考预测511b、512b和513b。在一个示例中，谷物茎秆直径传感器具有下列属性。时间定位是2020年10月15日(例如，收割期间的实时时间)。传感器的直径准确性和直径精度分别为2mm和1mm。
茎秆直径与产量之间存在相关性。当杂草可能干扰茎秆的识别和测量时，这种方法的准确性可能在杂草区变差。当产量在生殖期与生长期中受到限制时，其准确性也可能较低。
基于来自联合收割机100的相邻通行(adjacent pass)的产量来预测地理参考预测511c、512c和513c。在一个示例中，来自联合收割机的相邻通行的产量具有下列属性。时间定位是2020年10月15日(例如，收割期间的实时时间)。空间准确性、定位准确性和定位精度分别为3m、10cm和1cm。
基于联合收割机100上的前视摄像机预测地理参考预测511d、512d和513d。在一个示例中，前视摄像机具有下列属性。时间定位是2020年10月15日(例如，收割期间的实时时间)。像素面积、定位准确性和定位精度分别为5cm2、4cm和1cm。
下面为部分531、532和533中的每一个部分提供由模型质量生成器248和/或模型选择逻辑258完成的示例性分析。下列示例是针对图4C中的示例性质量规则进行描述的。注意，图4C中的质量规则仅是示例，并且也可以应用不同的规则。
关于图4A中的部分531的预测在图4B中将作为预测511a、511b、511c和511d被示出。对于基于NDVI的预测511a，因为部分531已经被完全灌溉，所以图4C中的任何规则都不适用。因此，模型质量生成器248确定该质量得分为高。对于茎秆直径预测511b，因为部分531没有杂草(例如，如由航拍图像和/或侦察确定)，所以图4C中的规则都不适用。因此，模型质量生成器248确定该预测质量得分为高。对于相邻通行预测511c，因为部分531被完全灌溉并且相邻部分551也被完全灌溉，因此对于所有预测的产量的相似性应该为高，所以图4C中的任何规则都不适用。因此，模型质量生成器248确定质量得分为高。对于前瞻性预测511d，因为土壤湿度高(例如，由于已知的灌溉或降雨和/或由于感测到湿度)，这意味着几乎没有或没有气载尘埃存在，所以图4C中的任何规则都不适用。因此，模型质量生成器248确定该质量得分为高。在某些示例中，遮蔽传感器还用于检查是否存在气载尘埃或存在其他遮蔽。
鉴于以上分析，根据图4C的规则1，由模型质量生成器248将用于部分531的预测的所有质量得分都设置为高。根据图4C的规则2，模型选择逻辑258应该对具有高质量得分的预测求平均以获得要使用的值(例如，200+205+200+190)/4＝199蒲式耳/英亩作为所使用的预测值)。将该预测传递到控制系统224，在机器100行驶穿过部分531时，该控制系统将机器100的组件设定为对产量为199蒲式耳/英亩的作物进行最佳处理。
关于图4A中的部分532的预测在图4B中作为预测512a、512b、512c和512d示出。对于基于NVDI的预测512a，因为自捕获V12 NDVI图像以来仅部分地灌溉了部分532，并且由于水应力而已存在一定的产量损失，所以模型选择逻辑258应用图4C中的规则6。因此，模型选择逻辑258给予该预测一中等得分。对于基于茎秆的预测512b，因为作物侦察已显示该部分略微存在杂草，所以模型选择逻辑258应用图4C的规则7。因此，模型选择逻辑258确定该质量应该为中等。对于相邻通行预测512c，因为部分532被部分地灌溉并且相邻部分552被完全灌溉，所以模型选择逻辑258应用图4C的规则9。因此，模型质量度量生成器248确定预测512c具有中等质量度量。对于前瞻性预测512d，因为土壤湿度高(例如，由于已知的灌溉或降雨和/或感测到的湿度)，这意味着几乎没有或没有气载尘埃存在，所以图4C中的任何规则均不适用。因此，模型质量生成器248确定该质量得分为高。
由于对于具有高质量得分的部分532仅存在一个地理参考预测，因此175蒲式耳/英亩的前瞻性产量预测512d是由模型选择逻辑258选择的预测，并被传递到控制系统224。该预测被传递到控制系统224，当机器100行驶穿过部分531时，控制系统224将机器100的组件设定为对产量为175蒲式耳/英亩的作物进行最佳处理。
关于图4A中的部分532的预测在图4B中作为预测513a、513b、513c和513d示出。对于基于NVDI的预测513a，因为部分533完全位于未灌溉部分544中，所以模型选择逻辑258应用图4C中的规则5。自从生成V12 NDVI产量预测以来，由于湿度应力已产生了明显的产量损失。因此，模型选择逻辑258给予该预测一低得分。对于基于茎秆的预测512b，因为该部分在生长期中具有足够的湿度，所以模型选择逻辑258应用图4C的规则11。茎秆直径不受在谷粒灌浆期间降低了产量的随后通风的影响。因此，模型选择逻辑258确定该质量应该为低。对于相邻通行预测512c，因为部分533完全未被灌溉而相邻部分553被部分灌溉，所以模型选择逻辑258应用4C的规则9。因此，模型质量度量生成器248确定预测513c具有中等的质量度量。对于前瞻性预测513d，因为部分533还未被灌溉，土壤是尘状的并且风546可以扬起尘土而遮盖前视摄像机，所以模型选择逻辑258应用图4C的规则9。因此，模型质量度量生成器248确定预测513d具有低的质量度量。
由于用于部分533的最高地理参考预测是具有中等质量得分的预测513c，因此150蒲式耳/英亩的相邻通行预测513c是由模型选择逻辑258选择的预测。该预测被传递到控制系统224，在机器100行驶穿过部分533时，该控制系统224将机器100的组件设定为对产量为150蒲式耳/英亩的作物进行最佳地处理。
图5是示出在使用多个不同的预测模型来控制不同的可控制子系统的示例中，架构180的操作的一个示例的流程图。因此，首先假设模型生成系统218识别出一组具体的预测模型而不是单个预测模型将用于控制机器100。这由图5的流程图中的框420指示。预测模型可以是子系统特定的模型，以便使用不同的预测模型来控制所述不同的可控制子系统226中的每一个可控制子系统。这由图5的流程图中的框422指示。这些不同的预测模型可以是致动器特定的模型，使得由控制系统224使用不同的预测模型来控制不同的致动器或一组致动器。这由框424指示。可以以其他方式配置模型，使得例如使用多个不同模型的输出来控制单个子系统，或者使得使用单个模型来控制可控制子系统的子集，同时使用另一个模型来控制其余的可控制子系统或这些子系统的不同子集。以其他方式识别该组具体的预测模型由图5的流程图中的框426指示。
在该示例中，模型生成器系统218然后生成待被评估的一组具体的预测模型，并且模型评估系统220评估那些具体的预测模型。模型评估系统220示例性地识别与作业机械100上的每个子系统/致动器(或子系统/致动器的子集)相对应的合格的模型。这由图5的流程图中的框428指示。
模型选择逻辑258为每个系统/致动器选择一模型，并将其提供给控制系统224。控制系统224使用该合格的模型以生成用于相应的子系统/致动器(或子系统/致动器的子集)的信号。这由图5的流程图中的框430指示。
举例来说，可能的是通过预测模型对田地中的牵引力进行建模。该模型的输出可以被控制系统224使用以控制转向子系统274，以使其在预测牵引力不足的泥泞或潮湿区域周围转向。在这种情况下，现场数据可以是土壤湿度数据，该数据由机器100上的土壤湿度传感器感测并且被作为用于预测牵引力模型的实际的现场田地数据提供。在另一个示例中，可以通过预测地形的单独的预测模型来控制收割台提升致动器。现场数据可以指示机器100在其上行驶的实际地形。当然，存在可以由控制系统224使用以控制单独致动器、一组执行器、单独子系统、一组子系统等的各种其他类型的预测模型。
如以上关于图3讨论的单个模型示例一样，所述多个不同的预测模型中的每一个将被示例性地动态地和迭代地评估。类似地，如果在评估过程中发现替代模型执行得较好，则可以将所述多个不同的预测模型替换为替代模型。因此，在这样的示例中，多个预测模型被连续地、动态地并且迭代地更新、改进，并针对替代模型进行评估。在作业机械在田地中运行期间，可以根据评估结果几乎实时地将用于控制的模型与替换模型交换。以这种方式，继续运行时间评估由图5的流程图中的框432指示。
本讨论内容已经提到了处理器和服务器。在一个实施例中，处理器和服务器包括未单独示出的具有相关联的存储器和定时电路的计算机处理器。处理器和服务器是它们所属的系统或装置的功能部分，并由这些系统中的其他组件或项目激活并促进这些系统中的该其他组件或项目的功能。
将注意，以上讨论已经描述了各种不同的系统、组件和/或逻辑。应当理解，这样的系统、组件和/或逻辑可以包括执行与这些系统、组件和/或逻辑相关联的功能的硬件项目(诸如处理器和相关联的存储器或其他处理组件，其中一些在下面描述)。另外，如下所讨论的，系统、组件和/或逻辑可以包括加载到存储器中并随后由处理器或服务器或其他计算组件执行的软件。系统、组件和/或逻辑还可以包括硬件、软件、固件等的不同组合，下面描述其一些示例。这些仅仅是可以用于形成上述系统、组件和/或逻辑的不同结构的一些示例。也可以使用其他结构。
此外，已经讨论了许多用户界面显示。用户界面显示可以采取各种不同的形式，并且可以在其上设置各种不同的用户可致动的输入机制。例如，用户可致动的输入机制可以是文本框、选择框、图标、链接、下拉菜单、搜索框等。用户界面显示还可以以各种不同的方式来激活。例如，可以使用点击装置(诸如跟踪球或鼠标)来激活它们。可以使用硬件按钮、开关、操纵杆或键盘、拇指开关或拇指垫等来激活它们。也可以使用虚拟键盘或其他虚拟致动器来激活它们。另外，在显示它们的显示屏是触敏屏的情况下，可以使用触摸手势来激活它们。同样，在显示它们的装置具有语音识别组件的情况下，可以使用语音命令来激活它们。
还讨论了许多数据贮存器。应当注意，数据贮存器均可以分成多个数据贮存器。所有数据贮存器都可以是访问它们的系统的本地数据贮存器，所有数据贮存器都可以是远程的，或者某些数据贮存器可以是本地的，而另一些可以是远程的。本文考虑了所有这些配置。
此外，这些图示出了具有归因于每个块的功能的多个块。应当注意，可以使用更少的块，因此功能由更少的组件来执行。同样，可以将更多的块与分布在更多组件之间的功能一起使用。
图6是图2中所示的收割机100的框图，除了其与远程服务器架构500中的元件进行通信之外，其与图2的实施例相似。在示例中，远程服务器架构500可以提供不需要终端用户了解交付服务的系统的物理定位或配置的计算、软件、数据访问和存储服务。在各种示例中，远程服务器可以使用适当的协议通过广域网(诸如因特网)交付服务。例如，远程服务器可以通过广域网交付应用程序，并且它们可以通过网页浏览器或任何其他计算组件对其进行访问。图2中所示的软件或组件以及相应的数据可以存储在远程位置处的服务器上。远程服务器环境中的计算资源可以在远程数据中心位置处进行整合，或者它们也可以进行分散。远程服务器基础结构可以通过共享数据中心交付服务，即使它们对于用户而言表现为单个访问点。因此，可以使用远程服务器架构从位于远程位置处的远程服务器提供本文所述的组件和功能。另选地，它们可以从常规服务器提供，或者它们也可以直接或以其他方式安装在客户端设备上。
在图6中所示的示例中，一些物件类似于图2中所示的那些物件，并且它们被类似地编号。图6具体示出了模型生成系统218、模型评估系统220和先验数据贮存器186可以位于远程服务器位置502处。因此，收割机100通过远程服务器位置502访问那些系统。
图6还描绘了远程服务器架构的另一示例。图6示出了还可以预期的是，图2的一些元件被布置在远程服务器位置502处，而其他元件则没有被布置在此。举例来说，数据贮存器186可以被布置在与位置502分开的位置处，并且可以通过在位置502处的远程服务器进行访问。无论数据贮存器位于何处，它们都可以由收割机100通过网络(广域网或局域网)直接访问，它们可以由服务托管在远程站点，或者它们可以作为服务提供，或者它们也可以由位于远程位置的连接服务访问。而且，数据可以基本上存储在任何位置，并且可以被感兴趣方间歇地访问或转发给感兴趣方。例如，可以使用物理载体代替电磁波载体或除了电磁波载体之外使用物理载体。在这样的示例中，在蜂窝覆盖差或不存在蜂窝覆盖的情况下，另一个移动机械(诸如燃料车)可以具有自动信息收集系统。当收割机靠近燃料车添加燃料时，系统会使用任何类型的点对点无线连接自动从收割机收集信息或将信息传输到收割机。然后，当燃料车到达有蜂窝覆盖(或其他无线覆盖)的位置时，收集到的信息便可以转发到主网络。例如，当行驶到其他燃料机器时或在主要燃料存放位置行驶时，燃料车可能进入被覆盖的位置。本文考虑了所有这些架构。此外，信息可以存储在收割机上，直到收割机进入被覆盖的位置为止。然后，收割机本身就可以向主网络发送信息和接收信息/从主网络发送信息和接收信息。
还应当注意，图2的元件或者它们的一部分可以布置在各种不同设备上。这些设备中的一些包括服务器、台式计算机、膝上型计算机、平板计算机或其他诸如掌上型计算机、蜂窝电话、智能电话、多媒体播放器、个人数字助理等的移动设备。
图7是可以用作用户或客户的手持设备16的手持或移动计算设备的一个示例性示例的简化框图，其中可以布置本系统(或其一部分)。例如，可以将移动设备布置在收割机100的操作室中，以用于生成、处理或显示跟株(stool)宽度和位置数据。图8和图9是手持设备或移动设备的示例。
图7提供了可以运行图2中所示的某些组件、与这些组件相互作用的组件或两者的客户端设备16的组件的总体框图。在设备16中，提供了通信链路13，其允许手持设备与其他计算设备进行通信，并且在一些实施例中提供了用于自动接收信息(诸如通过扫描)的通道。通信链路13的示例包括允许通过一个或多个通信协议进行通信，通信协议诸如为用于提供对网络的蜂窝访问的无线服务以及提供与网络的本地无线连接的协议。
在其他示例中，可以在连接到界面15的可移除安全数字(SD)卡上接收应用程序。界面15和通信链路13沿着总线19与处理器17通信(处理器也可以实施为前面图中的处理器或服务器)，总线19也连接到储存器21和输入/输出(I/O)组件23以及时钟25和定位系统27。
在一个示例中，提供I/O组件23以便于输入和输出操作。用于设备16的各种实施例的I/O组件23可以包括输入组件和输出组件，输入组件诸如为按钮、触摸传感器、光学传感器、麦克风、触摸屏、接近传感器、加速计、取向传感器，输出组件诸如为显示设备、扬声器、和/或打印机端口。也可以使用其他I/O组件23。
时钟25示例性地包括输出时间和日期的实时时钟组件。还可以为处理器17示例性地提供定时功能。
定位系统27示例性地包括输出设备16的当前地理位置的组件。该组件可以包括例如全球定位系统(GPS)接收器、LORAN系统、航位推算系统、蜂窝三角测量系统或其他定位系统。其还可以包括例如生成所需地图、导航路线和其他地理功能的地图软件或导航软件。
储存器21存储操作系统29、网络设置31、应用程序33、应用程序配置设置35、数据贮存器37、通信驱动程序39和通信配置设置41。储存器21可以包括所有类型的有形易失性和非易失性计算机可读储存设备。其还可以包括计算机存储介质(如下所述)。储存器21存储计算机可读指令，该计算机可读指令在由处理器17执行时使得处理器根据指令执行计算机实现的步骤或功能。处理器17也可以由其他组件激活以促进其功能。
图8示出了一个示例，其中设备16是平板计算机600。在图8中，示出了具有用户界面显示屏602的计算机600。屏幕602可以是触摸屏或从笔或触笔接收输入的笔启用界面。其还可以使用屏幕上的虚拟键盘。当然，其也可以通过适当的附接机构(诸如无线链路或USB端口)附接到键盘或其他用户输入设备。计算机600也可以示例性地接收语音输入。
图9示出了该设备可以是智能电话71。智能电话71具有触敏显示器73，该触敏显示器73显示图标或图块或其他用户输入机制75。机制75可以由用户用来运行应用程序、进行呼叫、执行数据传输操作等。通常，智能电话71构建在移动操作系统上，并且提供比功能电话更高级的计算能力和连接性。
注意，设备16的其他形式也是可行的。
图10是计算环境的一个示例，其中，图2的元件或其部分元件(例如)可以被布置。参照图10，用于实现一些实施例的示例系统包括呈计算机810形式的计算设备。计算机810的组件可以包括但不限于处理单元820(其可以包括来自前面附图的处理器或服务器)、系统储存器830和系统总线821，系统总线将包括系统储存器的各种系统组件耦合到处理单元820。系统总线821可以是若干种总线结构中的任何一种，包括储存器总线或储存器控制器、外围总线以及使用各种总线架构中的任何一种的本地总线。可以将参照图2描述的储存器和程序布置在图10的相应部分中。
计算机810通常包括各种计算机可读介质。计算机可读介质可以是计算机810可以访问的任何可用介质，并且包括易失性介质和非易失性介质、可移除介质和不可移除介质。作为示例而非限制，计算机可读介质可以包括计算机存储介质和通信介质。计算机存储介质不同于调制数据信号或载波并且不包括调制数据信号或载波。其包括硬件存储介质，硬件存储介质包括以任何方法或技术实现的易失性介质和非易失性介质、可移除介质和不可移除介质，用于存储诸如计算机可读指令、数据结构、程序模块或其他数据之类的信息。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储技术、CD-ROM、数字多功能磁盘(DVD)或其他光盘贮存器、磁带盒、磁带、磁盘存储设备或其他磁存储设备或者可用于存储所需信息并可由计算机810访问的任何其他介质。通信介质可以实施计算机可读指令、数据结构、程序模块或在传输机制中的其他数据，并且包括任何信息传送介质。术语“调制数据信号”是指具有以将信息编码为信号的方式来设置或改变其一个或多个特征的信号。
系统储存器830包括呈易失性储存器和/或非易失性储存器形式的计算机存储介质，诸如只读储存器(ROM)831和随机存取储存器(RAM)832。包含帮助例如在启动期间在计算机810内的元件之间传输信息的基本例程的基本输入/输出系统833(BIOS)通常存储在ROM 831中。RAM 832通常包含可立即访问和/或当前正在由处理单元820操作的数据和/或程序模块。作为示例而非限制，图10示出了操作系统834、应用程序835、其他程序模块836和程序数据837。
计算机810还可以包括其他可移除/不可移除的易失性/非易失性计算机存储介质。仅作为示例，图10示出了从不可移除的非易失性磁性介质、光盘驱动器855和非易失性光盘856中读取或写入的硬盘驱动器841。硬盘驱动器841通常通过不可移除的储存器界面(诸如界面840)连接到系统总线821，并且光盘驱动器855通常通过可移除的储存器界面(诸如界面850)连接到系统总线821。
另选地或另外，本文描述的功能可以至少部分地由一个或多个硬件逻辑组件执行。例如但不限于，可以使用的示意性类型的硬件逻辑组件包括现场可编程门阵列(FPGA)、专用集成电路(例如ASIC)、专用标准产品(例如ASSP)、系统片上系统(SOC)、复杂可编程逻辑器件(CPLD)等。
以上讨论并在图10中示出的驱动器及其相关联的计算机存储介质为计算机810提供了计算机可读指令、数据结构、程序模块和其他数据的存储。例如，在图10中，硬盘驱动器841被示出为存储操作系统844、应用程序845、其他程序模块846和程序数据847。注意，这些组件可以与操作系统834、应用程序835、其他程序模块836和程序数据837相同或不同。
用户可以通过诸如键盘862、麦克风863的输入设备和诸如鼠标、跟踪球或触摸板之类的点击设备861向计算机810输入命令和信息。其他输入设备(未显示)可以包括操纵杆、游戏垫、盘式卫星天线、扫描仪等。这些和其他输入设备通常通过耦合到系统总线的用户输入界面860连接到处理单元820，但是可以通过其他界面和总线结构连接。视觉显示器891或其他类型的显示设备也经由诸如视频界面890之类的界面连接至系统总线821。除了监控器之外，计算机还可以包括其他外围输出设备，诸如扬声器897和打印机896，这些其他外围输出设备可以通过输出外围界面895连接。
计算机810使用到一个或多个远程计算机(诸如远程计算机880)的逻辑连接(诸如局域网-LAN或广域网-WAN或控制器局域网-CAN)在网络环境中操作。
当在LAN网络环境中使用时，计算机810通过网络界面或适配器870连接到LAN871。当在WAN网络环境中使用时，计算机810通常包括调制解调器872或用于通过WAN 873(诸如因特网)建立通信的其他手段。在网络环境中，程序模块可以存储在远程储存器存储设备中。图10例如示出了远程应用程序885可以驻留在远程计算机880上。
还应注意，本文所述的不同示例可以以不同方式组合。即，一个或多个示例的部分可以与一个或多个其他示例的部分组合。所有这些都在本文中考虑。
示例1是一种控制作业现场上的作业机械以执行操作的方法，包括：
识别在作业机械在作业现场处执行操作之前生成的用于作业现场的地理参考数据；
当作业机械在作业现场处执行操作时，利用作业机械上的传感器收集田地数据，该田地数据对应于作业现场的一部分；
基于地理参考数据生成第一预测模型，并且基于田地数据生成第二预测模型；
为第一预测模型计算指示模型准确性的第一模型质量度量；
为第二预测模型计算指示模型准确性的第二模型质量度量；
基于所计算的第一质量度量和第二质量度量，选择第一模型和第二模型中的一个作为选择模型；和
使用选择模型控制作业机械的子系统以执行操作。
示例2是根据任何先前示例或所有先前示例的方法，其中，选择所述选择模型包括：
确定第一模型质量度量和第二模型质量度量是否满足模型质量阈值。
示例3是根据任何先前示例或所有先前示例的方法，其中，选择所述选择模型包括：
比较第一质量度量和第二质量度量；和
基于第一质量度量和第二质量度量之间的比较来选择第一模型或第二模型。
示例4是根据任何先前示例或所有先前示例的方法，其中，识别地理参考数据包括：
从远程系统获得与作业现场相对应的先验的地理参考植被指数数据。
示例5是根据任何先前示例或所有先前示例的方法，其中，收集田地数据包括：
当作业机械在作业现场执行收割操作时，利用作业机械上的茎秆直径传感器获得与作业现场的一部分相对应的茎秆直径数据。
示例6是根据任何先前示例或所有先前示例的方法，其中，作业机械具有多个不同的子系统，并且其中控制子系统包括：
控制作业机械上的所述多个不同的子系统。
示例7是根据任何先前示例或所有先前示例的方法，其中，计算第一模型质量度量包括：
检索天气数据；和
至少部分地基于天气数据生成第一模型质量度量。
示例8是根据任何先前示例或所有先前示例的方法，其中，计算第二模型质量度量包括：
利用遮蔽传感器收集田地遮蔽数据；和
至少部分地基于田地遮蔽数据生成第二模型质量度量。
示例9是根据任何先前示例或所有先前示例的方法，还包括：
如果第一模型质量度量和第二模型质量度量均满足模型质量阈值，则使用所述多个不同的预测模型中的一个不同的预测模型来控制作业现场上的作业机械的所述多个不同的子系统中的每一个不同的子系统。
示例10是根据任何先前示例或所有先前示例的方法，其中，计算模型质量度量包括：
基于来自所生成的预测模型的模型值与所收集的田地数据中的田地值的比较来计算指示模型误差的误差值。
实施例11是根据任何先前示例或所有先前示例的方法，并且还包括：
在作业机械执行操作的同时，迭代地重复下列步骤：收集田地数据；基于田地数据更新预测模型；计算所更新的预测模型的模型质量度量；以及确定预测模型是否为合格的预测模型。
示例12是一种作业机械上的计算系统，包括：
通信系统，该通信系统被配置为识别作业现场的先验的地理参考植被指数数据；
现场数据收集系统，当作业机械在作业现场执行操作时，该现场数据收集系统利用作业机械上的传感器收集田地数据，该田地数据对应于作业现场的一部分；
模型生成器系统，该模型生成器系统被配置为接收先验的地理参考植被指数数据和田地数据，并且基于先验的地理参考植被指数数据生成第一预测模型，并基于田地数据生成第二预测模型；
模型评估系统，该模型评估系统被配置为计算用于第一预测模型的第一模型质量度量和用于第二预测模型的第二模型质量度量，以及确定第一预测模型和第二预测模型是否为合格的预测模型；和
控制系统，如果第一预测模型和第二预测模型中的一个是合格的预测模型，则该控制系统使用合格的预测模型来控制作业机械的子系统。
示例13是根据任何先前示例或所有先前示例的计算系统，其中，模型评估系统包括：
模型质量度量生成器，该模型质量度量生成器被配置为基于一组模型质量规则计算用于预测模型的模型质量度量。
示例14是根据任何先前示例或所有先前示例的计算系统，其中，模型评估系统包括：
评估触发器逻辑，该评估触发器逻辑被配置为检测评估触发器，并且作为响应生成用于模型评估系统的触发器输出，以评估替代预测模型。
示例15是根据任何先前示例或所有先前示例的计算机系统，其中，模型生成器系统被配置为响应于触发器输出，使用用于作业现场的替代先验数据来生成替代预测模型。
示例16是根据任何先前示例或所有先前示例的计算机系统，其中，模型生成器系统被配置为响应于触发器输出，使用替代模型生成机制来生成替代预测模型。
示例17是根据任何先前示例或所有先前示例的计算系统，其中，模型生成器系统被配置为生成与具体的可控制子系统相对应的第一预测模型和第二预测模型，并且其中控制系统使用每个预测模型来控制相应的具体的可控制子系统。
示例18是根据任何先前示例或所有先前示例的计算系统，其中，模型质量度量生成器被配置为通过基于由预测模型生成的值和所收集的田地数据中的实际值来计算误差矢量，而计算模型质量度量。
示例19是一种作业机械，包括：
通信系统，该通信系统被配置为接收用于作业现场的地理参考数据；
现场数据收集系统，该现场数据收集系统被配置为当作业机械在作业现场执行操作时，利用作业机械上的传感器收集用于作业现场的一部分的田地数据；
多个可控制子系统；
模型生成器系统，该模型生成器系统被配置为基于地理参考数据和田地数据生成多个不同的预测模型，每个预测模型对应于作业机械的所述多个可控制子系统中的不同的可控制子系统；
模型评估系统，该模型评估系统被配置为基于一组模型质量规则计算用于每个预测模型的模型质量度量，以及基于模型质量度量确定每个预测模型是否为合格的预测模型；和
控制系统，该控制系统使用相应的合格的预测模型生成控制信号以控制每个可控制子系统。
示例20是根据任何先前示例或所有先前示例的作业机械，其中，可控制子系统包括可控制收割机子系统。
尽管已经用特定于结构特征和/或方法动作的语言描述了该主题，但是应该理解，所附权利要求书中限定的主题不必限制于上述特定特征或动作。相反，上述特定特征和动作被公开为实现权利要求的示例形式。
