Digital twins as decision-support tools for automation in agriculture: A case study on robotic vaccination
Notice bibliographique
Résumé
Agriculture faces increasing pressure to improve efficiency, ensure animal welfare, and reduce dependence on manual labour, yet traditional operations often lag in adopting Industry 4.0 and 5.0 solutions. Digital technologies, par- ticularly digital twins, offer a transformative approach by enabling virtual representation, real-time simulation, predictive analytics, and performance validation prior to physical deployment, thereby providing a cost-effective proof of concept. This paper introduces a framework that not only show- cases a robotic vaccination system for feedlots but also establishes a proof-of- concept pathway to demonstrate the potential value and practicality of such technologies for agriculture. One of the latest state-of-the-art development environments, NVIDIA Isaac Sim, provides a robust platform for building these digital twins, allowing robotic systems to be tested and optimized in realistic, dynamic environments. Using this environment, we outline a robotic vaccination system that combines a robotic arm-based injection mechanism with reinforcement learning agents and a Detectron2 deep learning model these systems allow for precise neck muscle segmentation and accurate vac- cine site targeting. The system was evaluated on two robotic platforms: Isaac Sim’s built-in Franka Emika Panda arm and a customized manipulator, which may offer realistic and cost-effective solutions for feedlots. Simulation results demonstrate achievable positional accuracy, robust control, and reliable task execution across both platforms. This digital twin-based framework reduces reliance on early-stage physical prototyping, enhances safety, measures op- erational efficiency, and serves as a decision-support tool, highlighting the critical role of digital simulation in enabling practical, scalable automation in modern agriculture.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».