برداشت دقیق میوههای حساس در مزارع هوشمند با رباتهای نرم
برداشت میوههای حساس با رباتهای نرم در مزارع هوشمند برای ارتقای دقت و کیفیت محصول
در سالهای اخیر، رشد جمعیت و محدودیت منابع خاک کشاورزی باعث شد مزرعههای هوشمند به عنوان پاسخی پایدار برای تأمین امنیت غذایی مطرح شوند. یکی از چالشهای اساسی در این حوزه، برداشت میوههای حساس نظیر توتفرنگی، تمشک و گوجهفرنگی است که به دلیل ساختار شکننده و پوست نازکشان نیازمند لمس کاملاً ملایم و دقت بالا هستند. رباتهای نرم (Soft Robotics) با بهرهگیری از مواد انعطافپذیر مانند سیلیکون و پلیمرهای الاستومری، امکان تعامل ایمن با سطح میوه را فراهم میکنند و با طراحیهای بیومیمتیک و محرکهای نرم از شکل میوهها تقلید مینمایند. این فناوری نه تنها کیفیت محصول را حفظ میکند، بلکه به کاهش ضایعات و افزایش بهرهوری تولید کمک شایانی میکند.
به گزارش سازمان خواربار و کشاورزی ملل متحد (فائو)، سالانه حدود یکسوم محصولات خوراکی برای مصرف انسان در طول زنجیره تأمین از بین میروند که سهم محصولات تازه حدود 45 درصد برآورد شده است؛ این میزان اتلاف فشار زیادی بر منابع طبیعی و اقتصاد کشاورزی وارد میآورد، بهویژه زمانی که بیشترین ضایعات در مرحله برداشت و پس از برداشت رخ میدهد. کاهش این افت محصولات با بهکارگیری فناوریهای نوین برداشت هدف اصلی پژوهشگران و فعالان صنعت کشاورزی هوشمند است.
تحقیقات متعدد نشان میدهند که بین 30 تا 40 درصد میوههای برداشت شده در اثر ضربه و فشار مکانیکی دچار آسیب و لهیدگی میشوند و این عامل اصلی کاهش کیفیت و افزایش ضایعات پس از برداشت است. در مطالعهای تحقیقی مشخص شد که پوست نازک و ساختار نرم بسیاری از میوهها حساس به نیروهای دینامیک بوده و حتی جابجایی ساده در جعبههای حمل میتواند منجر به آسیبهای غیرقابل بازگشت شود. بهویژه توتفرنگی به دلیل سلولهای بزرگ و دیوارههای نازک سلولی بیشترین آسیبپذیری را دارد و این ویژگی نیازمند طراحی گیرهها و بازوهایی با توزیع فشار کاملاً یکنواخت است.
برداشت دستی میوههای حساس علاوه بر هزینه بالای نیروی کار و محدودیت ظرفیت، به دلیل یکنواخت نبودن قدرت فشار دست انسان همواره با چالش آسیب به میوه همراه است. همچنین کمبود نیروی کار ماهر در فصلهای اوج برداشت موجب میشود مزرعهها در رقابت جهانی بیرمق شوند. در مقابل، رباتهای نرم با سنسورهای دقیق فشار و بینایی کامپیوتری قادرند فشار اعمالی را در حد ممیزی حفظ کنند و با تحلیل تصویر میوههای رسیده را تشخیص داده و برداشت نمایند. این سطح از اتوماسیون موجب افزایش سرعت برداشت در تمام ساعات شبانهروز و کاهش وابستگی به نیروی کار انسانی میشود.
با توجه به اهمیت حفظ کیفیت میوههای حساس در کل زنجیره ارزش از مزرعه تا سفره، فناوری رباتهای نرم نقطه تلاقی بین کشاورزی دقیق و رباتیک پیشرفته به شمار میآید. در بخشهای بعدی این مقاله، به اصول طراحی گیرههای نرم، مکانیزمهای عملیاتی و نتایج آزمایشهای میدانمحور خواهیم پرداخت تا نشان دهیم چگونه این فناوری میتواند گامی مؤثر در کاهش ضایعات و ارتقای بهرهوری کشاورزی مدرن باشد.
اصول و مبانی رباتهای نرم در برداشت میوههای حساس
– اصول مواد و ساختار رباتهای نرم
رباتهای نرم بر پایه استفاده از مواد انعطافپذیر نظیر سیلیکون، پلیمرهای الاستومری و کامپوزیتهای نرم طراحی میشوند تا توانایی انطباق با سطوح منحنی و ساختارهای ظریف را داشته باشند. این مواد به دلیل مدول پایین و قابلیت تغییر شکل پیوسته، امکان توزیع فشار یکنواخت بر سطح میوههای حساس را فراهم میآورند و در نتیجه نیاز به مکانیزمهای چندمفصلی پیچیده کاهش مییابد.
ساختارهای رایج در رباتهای نرم شامل PneuNets یا شبکههای پنیوماتیک، گیرههای بیومیمتیک با اثر پرهای (Fin Ray Effect) و ترکیبهای هیبریدی است. در طراحی PneuNets، شبکهای از حفرههای هوابند در ماده نرم ایجاد میشود که با افزایش فشار هوا منجر به خم شدن یا تغییر شکل کنترلشده بازو میشود. این ساختارها ساده بوده و هزینه ساخت پایینی دارند و به سرعت در محیطهای کشاورزی قابل نصب و استفاده هستند.
برای افزایش مقاومت ساختاری و باربری، روشهای تغییر سختی یا variable stiffness به کار میرود. در این فناوری از مواد قابل سخت شدن با تحریک مغناطیسی یا حرارتی و نیز المانهای مکانیکی، مانند هستههای جامد که در حالت فعال درگیر میشوند، بهره میبرند تا در مراحل مختلف برداشت بتوانند از غضروفهای نرم به ساختارهای پایدار و مقاوم تبدیل شوند. این قابلیت مانع از خمیدگی ناخواسته زیر فشار وزن میوههای سنگینتر میشود.
برای تولید این قطعات نرم، فناوریهای چاپ سهبعدی با فیلامنتهای انعطافپذیر به کار گرفته شده است. چاپ سهبعدی امکان ساخت سریع نمونههای اولیه با هندسه دلخواه و بهینهسازی توزیع لایهها را فراهم میآورد. با استفاده از روشهای لایهگذاری دقیق، میتوان ضخامتهای متفاوتی در بخشهای مختلف گیره نرم ایجاد کرد تا کنترل بهتری بر روی سفتی و انعطاف در هر نقطه داشت.
– مکانیسمهای محرک و کنترل رباتهای نرم
یکی از متداولترین روشهای محرکسازی رباتهای نرم، استفاده از عملگرهای پنیوماتیک است. با تزریق یا تخلیه هوا در شبکههای داخلی، بخشهای نرم بهصورت انتخابی خم یا باز میشوند. این فرآیند با شیرهای کنترلی و پمپهای باد کوچک هماهنگ شده و بسته به میزان فشار ورودی، زاویه و نیروی اعمالی روی میوه تنظیم میشود. کنترل فشار به صورت حلقه بسته با استفاده از حسگرهای فشاری داخلی انجام میشود تا از اعمال نیروی بیش از حد و آسیب به میوه جلوگیری شود.
برای شناسایی میوه و تعیین موقعیت برداشت، سیستمهای بینایی کامپیوتری مبتنی بر دوربینهای RGB و حسگرهای عمق بکار گرفته میشود. این دوربینها با الگوریتمهای یادگیری ماشین قادر به تفکیک میوههای رسیده از برگ و ساقه بوده و مختصات سهبعدی آنها را محاسبه میکنند. پس از تشخیص، اطلاعات به کنترلکننده مرکزی ارسال شده و مسیر بهینه حرکت بازو و زاویه بهینه گیره بر اساس مدل دینامیکی ربات محاسبه میشود.
در برخی طراحیها از گیرههای هیبریدی که ترکیب مکش و بازوهای نرم هستند استفاده میشود. مکش ملایمی از طریق پمپ خلأ همراه با انطباق گیره نرم، امکان برداشت میوههای خوشهای مانند انگور یا گوجهفرنگی را بدون آسیب به خوشههای مجاور فراهم میآورد. این روش در آزمایشهای میدانی نشان داده که میتواند تا 95 درصد خوشهها را با دست نخورده باقی گذاشتن سایر میوهها برداشت کند.
برای تضمین دقت و ایمنی بیشتر، حسگرهای فشاری تکمحور و چندمحوره در لایههای نرم تعبیه میشوند. این حسگرها توزیع فشار تماس را در هر نقطه از سطح گیره اندازهگیری میکنند و در صورت لزوم فرمان کاهشی به عملگر پنیوماتیک ارسال میکنند. این الگوریتم کنترل مقاومتی، امکان برقراری تعادل بین نیرو و انعطافپذیری را فراهم ساخته و از لهیدن یا ترکخوردن میوه جلوگیری میکند.
پلتفرمهای کنترلی مدرن از معماری ROS بهره میبرند که با بستههای نرمافزاری تخصصی برای مسیریابی رباتهای زیردست و همگامسازی چند ربات فعال در خط برداشت تجهیز شدهاند. استفاده از ROS امکان بهروزرسانی نرمافزارها، شبیهسازی پیش از اجرا و ادغام سریع سنسورها را در محیطهای مزرعهای پیچیده فراهم میکند.
طراحی و مکانیسم عملیاتی رباتهای نرم برداشتگر
– ساختار ترکیبی PneuNet و دیافراگم نرم
در قلب بسیاری از رباتهای نرم برداشتگر، ساختارهای PneuNet وزن سبک، انعطافپذیری بالا و امکان توزیع یکنواخت فشار را فراهم میکنند. این شبکههای پنیوماتیک شامل کانالهای داخلی هستند که با تزریق هوا منجر به تغییر شکل کنترلشده بازو و گیره میشوند. در طراحیهای پیشرفته، یک دیافراگم نرم دستگاه را قادر میسازد تا با انطباق بهتر بر سطح میوههای حساس، تماس یکنواختتری ایجاد کند. یک مطالعه میدانی نشان داد که ادغام PneuNet با دیافراگم نرم، ضمن حفظ قابلیت جمع و باز شدن سریع، آسیب ناشی از تماس را تا 80 درصد کاهش داد.
– مکانیسم محرک و کنترل حرکت پنیوماتیک
عملگرهای پنیوماتیک در رباتهای نرم برداشتگر با پمپهای کوچک هوا و شیرهای الکترونیکی کنترل میشوند. با فرمان کنترل مرکزی، فشار هوا در شبکههای PneuNet تنظیم میشود تا بازو خمیده یا باز شود. از حسگرهای فشار داخلی برای پیادهسازی حلقه کنترل بسته استفاده میشود؛ به این صورت که اگر فشار بیش از حد مجاز شود، فرمان کاهش فشار صادر میگردد. این حلقه کنترلی در آزمایشهای مزرعهای توانست خطای نیروی تماس را در محدوده ±5٪ حفظ کند.
برای هماهنگی چند بازوی نرم در یک سامانه برداشت گروهی، معماری ROS (Robot Operating System) به کار گرفته میشود. ROS اجازه میدهد تا بستههای نرمافزاری تشخیص میوه، مسیریابی رباتهای زیردست و مدیریت فشار در عملگرها در یک چارچوب یکپارچه همگام شوند. این همگامسازی منجر به افزایش نرخ برداشت تا 30 درصد و کاهش تداخل بین بازوها میگردد.
– حسگرهای فشاری و تشخیص موقعیت
لایههای نرم گیره با حسگرهای فشاری تکمحوره و چندمحوره تجهیز میشوند تا توزیع نیرو در هر نقطه از سطح تماس اندازهگیری شود. این حسگرها اطلاعات را به کنترلکننده ارسال میکنند و بر اساس الگوریتمهای حساسیت نیرو، مقدار فشار اعمالی تنظیم میشود. به علاوه، دوربینهای RGB-D با الگوریتمهای یادگیری عمیق، میوههای رسیده را از برگها تفکیک و مختصات سهبعدی آنها را محاسبه میکنند. این دو سیستم (بینایی و فیدبک فشاری) در یک چارچوب زمانی کمتر از 100 میلیثانیه با یکدیگر تبادل داده میکنند تا گیره با دقت زیر نیم میلیمتر موقعیتیابی نماید.
– استراتژی جدایش میوه و جلوگیری از آسیب
پس از تثبیت گیره نرم بر میوه، مرحله جدایش آغاز میشود. در برخی طراحیها از استراتژی جداسازی مکانیکی کنترلشده استفاده میشود که با چرخش آرام گیره یا اعمال نیروی برشی ملایم پایه میوه را از ساقه جدا میسازد. در طرحهای دیگر، از تزریق پالس خلأ ملایم بهره گرفته میشود تا اتصال میوه به گیاه بدون وارد کردن نیروی معمول کشش قطع گردد. مطالعهای در برداشت سیب نشان داد استفاده از پالس خلأ 0.3 بار بالاتر از خلأ محیط، بدون آسیب رساندن به پوست میوه، نرخ جدایش را از 85 درصد به 95 درصد افزایش داد.
برای برداشت خوشهای میوههایی مانند انگور یا توتفرنگی، گیرههای هیبریدی که مکش و انطباق گیره نرم را ترکیب میکنند، کاربرد دارند. مکش ملایم نخست میوه اصلی را ثابت نگاه میدارد و سپس گیره نرم با انطباق کامل دور میوههای مجاور میپیچد تا جداسازی گروهی انجام شود؛ این روش تا 98 درصد خوشهها را بدون آسیب برداشت کرد.
در مجموع، طراحی و مکانیزمهای عملیاتی رباتهای نرم برداشتگر نتیجه تلفیق مواد و ساختارهای نوین، محرکهای پنیوماتیک، حسگرهای دقیق و الگوریتمهای کنترل پیشرفته است. این سامانهها با حفظ ساختار ساده، هزینه تولید قابل قبول و قابلیت نصب سریع در مزارع هوشمند، امیدبخش کاهش ضایعات برداشت و ارتقای کیفیت محصولات حساس میباشند.
مزایا و محدودیتهای کاربرد رباتهای نرم در مزارع
– انطباقپذیری و انعطافپذیری ساختاری
رباتهای نرم با استفاده از مواد انعطافپذیر نظیر سیلیکون و ترکیبهای الاستومری توانایی انطباق با اشکال پیچیده گیاهان و میوهها را دارند. این انعطافپذیری موجب میشود بازو و گیره در محیطهای غیرساختاریافته مزرعه بهتر حرکت کنند و از برخورد و آسیب غیرمنتظره به گیاه جلوگیری شود. علاوه بر این، رباتهای نرم میتوانند مانند دست انسان خم شوند و به شکلی ایمن و بدون وارد آوردن فشار نقطهای زیاد عمل برداشت را انجام دهند. چنین قابلیتی در شرایطی که چیدمان گیاهان به صورت نامرتب است و فضای مانور محدود میباشد، بسیار حیاتی است.
– افزایش بهرهوری و کاهش وابستگی به نیروی انسانی
رباتهای نرم میتوانند با کار در تمام ساعات شبانهروز، سرعت برداشت را تا ۲ برابر افزایش دهند و نیازی به استراحت یا شیفتبندی نیروی کار ندارند. اتوماسیون برداشت باعث کاهش هزینههای ثابت مربوط به دستمزد و آموزش کارگران فصلی میشود و در بلندمدت به صرفهجویی اقتصادی قابل توجهی منجر میگردد. همچنین با بهرهگیری از سیستمهای خودران و بینایی کامپیوتری، این رباتها خطای انسانی در تشخیص میوههای رسیده را کاهش میدهند و ضمن افزایش پیوستگی عملیات برداشت، کیفیت محصول نهایی را نیز حفظ میکنند.
– کنترل دقیق نیرو و حفظ سلامت میوه
یک مزیت کلیدی استفاده از رباتهای نرم، امکان تنظیم دقیق نیروی تماس با میوه است. حسگرهای فشار تکمحوره یا چندمحوره تعبیهشده در لایه نرم گیره، توزیع فشار را به صورت لحظهای اندازهگیری میکنند و از وارد آمدن نیروی بیش از حد به سطح میوه جلوگیری مینمایند. این ویژگی منجر به کاهش ضایعات برداشت به کمتر از ۵ درصد و حفظ تازگی و کیفیت ظاهری میوه میشود. پژوهشهای آزمایشگاهی نشان دادهاند که رباتهای نرم با فیدبک فشاری فعال، امکان اعمال نیروی دقیق تا ۰٫۵ نیوتن را دارند و نرخ آسیبدیدگی را تا ۹۵ درصد کاهش میدهند.
– محدودیت در ظرفیت بارگذاری و استحکام ساختاری
با وجود پیشرفتهای قابلتوجه، بسیاری از رباتهای نرم هنوز از نظر ظرفیت حمل و مقاومت در برابر بارهای سنگین با محدودیت مواجهاند. برای مثال، برداشت میوههای سنگینتر مانند سیب نیازمند افزودن مکانیزمهای سفتشونده متغیر است تا زیر فشار وزن میوه دچار تغییر شکل ناخواسته نشوند. این موضوع پیچیدگی طراحی و هزینه ساخت را افزایش میدهد و اغلب موجب میشود تا رباتهای نرم در برداشت محصولات سنگین و خوشهای چندان مقرونبهصرفه نباشند.
– چالشهای مواد و دوام عملیاتی
مواد مورد استفاده در رباتهای نرم مانند سیلیکون و پلیمرهای الاستومری در طول زمان در معرض سایش، اشعه خورشید و تغییرات دمایی قرار میگیرند و ممکن است خصوصیات مکانیکی خود را از دست بدهند. علاوه بر این، برخی مواد هوشمند که قابلیت تغییر سختی دارند، در عمل به دلیل پاسخدهی کند یا محدودیت دامنه عملکرد، در مقیاس مزرعه قابلاعتماد نیستند. پژوهشها نشان میدهند که عملکرد این مواد در شرایط مختلف محیطی میتواند ناپایدار باشد و نیازمند نگهداری دورهای و جایگزینی قطعات خواهد بود.
– هزینه اولیه بالا و نیاز به تخصص فنی
پیادهسازی رباتهای نرم در مزرعه نیازمند سرمایهگذاری قابلتوجهی برای خرید تجهیزات، نصب زیرساختهای پنیوماتیک و آموزش اپراتورها است. علاوه بر این، تعمیر و نگهداری این رباتها نیازمند دانش تخصصی در حوزه مواد نرم، الکترونیک و نرمافزار کنترل میباشد. این موارد باعث میشود تا بسیاری از کشاورزان کوچک امکان استفاده از این فناوری را نداشته باشند و نیاز به حمایت مالی و فنی از سوی دولت یا مؤسسات تخصصی احساس گردد.
– یکپارچهسازی در محیطهای واقعی و نگهداری
یکپارچهسازی رباتهای نرم با سایر تجهیزات مزرعه نظیر دستگاههای انتقال، سامانههای مدیریت داده و خودروهای خودران، چالشی فنی و لجستیکی است. شرایط محیطی متغیر مزرعه مانند رطوبت بالا، گرد و خاک و موانع فیزیکی میتواند عملکرد حسگرها و محرکها را مختل کند. علاوه بر این، فراهمآوری قطعات یدکی و دسترسی به خدمات تعمیر در مناطق دورافتاده دشوار بوده و زمان از دست رفته برای برداشت میوههای حساس را افزایش میدهد.
چشمانداز تحقیقاتی و توسعه آینده نرمرباتها در ایران
– ضرورت توسعه فناوری رباتیک نرم در کشاورزی ایران
کشور ایران با داشتن بیش از ۲۶ میلیون هکتار اراضی کشاورزی و تنوع اقلیمی گسترده، با چالشهای جدی در برداشت محصولات حساس مواجه است. ضایعات برداشت میوههای نرم مانند توتفرنگی و گوجهفرنگی در برخی مناطق تا ۲۰ درصد برآورد میشود که میتواند با بهرهگیری از رباتهای نرم بهطور چشمگیری کاهش یابد. گسترش رباتیک نرم در مزارع میتواند ضمن افزایش تیراژ برداشت و کیفیت محصول، نقش مؤثری در تحقق اهداف امنیت غذایی و کاهش هزینههای نیروی کار ایفا کند.
با توجه به برنامههای سند افق ۱۴۰۴ و سیاستهای کلان جهش تولید دانشبنیان، توسعه «کشاورزی دقیق» و «هوشمندسازی مزرعه» از اولویتهای تحقیقاتی کشور محسوب میشود. رباتهای نرم، به دلیل انعطافپذیری و ایمنی بالا، میتوانند بهعنوان یکی از ستونهای اصلی این تحول دیجیتال ایفای نقش کنند و در تعامل با سامانههای اینترنت اشیاء و دادهکاوی، برداشت را به فرایندی کمخطا و پایدار تبدیل نمایند.
– اولویتهای پژوهشی برای گسترش علم رباتیک نرم
یکی از نیازهای اساسی، بومیسازی مواد نرم و سازگار با محیط زیست است. تحقیقات در دانشگاهها و پژوهشگاههای داخلی باید به سمت تولید سیلیکونها و پلیمرهای زیستتخریبپذیر سوق یابد تا ضمن کاهش هزینههای واردات، پایداری زیستمحیطی نیز حفظ گردد. ارتباط با صنایع پتروشیمی داخلی میتواند مسیر تولید این مواد را تسهیل کند و تجربه دانشگاه صنعتی شریف در تولید انواع پلیمرهای مهندسی نقطه آغاز مناسبی است.
تحقیق در روشهای تغییر سختی (variable stiffness) با استفاده از مواد هوشمند نظیر مغناطیسپذیرها یا ترموکرومیکها میتواند ظرفیت باربری رباتهای نرم را افزایش دهد و امکان برداشت میوههای سنگین مانند سیب و مرکبات را در باغات سنتی ایران فراهم آورد.
توسعه الگوریتمهای یادگیری ماشین و بینایی کامپیوتری متناسب با نور و شرایط جوی ایران نیز ضروری است. با توجه به تابش شدید خورشید و تغییر زاویه نور در مناطق کویری، آموزش شبکههای عصبی برای تشخیص صحیح میوههای رسیده و تفکیک آنها از برگ و ساقه، باید در شرایط محلی انجام گیرد. همکاری آزمایشگاههای هوش مصنوعی دانشگاه تهران و صنعتی اصفهان میتواند در این زمینه مفید باشد.
– فرصتهای بومیسازی و تجاریسازی
شرکتهای دانشبنیان مانند هلدینگ وسترا با سرمایهگذاری در پلتفرمهای کشاورزی دیجیتال، زمینه تجاریسازی سریع فناوری رباتیک نرم را فراهم آوردهاند. بهکارگیری این رباتها در اولین پروژههای پایلوت در باغهای گلخانهای و مزارع بومی، میتواند نمونههای موفق داخلی را بهعنوان الگو در بازار منطقهای معرفی نماید.
بر اساس آمار بازار جهانی، ارزش صنعت گیرههای نرم در سال ۲۰۲۳ معادل ۱.۳۸ میلیارد دلار بوده که پیشبینی میشود تا سال ۲۰۳۱ با نرخ رشد سالانه ۷٫۴۶٪ به ۲٫۴۱ میلیارد دلار برسد. با توجه به سهم ایران از تولید میوه در منطقه خاورمیانه، امکان دستیابی به ۱۰ درصد از بازار منطقهای تا افق ۱۴۱۰ وجود دارد.
ایجاد پارکهای علم و فناوری کشاورزی دقیق در استانهای پیشرو مانند خراسان رضوی و فارس با حمایتهای مالی و مشاورهای نهادهای دولتی میتواند بستر انتقال فناوری و جذب سرمایهگذاران بخش خصوصی را تسهیل کند. برگزاری رویدادهای مشترک دانشگاه–صنعت و کارگاههای آموزشی عملی در مزارع نمونه، به سرعتبخشی در انتقال دانش کمک خواهد کرد.
– چشمانداز همکاریهای بینالمللی و کلانپروژهها
علاوه بر تقویت پژوهشهای داخلی، مشارکت با مراکز پیشرو در رباتیک نرم نظیر دانشگاه جورجیا تک و دانشگاه کوئینزلند از طریق پروژههای مشترک علمی میتواند دانش فنی روز را به ایران منتقل نماید. ارسال اعضای هیئت علمی برای گذراندن دورههای پسادکتری و دعوت از محققان مهمان خارجی، شتابدهنده مهمی در توسعه فناوری خواهد بود.
کلانپروژههایی مانند «مزرعه هوشمند ۱۴۱۰» با تأمین بودجه چندصدمیلیارد تومانی و هدفگذاری برداشت خودکار ۵۰ درصد از محصولات حساس، میتواند نقطه عطفی در تجاریسازی رباتهای نرم باشد. این پروژهها باید با چارچوبهای ارزیابی کارایی، پایداری و بازگشت سرمایه همراه شوند تا سرمایهگذاران بخش خصوصی و بانکها را ترغیب به مشارکت نمایند.
چشمانداز تحقیقاتی و کاربردی رباتیک نرم در کشاورزی ایران روشن و امیدبخش است. با توجه به مزایای کاهش ضایعات برداشت، بهبود کیفیت محصول و صرفهجویی اقتصادی، توسعه فناوریهای بومی در کنار همکاری دانشگاه–صنعت و حمایت کلانپروژههای ملی میتواند ایران را به یکی از بازیگران مهم بازار منطقهای در حوزه رباتیک نرم مبدل سازد.