操作安全

这是在开放环境中运行的自主机器的一个关键方面。需要在科学、技术和立法方面取得进步，利用无人驾驶车辆，但考虑到与自然环境相关的困难：(i) 保持定位精度（避开障碍物或不压碎农作物），(ii) 在预定范围内导航-确定的空间，（iii）防止碰撞风险，或失去稳定性或可控性。将需要基础设施和协议来验证操作安全和其他类型的性能（技术、环境等）。

适应新的生产系统

机器人的设计必须考虑到节俭和包容：材料和组件的选择（尽量减少稀土元素的使用）、有限的能源需求、减少维护、可维修性、机器人的可扩展性及其更新能力。同样，机器人技术必须为所有类型的农业提供解决方案，并具有适应生产系统的复杂程度和自主性。新的作物系统，具有多种物种和可能引入的树木（农林业），将带来导航问题。

在数字技术和机器人技术如何改变劳动力、由于使用机器代替人类而丧失自主权（去技能化）以及从业者的基本原理等方面，也存在与人文学科相关的问题。为了避免这些风险，挑战之一是从设计阶段开始考虑使用条件、对农民工作的影响和满意度（Hansen 和 Straete，2020 年；Vik 等人，2019 年）和其他类别的工人（雇员、同事、分包商等）。

建模以纳入系统性影响并建立实用性，可用的决策支持工具

研究的挑战涉及与模型构建相关的许多方面，特别是：表示和理解交互；包括专业知识；为农民建立实用的综合模型；处理不确定性。这些细节可以在下面找到。

代表这些新的社会农业生态系统

这是第一个挑战，因为与传统农业相比，生态农业系统影响深远（包含价值链）和复杂得多（基于相互作用）。建模的困难与选择包括哪些特征和参数（由测量能力决定）、这些特征如何表达到植物或动物、环境、生产或育种系统的其他固有因素（考虑组中的个人的其他因素自然变异性有关）、使用的设备和使用的农业策略。

数据驱动的方法（基于统计、人工智能等）可以与概念驱动的方法（基于已知机制的生物、经济或社会模型）相结合。甚至可以考虑创建“数字孪生”，集成为子系统开发的模型，以便在系统级别测试场景（例如气候变化、大规模本地供应等）。然而，当无法保证子模型之间或数字孪生与正在研究的系统之间的概念对应时，这种集成将带来对齐困难。

专业知识的整合水平

在构建决策支持工具（描述、预测、处方，见 4.2）时要克服的第二个挑战是人文学科感兴趣的：是否有必要达到处方，或者是观察（或可能是诊断）正如 Ingrand（2018 年）所建议的那样，是否足够，将决定（处方）留给农民进行精准畜牧业？关于风险管理，其他形式主义可能是可行的，例如可行性理论（Aubin，1991），原则上是兼容的，但由于模型必须为小型（< 10）既受控又受约束的动态系统（Brias，2016）。这就提出了研究问题：如果模型不是动态的和受约束的（分区模型、多智能体系统），或者甚至是未知的，应该怎么做？如何在时间序列（临界点）中利用弱信号？如何在复杂性和控制之间达成妥协（Anderies 等人，2019 年）等。