Mer information
Mer information kan du hitta på digitalphysics.se och xscave.eu.
Forskningsprojekt Tunga mobila maskiner är konstruerade för att fysiskt manipulera sin omgivning. I XSCAVE kombinerar vi beräkningsfysik med artificiell intelligens (AI) för att skapa säkra och effektiva system för autonom styrning.
Tunga mobila maskiner är konstruerade för att fysiskt manipulera sin omgivning. De måste vara säkra och tillförlitliga men samtidigt snabbt kunna anpassa sig till plötsliga förändringar i miljön. Att balansera dessa till synes motsägelsefulla krav är målet med XSCAVE, en akronym för ”Explainable, Safe, Contact-Aware Planning and Control for Heavy Machinery Manipulation and Navigation”. Beräkningsfysik och artificiell intelligens kombineras för att skapa säker och effektiv autonom styrning. Resultaten demonstreras på skogsmaskiner, jordförflyttningsutrustning och utomhuslogistikrobotar.
Jordförflyttning, skogsbruk och stadslogistik är sektorer där ökad autonomi kan leda till drastisk ekonomisk tillväxt samtidigt som arbetskraftsbrist och negativ miljöpåverkan åtgärdas. Ändå finns det kvarstående utmaningar relaterade till variationer i uppgifter/miljöer som är intimt förknippade med den terräng som maskinen möter under navigering och manipulation. En grävmaskin måste t.ex. anpassa sig till olika typer av markförhållanden och stenar av olika form och storlek. Sådan uppgifts- och miljöanpassning kräver att maskinerna ändrar sin ”perception-to-action”-mappning baserat på online-observationer från olika sensormodaliteter.
XSCAVE kommer att utnyttja den exceptionella representations- och approximationsförmågan hos djupa neurala nätverk för att automatiskt lära sig den terrängspecifika anpassningen av utgrävnings-, vidarebefordrings- och navigeringsstrategier från data. Det övergripande målet med XSCAVE är: (i) att utveckla förmågor för inlärning av performanta (höghastighet), säkra (stabila, kontaktmedvetna) och förklarbara perception-till-handling-modeller för terränganpassade gräv- och navigeringsstrategier; och (ii) demonstrera en stegvis förändring av autonomi inom bygg-, skogs- och logistikindustrin.
XSCAVE syftar därför till att omforma djupinlärda modeller till neurala nätverk som kompletteras med parametriserade strukturerade priors från fysik, optimering och klassisk sökning för att föra in domänkunskap i inlärningsprocessen. De grundläggande innovationerna på algoritmnivå kommer att översättas till en aldrig tidigare skådad förmåga för maskinerna att planera, styra och anpassa sina handlingar beroende på uppgiften och terrängförhållandena.
Projektet finansieras av EU-Horizon och drivs i samarbete mellan Aalto University, Algoryx, Forschungszentrum Informatik, Clevon, Czech Technical University i Prag, Komatsu Forest, Novatron, Tampere University, Toshiba Europe, Umeå University, University of Tartu.
Mer information kan du hitta på digitalphysics.se och xscave.eu.