NYHET För första gången har forskare lyckats skapa en självkörande skogsmaskin som styrs av artificiell intelligens. I en forskningsstudie vid Umeå universitet utvecklades ett AI-system som kan manövrera den 16 ton tunga maskinen utan mänsklig inblandning. Studien har genomförts i samarbete med Skogforsk och Algoryx Simulation.
Här testar man att låta den förarlösa skogsmaskinen följa en förplanerad rutt, en snäv åtta. Personalen övervakar maskinen med säkerhetsstopp i handen.
AI-styrning av robotar kräver stora mängder träningsdata vilket är kostsamt och riskfyllt när det är fråga om tunga maskiner. Förträning i simulerad miljö löser detta, men överensstämmelsen med verkligheten blir aldrig perfekt. En forskningstudie vid Umeå universitet visar att det detta hinder kan överkommas också för stora och komplexa system.
Viktor Wiberg, forskare på Algoryx Simulation och tidigare doktorand vid Umeå universitet.
BildViktor WibergPå Skogforsk testområde i Jälla utanför Uppsala har de första lyckade försöken genomförts. I testerna fick en AI ta över styrningen av en tung skogsmaskin, navigera över olika hinder och följa en planerad rutt. AI:n hade tränats i förväg på Umeå universitets superdator i flera miljoner träningssteg.
– Resultaten visar att det är möjligt att överföra AI-styrning till en fysisk skogsmaskin efter att först ha tränat den i simulerad miljö, säger Viktor Wiberg, forskare på Algoryx Simulation, vars doktorsavhandling vid Umeå universitet ligger till grund för arbetet.
Det här är första gången som någon har lyckats demonstrera autonom styrning med AI av en så pass komplex maskin som en skogsmaskin.
AI-tekniken "djup förstärkningsinlärning" (deep reinforcement learning) har uppvisat förmåga att styra komplexa system som överträffar den mänskliga. Framgångarna har dock varit begränsade till antingen digitala system eller små och lätta robotar. Tunga maskiner för arbete i skog, gruva och på byggarbetsplatser har komplex mekanik, ofta i kombination med hydraulik. Detta gör dem svåra att kontrollera.
– Dessutom är det kostsamt och farligt att med experiment producera den mängd av träningsdata som krävs för att träna AI-modeller som kan hantera alla upptänkliga situationer, säger Martin Servin, universitetslektor i fysik vid Umeå universitet.
Jämförelse mellan den simulerade och verkliga skogsmaskinen körandes över en hög ramp, kontrollerade med samma AI-modell (Policy C2). Modellen strävar efter att hålla en jämn hastighet mot nästa målpunkt med god och jämnt fördelad markkontakt. Den reagerar på kraftvariationerna i hydrauliksystemet och laserdata av den lokala omgivningen.
Bild Viktor Wiberg
Försöken genomfördes på Skogforsk Troëdsson Forestry Teleoperation Lab i Jälla utanför Uppsala. För god säkerhet kunde AI-styrning kopplas i och hur på distans och säkerhetsstopp med dödmansgrepp användes.
Bild Viktor Wiberg
Konceptskotaren Xt28 på hinderbana uppställd på Skogforsk Troëdsson Forestry Teleoperation Lab. Skogsmaskinen väger 16 ton, har sex hjul på hydraulstyrda pendelarmar och två styrda midjeleder. Detta ger fordonet stor rörelsefrihet i svår terräng men gör fordonet mer utmanande att styra än en konventionell skotare.
Bild Viktor Wiberg
Jämförelse mellan den simulerade och verkliga skogsmaskinen körandes över en hög ramp, kontrollerade med samma AI-modell (Policy C2). Modellen strävar efter att hålla en jämn hastighet mot nästa målpunkt med god och jämnt fördelad markkontakt. Den reagerar på kraftvariationerna i hydrauliksystemet och laserdata av den lokala omgivningen.
Försöken genomfördes på Skogforsk Troëdsson Forestry Teleoperation Lab i Jälla utanför Uppsala. För god säkerhet kunde AI-styrning kopplas i och hur på distans och säkerhetsstopp med dödmansgrepp användes.
Konceptskotaren Xt28 på hinderbana uppställd på Skogforsk Troëdsson Forestry Teleoperation Lab. Skogsmaskinen väger 16 ton, har sex hjul på hydraulstyrda pendelarmar och två styrda midjeleder. Detta ger fordonet stor rörelsefrihet i svår terräng men gör fordonet mer utmanande att styra än en konventionell skotare.
Av dessa skäl sker en stor del av forskningen och utvecklingen i virtuella träningsmiljöer, inte olika den typ av simulatorer som länge har använts för att träna mänskliga maskinoperatörer. Den virtuella miljön bygger på fysiksimulering som naturtroget beräknar maskinens rörelser och interaktionen med terräng och timmer.
I en digital simulering kan en AI-modell på kort tid utforska en stor rymd av orsaksamband mellan situation, handling och utfall.
– I en virtuell miljö sker träningen utan skaderisker och utan bränsleåtgång, säger Martin Servin.
Martin Servin, universitetslektor i fysik vid Umeå universitet.
BildKenneth BodinMen trots en hög grad av realism i fysikmodellerna som driver simulatorerna så finns det det en viss diskrepans mot verkligheten. Detta så kallade "verklighetsglapp" utgör ett stort hinder när en förtränad modell ska överföras till att styra en fysisk maskin. Resultatet kan bli att AI:n utför oväntade och oönskade handlingar.
Fram till nu har det varit oklart hur stort hinder verklighetsglappet utgör när det gäller tunga och komplexa maskiner. Men forskningsstudien vid Umeå universitet visar att glappet kan överbryggas.
– Det är imponerande att det faktiskt fungerade. Det var tydligt hur AI:n presterade bättre och bättre vid varje försök, säger Tobias Semberg, ingenjör på Skogforsk Troëdsson Forestry Teleoperation Lab.
Forskningsstudien har publicerats i två artiklar och presenteras i dagarna på världskongressen i skoglig forskning, IUFRO, i Stockholm.
Wiberg V, Wallin E, Fälldin A, Semberg T, Rossander M, Wadbro E, and Servin M. Sim-to-real transfer of active suspension control using deep reinforcement learning. Robotics and Autonomous Systems, 104731, doi.org/10.1016/j.robot.2024.104731 (2024).
Wiberg V, Wallin E, Nordfjell T, and Servin S. Control of rough terrain vehicles using deep reinforcement learning. IEEE Robotics and Automation Letters, 7(1):390-397 (2022).
