In Situ Soil Property Estimation for Autonomous Earthmoving Using Physics-Infused Neural Networks

要約

物理学を注入したニューラル ネットワーク (PINN) を使用して、土壌特性をその場で推定するための新しい学習ベースの方法を紹介します。
このネットワークは、土壌の凝集力、内部摩擦角、土壌とツールの摩擦、土壌破壊角度、および残留切込み深さの推定値を生成するようにトレーニングされており、これらの推定値は土工の基本方程式 (FEE) に基づいて土工モデルに通されて、
推定の力。
このネットワークは、運動学的観測の短い履歴を過去の制御コマンドとともに取り込み、相互作用力を平均誤差 2kN (測定された力の 13%) 未満で正確に予測します。
このアプローチを検証するために、ブレード付き車両の地動シミュレーションが Vortex Studio を使用して開発され、推定されたパラメータと擬似グラウンドトゥルース値との比較が可能になります。これは、実世界の実験では困難です。
提案されたアプローチは、相互作用力の正確な推定を可能にし、モデルと環境物理学が大幅に逸脱している場合でも、意味のあるパラメーター推定値を生成することが示されています。

要約(オリジナル)

A novel, learning-based method for in situ estimation of soil properties using a physics-infused neural network (PINN) is presented. The network is trained to produce estimates of soil cohesion, angle of internal friction, soil-tool friction, soil failure angle, and residual depth of cut which are then passed through an earthmoving model based on the fundamental equation of earthmoving (FEE) to produce an estimated force. The network ingests a short history of kinematic observations along with past control commands and predicts interaction forces accurately with average error of less than 2kN, 13% of the measured force. To validate the approach, an earthmoving simulation of a bladed vehicle is developed using Vortex Studio, enabling comparison of the estimated parameters to pseudo-ground-truth values which is challenging in real-world experiments. The proposed approach is shown to enable accurate estimation of interaction forces and produces meaningful parameter estimates even when the model and the environmental physics deviate substantially.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google