World Modeling for Autonomous Wheel Loaders

要約

この論文では、土の山上で自動積み込み動作を実行するホイールローダーのワールドモデルを学習する方法を紹介します。
データ駆動型モデルは、初期杭形状の高さマップと自動バケット充填コントローラーのアクション パラメーターを含む入力を与えられた場合に、結果として得られる杭の状態、積載質量、時間、および 1 回の積載サイクルでの仕事量を出力するように学習されました。
したがって、動的に変化する環境における連続的な読み込みの長期計画が、モデル推論の繰り返しとして可能になります。
ディープ ニューラル ネットワークで構成されるモデルは、さまざまな形状の砂利の山における 10,000 を超えるランダムな荷重動作の 3D マルチボディ ダイナミクス シミュレーションのデータに基づいてトレーニングされました。
載荷性能とその結果の杭状態を予測する精度と推論時間は、平均してそれぞれ 1.2 ミリ秒で 95%、4.5 ミリ秒で 97% でした。
長期予測は、40 回の連続した読み込みアクションで実現可能であることがわかりました。

要約(オリジナル)

This paper presents a method for learning world models for wheel loaders performing automatic loading actions on a pile of soil. Data-driven models were learned to output the resulting pile state, loaded mass, time, and work for a single loading cycle given inputs that include a heightmap of the initial pile shape and action parameters for an automatic bucket-filling controller. Long-horizon planning of sequential loading in a dynamically changing environment is thus enabled as repeated model inference. The models, consisting of deep neural networks, were trained on data from 3D multibody dynamics simulation of over 10,000 random loading actions in gravel piles of different shapes. The accuracy and inference time for predicting the loading performance and the resulting pile state were, on average, 95% in 1.2 ms and 97% in 4.5 ms, respectively. Long-horizon predictions were found feasible over 40 sequential loading actions.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google