Machine Learning-Based Self-Localization Using Internal Sensors for Automating Bulldozers

要約

自己局在化は、ブルドーザーを自動化するための重要な技術です。
従来のブルドーザー自己ローカリゼーションシステムは、RTK-GNSS（リアルタイムの運動型グローバルナビゲーション衛星システム）に依存しています。
ただし、RTK-GNSS信号は、特定のマイニング条件で失われることがあります。
したがって、RTK-GNSに依存しない自己ローカリゼーション方法が必要です。
この論文では、ブルドーザー向けの機械学習ベースの自己ローカリゼーション法を提案します。
提案された方法は、内部センサーから機械学習モデルを使用したローカル速度の推定、およびこれらの推定値をグローバルローカリゼーションのために拡張カルマンフィルター（EKF）に組み込むという2つのステップで構成されています。
また、ブルドーザーの匂い測定の新しいデータセットを作成し、スラローム、掘削、斜面での運転など、さまざまな運転シナリオで実験を実施しました。
結果は、提案された自己ローカリゼーション法が、特にスリップが発生した場合、運動学ベースの方法と比較して位置誤差の蓄積を抑制したことを実証しました。
さらに、この研究では、ブレード位置センサーや油圧センサーなどのブルドーザー固有のセンサーが、自己局在化の精度の向上に貢献することが示されました。

要約(オリジナル)

Self-localization is an important technology for automating bulldozers. Conventional bulldozer self-localization systems rely on RTK-GNSS (Real Time Kinematic-Global Navigation Satellite Systems). However, RTK-GNSS signals are sometimes lost in certain mining conditions. Therefore, self-localization methods that do not depend on RTK-GNSS are required. In this paper, we propose a machine learning-based self-localization method for bulldozers. The proposed method consists of two steps: estimating local velocities using a machine learning model from internal sensors, and incorporating these estimates into an Extended Kalman Filter (EKF) for global localization. We also created a novel dataset for bulldozer odometry and conducted experiments across various driving scenarios, including slalom, excavation, and driving on slopes. The result demonstrated that the proposed self-localization method suppressed the accumulation of position errors compared to kinematics-based methods, especially when slip occurred. Furthermore, this study showed that bulldozer-specific sensors, such as blade position sensors and hydraulic pressure sensors, contributed to improving self-localization accuracy.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google