Predictor models for high-performance wheel loading

要約

自律的なホイールローディングには、多くの繰り返しにわたって総合的なパフォーマンスを最大化するアクションを選択することが含まれます。
アクションは、山の現在の状態と将来の状態に適切に適応する必要があります。
杭の状態は以前のアクションの結果であり、非常に未知であるため、最適なアクションを選択することは困難です。
アクションの選択を支援するために、この論文ではデータ駆動型モデルを調査して、初期杭状態を考慮した積み込みアクションの積載質量、時間、作業量、および結果として生じる杭状態を予測します。
ディープ ニューラル ネットワークは、10,000 回を超えるシミュレーションを使用してデータに基づいてトレーニングされ、杭の状態は高さマップまたはその傾斜と曲率で表され、91 ～ 97% の精度で実現されました。
連続した読み込みアクションの最終的な結果は、読み込みごとに 5 ミリ秒でモデル推論を繰り返すことによって予測されます。
推論中にエラーが蓄積されるため、長期予測を物理ベースのモデルと組み合わせる必要があります。

要約(オリジナル)

Autonomous wheel loading involves selecting actions that maximize the total performance over many repetitions. The actions should be well adapted to the current state of the pile and its future states. Selecting the best actions is difficult since the pile states are consequences of previous actions and thus are highly unknown. To aid the selection of actions, this paper investigates data-driven models to predict the loaded mass, time, work, and resulting pile state of a loading action given the initial pile state. Deep neural networks were trained on data using over 10,000 simulations to an accuracy of 91-97,% with the pile state represented either by a heightmap or by its slope and curvature. The net outcome of sequential loading actions is predicted by repeating the model inference at five milliseconds per loading. As errors accumulate during the inferences, long-horizon predictions need to be combined with a physics-based model.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google