Skogsmaskiner är komplexa och skogen oförutsägbar. Utmaningarna till trots har forskare med hjälp av AI utvecklat en virtuell motsvarighet av en självkörande skogsmaskin som kan ta sig fram i skoglig terräng. Nu har AI:n tagit nästa viktiga utvecklingssteg och för första gången kört en riktig skotare.
I ett projekt inom Mistra Digital Forest har forskare vid Umeå universitet med hjälp av djup förstärkningsinlärning, ett slags AI, tränat upp en självkörande skotare. Utvecklingsarbetet har skett på en virtuell kopia av en fysisk skogsmaskin och den tränas upp i en simulering som liknar skogens terräng. Efter goda resultat var det nyligen dags att ta nästa steg och testa om AI:n kunde köra en fysisk skotare.
Viktor Wiberg, doktorand vid institutionen för fysik på Umeå universitet, har lett projektet. Testerna gick av stapeln på en grusplan i Uppsala där hinder placerades ut för att efterlikna skogens terräng.
Hur gick det?
Viktor Wiberg
– Bra! Testerna visar att det går att träna upp en AI-modell i simulerad miljö för att sen gå över till att låta den köra en fysisk skogsmaskin, i det här fallet en pendelarmskotare i Skogforsk ägo. Det här är ett av de första försöken där AI kör en sådan typ av fordon, det kommer med utmaningar som att skotaren har ett komplext hydrauliskt system och dessutom ska den ta sig fram i svår terräng, säger Viktor Wiberg.
Utmaning att gå från simulering till verklighet
Forskningsstudien fokuserar på överföringen från simulering till verklighet.
– Det är ett relativt okänt område och vi behöver förstå vad som är viktigt för att klara övergången. Hur bra simuleringar man än har kommer verkligheten med utmaningar som vi måste förhålla oss till i förflyttningen till en fysisk skogsmaskin.
Testerna visade snart att den fysiska skotaren tolkade styrsignalen på ett annat sätt än sin virtuella motsvarighet. För att komma åt problemet fick forskarna lära om AI:n genom att plocka in den fysiska skotarens styrsignal i simuleringen och på så vis bättre matcha simulering och verklighet. Viktor drar parallellen till att människor kan köra olika bilar även om det känns ovant först medan en AI måste lära sig att köra ”rätt” bil från början.
Ett annat hinder för att klara förflyttningen till verkligheten var de fördröjningar som uppstod i kommunikationen, ungefär som när bilens GPS laggar. Den fördröjningen finns inte i simuleringen och för att skogsmaskinen ska ta sig fram smidigt behövde AI:n lära sig att ta hänsyn till störningen. Vid det tredje försöket hade de här hindren överbyggts tillräckligt för att den AI-styrda maskinen skulle kunna ta sig fram i testmiljön.
Ska utforska om kranarbetet kan automatiseras
Härnäst kommer forskargruppen vid Umeå Universitet att fokusera på hur den här typen av AI-teknik kan användas i kranarbetet, när stockar ska lastas på och av. Tester kommer att göras på en pendelarmskotare och den här gången i skoglig terräng.
– Nu vet vi att man på ett kostnads- och tidseffektivt sätt kan träna upp AI i en simulering för att sen gå över till en fysisk skogsmaskin. Djup förstärkningsinlärning har potential att vara användbart i automatiseringen av tunga fordon som rör sig i svår terräng, säger Viktor Wiberg avslutningsvis.
Simulering versus verklighet. Foto: Viktor Wiberg & Morgan Rossander