Att lasta en skotare är en avancerad uppgift. Det krävs erfarenhet och kunskap för att bedöma stockarnas placering, undvika jord och stenar och att lasta så effektivt som möjligt.
Det här gör möjligheten att använda AI intressant, anser forskare från Umeå universitet som utvecklat en metod med hjälp av Skogforsk och Algoryx Simulation.
Kranen tränas virtuellt
Metoden går ut på att träna artificiell intelligens att hitta lämpliga grepp för en självgående skotarkran.
Inledningsvis, och i träningssyfte, har många olika virtuella skogsmiljöer skapats. Stockar, stenar och stubbar har placeras ut på olika sätt. En detaljerad grip används i simuleringen där tusentals olika greppositioner testas i stockhögarna.
Fördelen är att man kan skapa många fler träningssituationer än i verkligheten – och att ingen risk för skador finns.
I simuleringen lyckades modellen väl: i 96 procent av fallen hittade den fungerande grepp. Den lyckades också undvika hinder, som stora stenar.
Så gick de verkliga lyften
Men hur går det i verkligheten?
Här reserverar sig Skogforsk, som stod för testbädden i Jälla utanför Uppsala, för att utvecklingsstadiet är mycket tidigt.
Men trots det så lyckades majoriteten av lyftförsöken.
De praktiska testerna avslöjade också ett moment som fungerat bättre i en ideal simulering än i verkligheten. AI-modellen föredrog ibland att öppna gripen så lite som möjligt. I verkligheten kan det utgöra skillnad mellan ett lyckat och ett misslyckat grepp. Här gjordes en justering som gör att gripöppningen ökar när så krävs.
På så sätt blev modellen mer robust mot mätfel och osäkerheter som finns i en verklig arbetsmiljö, skriver Skogforsk.
Studien beskrivs i den vetenskapliga artikeln Synthesizing multi-log grasp poses in cluttered environments.