Automatiserad lastning testas på skotare

Den digitala tekniken går framåt och öppnar nya möjligheter till fjärrstyrning och automation. Under 2024 tog forskare vid Mistra Digital Forest hjälp av en fullskalig skotare för att testa två nya metoder för automatiserad greppning och lastning av stockar. Båda lösningarna kan förbättra produktiviteten och arbetsmiljön i skogen.

För en maskinoperatör är det inga konstigheter att med blotta ögat upptäcka en stock som ligger på marken och förstå hur hen ska greppa och flytta den. För en dator är det däremot en komplex uppgift att lösa enbart med hjälp av visuell information. Nu har forskare vid Skogforsk lyckats utveckla ett program där en förarlös skotare kan ”se”, greppa och flytta enskilda stockar genom att bearbeta information från en kamerasensor placerad på kranen.

Inom Mistra Digital Forest vidareutvecklas den automatiska stockplockningen och integreras med lösningar för fjärrstyrning av skotare, även dessa har Skogforsk . Det resulterar i ett verktyg som gör att operatören från en fjärrstation kan växla mellan manuellt och automatiskt läge vid lastning av stockar.

– Att kunna anpassa styrningen efter olika situationer ger en önskvärd flexibilitet och öppnar för förbättringar i arbetsmiljön, samtidigt som produktiviteten ökar. På sikt kan det här innebära att en operatör styr flera maskiner samtidigt, säger Tobias Semberg.

AI-modell tränas att greppa från stockhögar

På fjärrstyrningslabbet Troëdsson Forestry Teleoperation Lab i Uppsala finns den skotare som har möjliggjort storskaliga tester. Där arbetar Skogforsk med att utveckla fjärrstyrning och automation för skogsbruket.

Fjärrstyrningslabbets skotare har också spelat en viktig roll i att testa de AI-modeller för automation inom skogsbruket som utvecklas av forskare vid Umeå universitet. Förra året testkördes en AI-modell som banar väg för självkörande skotare och under 2024 har en AI-modell som kan greppa flera stockar från stockhögar testats. 

– AI-modellen tränas i en verklighetstrogen simulering på att greppa från slumpmässigt utplacerade stockhögar snarare än att greppa stockar som ligger frilagda en och en på marken. Där möter AI:n ungefär samma utmaning som vi gör i plockepinn, den kan inte ta upp stockar slumpmässigt utan behöver en logik för hur den bäst går till väga, säger Arvid Fälldin, doktorand vid Umeå universitet och fortsätter:

– Inför arbetet med modellen frågade vi operatörer om deras strategi men många hade svårt att konkretisera hur de tänkte och sa att de gjorde det som ”kändes rätt”. Det visar på utmaningen i att formulera enkla logiska regler som en robot kan följa.

 ”Modellen har potential att fungera väldigt bra”

Vid de här tidiga testerna på en fysisk skogsmaskin, uppstår ett slags glapp när AI:n går från sin virtuella träningsmiljö ut i verkligheten. Här behöver forskarna ofta göra justeringar längs vägen innan AI:n fungerar bra i den fysiska miljön. Att krympa det här glappet genom att låta AI:n träna på så verklighetstrogna data som möjligt är ett stort forskningsområde just nu eftersom det skulle effektivisera implementeringen av AI-modeller.– Vi är fortfarande i ett för tidigt skede för att säga något definitivt men av det vi kan utröna från årets tester verkar modellen för att greppa stockar ha potential att fungera väldigt bra, säger Arvid Fälldin.

Båda forskningsområdena visar hur skotningen på sikt kan komma att automatiseras. Men för att fortsätta resan mot helt självgående maskiner behövs en vidareutveckling av automationslösningar för avlastning.

– Båda projekten banar väg för hjälpmedel som kan underlätta för dem som arbetar i skogen, säger Tobias Semberg avslutningsvis.