Ny data ska göra AI-modeller smartare

En forskargrupp vid Umeå universitet tar hjälp av AI för att på olika sätt förbättra skogsbruket. Nu har de samlat in detaljerade data som bland annat ska träna AI-modeller att bedöma framkomligheten i skogen. Datan kommer att användas i flera projekt inom Mistra Digital Forest och görs tillgänglig för alla som vill arbeta vidare med den.

De AI-modeller som utvecklas inom Mistra Digital Forest kan underlätta många delar av skogsbruket och för att de ska bli riktigt bra på sin uppgift behöver de bra data att träna på. Med hjälp av flygburen laserskanning och en skotare från Komatsu har forskare i digital fysik vid Umeå universitet samlat in ny högkvalitativ data från två av SCA:s skogsområden. Den ska nu användas för att träna AI-modeller i simuleringar.

– Tanken är att datan ska användas som träningsunderlag i flera projekt inom Mistra Digital Forest. När vi tränar AI-modeller i simuleringar vinner vi tid och vi slipper skador på maskin och mark. Datan kommer också att göras tillgänglig för forskare, maskintillverkare och andra som vill arbeta vidare med den, säger Erik Wallin, forskare i digital fysik vid Umeå universitet.

Tränar AI att bedöma framkomligheten i skogen

Närmast i tid används datan för att utveckla en AI-modell som kan bedöma framkomligheten i skogen. Genom att integrera den här funktionen i beslutsstöd går det att på förhand uppskatta energiåtgången vid avverkning och vilken skogsmaskin som lämpar sig bäst för ett uppdrag, exempelvis utifrån terrängens specifika förhållanden.

För att ta fram AI-modellen har forskarna gjort en virtuell kopia av den skotare från Komatsu som användes vid datainsamlingen. Den virtuella kopian kör sedan i en simulering somefterliknar skog, med stor variation i terrängen, och används för att träna en AI-modell som kan bedöma framkomlighet och energiförbrukning. Genom att sedan jämföra AI-modellens förutsägelser med de detaljerade data som har samlats in av den fysiska skotaren kan forskarna validera hur väl AI-modellen klarar uppgiften.

– Det här lägger grunden för optimeringsmodeller som hjälper oss att bli mer resurseffektiva och som gör att vi kan fatta gynnsamma beslut både för ekonomin och klimatet. När vi exempelvis kan uppskatta energi- och tidsåtgång för en avverkning kan vi sätta skarpare planer och vi blir mer träffsäkra i ersättningen till leverantörer. Projektet ligger i linje med SCA:s satsningar på att i större utsträckning använda högupplösta data för att möjliggöra precisionsskogsbruk, säger André Wästlund, verksamhetsutvecklare SCA.

Siktar på mer välfungerande AI-modeller

En gemensam utmaning för nästan alla projekt där AI-modeller tränas upp i simulerad miljö är att flytta modellen från simulering till verklighet. Det ställer krav på att den virtuella kopian har anpassats för att efterlikna verkligheten. Här krävs det idag att forskarna gör en stor del av anpassningen – kalibreringen – själva, men med hjälp av den detaljerade datan kan implementeringen effektiviseras. Datan gör det exempelvis möjligt att systematiskt variera den virtuella skotarens inställningar, och med hjälp av en algoritm hitta de optimala valen. På så vis kan kalibreringen troligtvis förenklas och delvis automatiseras. Laserdatan från luften kan också översättas till en markmodell som är ännu mer lik verkligheten. Där kan AI-modellen träna på att urskilja reella hinder, som stenar från låg växtlighet som buskar, något som också skulle underlätta kalibreringen till en fysisk skogsmaskin.

– För att få en välfungerande AI-modell behöver vi just den här sortens data som samlats in under kontrollerade former och som beskriver den variation av scenarier som skogsmaskiner möter ute i verkligheten, säger Erik Wallin.