Simuleringar och AI vässar skotarens körförmåga

Hur kan skotaren köra så energieffektivt och skonsamt som möjligt genom skogens utmanande terräng? Inom Mistra Digital Forest pågår arbetet med att utveckla framkomlighetsmodeller som kan analysera terrängen, hitta den bästa rutten och planera skogsmaskinernas körning.

Tekniken som används för att utveckla framkomlighetsmodeller bygger på högupplösta laserskanningar av markens topografi och fysikbaserade simuleringar. Med hjälp av dem blir det möjligt att träna AI-modeller på tusentals scenarier – utan att de behöver köra en enda meter i skogen. Projektet utförs av forskare vid Umeå universitet i nära samarbete med Komatsu Forest och SCA.

– Att träna AI i simuleringar är ett effektivt alternativ när det är för riskfyllt och tidskrävande att träna modeller i fysisk miljö. Styrkan med AI-modeller är att de med hög precision och på mycket kort tid kan beräkna energiåtgång, körhastighet och påfrestningar på maskinen, säger Mikael Lundbäck, forskare vid institutionen för fysik på Umeå universitet.

Utöver ruttplanering – som tar hänsyn till lutning, stenar och andra hinder – kan framkomlighetsmodellerna användas för att minska förekomsten av körskador i marken. Dessutom skulle de kunna vara ett bra stöd till ovana maskinförare.

– Framkomlighetsmodeller banar väg för morgondagens autonoma maskiner men här och nu är de framför allt intressanta för att svara upp på branschens strävan att minska sina koldioxidutsläpp. Hur och var man kör påverkar bränsleförbrukningen enormt. Det här är kunskap som erfarna förare besitter, men som är svår att formalisera, säger Mikael Lundbäck.

Kalibreringsarbetet mer komplext än väntat 

En stor del av arbetet inom Mistra Digital Forest handlar om att kalibrera den förenklade simuleringsmodellen så att den bättre speglar verkligheten. Tester på en fysisk skogsmaskin visar att det uppstår ett slags glapp när AI går från sin virtuella träningsmiljö ut i den fysiska skogen där alla möjliga störningar förekommer. Här har forskarna vid två tillfällen samlat in data från SCA:s avverkningar, som simuleringsmodellen har fått träna på.

– Kalibreringsarbetet har varit mer komplext än vi först anade. Att krympa glappet är ett jätteviktigt steg för att AI-modellens virtuella träningsmiljö ska bli så verklighetstrogen som möjligt. Det här är ett stort forskningsområde just nu. Framsteg här skulle effektivisera implementeringen av många olika slags AI-modeller, säger Arvid Fälldin, doktorand vid institutionen för fysik på Umeå universitet.

Dataset och simuleringsmodell blir publika 

Nu kan fler studera terrängens påverkan på skogsmaskiner utan att behöva göra kostsamma och riskfyllda fälttester. Projektet har publicerat öppna dataset med högupplösta terräng- och maskindata och inom kort blir också en kalibrerad version av simuleringsmodellen publik. Det sista året inom Mistra Digital Forest ägnas åt att ta tekniken ännu några steg närmare användbarhet genom att träna framkomlighetsmodellen på den kalibrerade simuleringen.

– Vi ser framför oss ett skogsbruk där data, simuleringar och AI både effektiviserar arbetet och gör det mer hållbart, säger Arvid Fälldin avslutningsvis.

Herobild: Vid ett fälttest hos SCA 2024 kör skotaren över ett stort hinder i form av en 90 centimeter hög sten. Foto: Mikael Lundbäck.