Automatiserad lastning och dumpning för ökad effektivitet (ALDEE)

Viktiga resultat som projektet gav

Syftet med projektet var att effektivisera lastnings- och lossningsprocesserna i byggprojekt med hjälp av ML-metoder. Projektet att uppfyllt syftet genom att utveckla maskinlärningslösningar (ML-lösningar) som tränas med skalmodeller för att använda kameraseende för automation av hjullastare som används för kortcykellastning. Projektet har även utarbetat en simuleringsmiljö (alias AI gym) med en modell av en Volvo hjullastare där kamerabaserad navigering baserad på ML kan undersökas.

Långsiktiga effekter som förväntas

Projektets resultat inkluderar två konferensbidrag om användning av skalmodeller för att träna ML-modeller för maskinseende, en tidskriftsartikel som omfattar en litteraturstudie om betydelsen av ML och datorseende för automation av hjullastare, samt online-presentationer och ett webbseminarium av LTU för Volvo. Dessutom har en licentiatuppsats om lösningar för automatiserad lastning och dumpning baserad på maskininlärning levererats. Med det har projektet bidraget med ny kunskap inom området, samt banat väg för fortsatt arbete i projekt VALD (finansierat av FFI).

Upplägg och genomförande

Projektets genomförande har präglats av Covid-19 situationen som berört hela projektperioden. Restriktioner för resande och att mötas här till stor del omöjliggjort för LTU att besöka och arbeta med fullskaliga experiment hos Volvo CE i Eskilstuna vilket var planerat för projektet. Projektet har hanterat situationen genom att fokusera på arbete och angreppsätt som kan användas utan sådana experiment, dvs skalmodeller och simuleringar. Det har lett till resultat helt i linje med projektmålen, och som banat väg för uppföljningsprojektet VALD.