[論文レビュー] AES: Autonomous Excavator System for Real-World and Hazardous Environments

Jinxin Zhao, Pinxin Long+6 more|arXiv (Cornell University)|Nov 10, 2020

Industrial Automation and Control Systems参考文献 18被引用数 4

ひとこと要約

本論文では、認識、学習ベースの運動計画、最適化を統合した自律型掘削機システムAESを提案する。本システムは、危険な現実世界の環境において長時間にわたり人間と同等の掘削作業を実現する。システムは24 HPI（1日あたりの作業時間）を達成し、人間の熟練作業者と同等の生産性を発揮する。屋内外のさまざまな状況、例えば鉱山、建設現場、廃棄物処理現場においても、24時間にわたって人間の介入なしに連続して稼働する。

ABSTRACT

Excavators are widely used for material-handling applications in unstructured environments, including mining and construction. The size of the global market of excavators is 44.12 Billion USD in 2018 and is predicted to grow to 63.14 Billion USD by 2026. Operating excavators in a real-world environment can be challenging due to extreme conditions and rock sliding, ground collapse, or exceeding dust. Multiple fatalities and injuries occur each year during excavations. An autonomous excavator that can substitute human operators in these hazardous environments would substantially lower the number of injuries and can improve the overall productivity.

研究の動機と目的

• 鉱山や建設現場などの現実的で危険な環境において、安全かつ効率的に作業できる自律型掘削機システムの開発を目的とする。
• 粉塵、極端な気温、不安定な地形といった極限環境下で人的な掘削作業のリスク（怪我や死亡）を低減するため、熟練作業者の代わりに自律システムを導入することを目的とする。
• 熟練した人間作業者と同等の性能を発揮する、高信頼性で長時間にわたる自律性（24 HPI）を実現することを目的とする。
• 動的な材料の山を認識し、不純物や障害物を検出するとともに、変化する地形や材料特性にリアルタイムで適応できるようにすることを目的とする。

提案手法

• RTK GNSS、傾き計、LiDAR、RGB-Dカメラを組み合わせたハイブリッド認識アーキテクチャを用い、2.5次元の高さマップを生成するとともに、材料のテクスチャや組成を検出する。
• リアルタイムの環境観測に基づいて、掘削の攻撃点（POA）とバケット移動距離を予測するため、MLPベースの深層ニューラルネットワークを採用する。
• 人間の運動パターンを示された軌道から抽出するため、逆強化学習（IRL）を用い、最適な運動コスト関数を表す特徴の重みを学習する。
• 学習したコスト関数を、確率的軌道最適化（STOMP）フレームワークに統合し、衝突のない、実行可能な関節座標空間の軌道を生成する。
• 認識モジュールが得た障害物および不純物の検出データをSTOMPのコスト関数に組み込み、硬質または危険な材料への掘削を回避する。
• CANバスを介したドライブ・バイ・ワイヤ制御を備えた小型（6.5トン）および標準（49トン）の油圧掘削機に本システムを実装し、産業用マイクロコントローラーを用いて低レベルの作動を制御する。

実験結果

リサーチクエスチョン

• RQ1 自律掘削機システムは、現実的で危険な掘削環境において、持続的かつ人間と同等の性能を発揮できるか？
• RQ2 動的で不確実的かつ非構造的な掘削状況に対応するため、認識と計画をどのように密接に統合できるか？
• RQ3 最適化ベースやルールベースのシステムと比較して、学習ベースの運動計画は、どれほど耐障害性と効率性を向上させられるか？
• RQ4 統一されたシステムアーキテクチャは、さまざまな材料タイプや環境条件下で、小型および標準サイズの掘削機をカバーできるか？
• RQ5 認識、計画、制御を統合したシステムにおいて、現実の掘削作業でどれほどの自律性（HPIで測定）が達成できるか？

主な発見

• AESは24 HPIを達成し、人間の介入なしに24時間連続で稼働可能である。これは、高いシステム信頼性と自律性を示している。
• システムは熟練した人間作業者と同等の材料搬送能力を発揮し、現実世界の掘削作業において人間と同等の生産性を確認した。
• 認識モジュールは、粉塵や低照度といった極限条件下でも、材料の種別、テクスチャ、不純物（例：化学廃棄物）を正常に検出できた。
• IRLとSTOMPを用いた学習ベースの運動計画により、リアルタイムで変化する山の形状や障害物の位置に適応できる耐障害性の高い軌道生成が可能になった。
• システムは小型および標準サイズの掘削機の両方で正常に稼働した。これは、異なる掘削機サイズにわたるスケーラビリティと一般化能力を示している。
• 認識、計画、制御を統合した1つのアーキテクチャは、複雑で非構造的な環境下で、従来の自律掘削機システムよりも顕著に性能向上を達成した。