[论文解读] AES: Autonomous Excavator System for Real-World and Hazardous Environments
本文提出AES（自主挖掘机系统），该系统整合了感知、基于学习的运动规划与优化技术，可在危险的真实环境中实现长时间、类人水平的挖掘作业。该系统实现了24 HPI（每干预小时数），即在无须人工干预的情况下连续运行24小时，其生产效率与经验丰富的操作员在采矿、建筑和废物处理等多种室内外场景下的表现相当。
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.
研究动机与目标
- 开发一种可在真实危险环境（如矿井和施工现场）中安全、高效运行的自主挖掘机系统。
- 通过在粉尘、极端温度和不稳定地形等极端条件下以机器替代人工操作员，降低人工挖掘带来的高工伤与死亡风险。
- 实现鲁棒的长期自主运行（24 HPI），在物料搬运与土壤挖掘任务中达到与经验丰富的操作员相当的性能水平。
- 使系统能够实时感知动态物料堆，检测杂质与障碍物，并适应不断变化的地形与物料特性。
提出的方法
- 采用融合RTK GNSS、倾角传感器、LiDAR和RGB-D相机的混合感知架构，生成2.5D高程图，并识别物料的纹理与成分。
- 利用基于多层感知机（MLP）的深度神经网络，根据实时环境观测预测挖掘点（POA）与铲斗行进长度。
- 应用逆强化学习（IRL）从示范轨迹中提取人类运动模式，学习代表最优运动代价函数的特征权重。
- 将学习到的代价函数整合进随机轨迹优化（STOMP）框架，生成无碰撞、可行的关节空间轨迹。
- 将感知模块获取的障碍物与杂质检测数据融入STOMP代价函数，避免挖掘坚硬或不安全材料。
- 在配备CAN总线驱动的线控系统（drive-by-wire）的紧凑型（6.5吨）与标准型（49吨）液压挖掘机上部署系统，采用工业级微控制器实现低层执行控制。
实验结果
研究问题
- RQ1自主挖掘机系统是否能在真实危险挖掘环境中实现持续、类人水平的性能表现？
- RQ2如何实现感知与规划的紧密耦合，以应对动态、不确定且非结构化的挖掘场景？
- RQ3与纯优化驱动或规则驱动的系统相比，基于学习的运动规划在鲁棒性与效率方面能提升多少？
- RQ4统一的系统架构是否能支持在不同物料类型与环境条件下，同时适配紧凑型与标准型挖掘机？
- RQ5在真实挖掘任务中，通过集成感知、规划与控制，能达到何种水平的自主度（以HPI衡量）？
主要发现
- AES实现了24 HPI，表明系统可无须人工干预连续运行24小时，展现出高度的系统可靠性与自主性。
- 系统在物料搬运吞吐量方面与经验丰富的操作员相当，证实了其在真实挖掘任务中具备类人水平的生产效率。
- 感知模块在粉尘与低光照等极端条件下，成功检测出物料类型、纹理与杂质（如化学废物）。
- 基于IRL与STOMP的基于学习的运动规划，能够实时适应物料堆形状变化与障碍物位置变动，实现鲁棒的轨迹生成。
- 系统在紧凑型与标准型挖掘机上均成功运行，证明了其在不同挖掘机尺寸间的可扩展性与泛化能力。
- 将感知、规划与控制整合为单一架构，显著提升了系统在复杂非结构化环境中的整体性能，优于以往的自主挖掘机系统。
更好的研究，从现在开始
从阅读论文到最终审阅，大幅缩短您的研究时间。
无需绑定信用卡
本解读由 AI 生成，并经人工编辑审核。