Umeå universitets logga

umu.sePublikationer
Ändra sökning
RefereraExporteraLänk till posten
Permanent länk

Direktlänk
Referera
Referensformat
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Annat format
Fler format
Språk
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Annat språk
Fler språk
Utmatningsformat
  • html
  • text
  • asciidoc
  • rtf
Learning by Digging: A Differentiable Prediction Model for an Autonomous Wheel Loader
Umeå universitet, Teknisk-naturvetenskapliga fakulteten, Institutionen för fysik.
2022 (Engelska)Självständigt arbete på avancerad nivå (yrkesexamen), 20 poäng / 30 hpStudentuppsats (Examensarbete)
Abstract [en]

Wheel loaders are heavy duty machines that are ubiquitous on construction sites and in mines all over the world. Fully autonomous wheel loaders remains an open problem but the industry is hoping that increasing their level of autonomy will help to reduce costs and energy consumption while also increasing workplace safety. Operating a wheel loader efficiently requires dig plans that extend over multiple dig cycles and not just one at a time. This calls for a model that can predict both the performance of a dig action and the resulting shape of the pile. In this thesis project, we use simulations to develop a data-driven artificial neural network model that can predict the outcome of a dig action. The model is able to predict the wheel loader’s productivity with an average error of 7.3% and the altered shape of the pile with an average relative error of 4.5%. We also show that automatic differentiation techniques can be used to accurately differentiate the model with respect to input. This makes it possible to use gradient-based optimization methods to find the dig action that maximises the performance of the wheel loader.

Ort, förlag, år, upplaga, sidor
2022. , s. 40
Nyckelord [en]
Wheel loader, Deep learning, Autonomous, Multibody and soil dynamics
Nationell ämneskategori
Datorseende och robotik (autonoma system)
Identifikatorer
URN: urn:nbn:se:umu:diva-197165OAI: oai:DiVA.org:umu-197165DiVA, id: diva2:1675538
Externt samarbete
Digital Physics, Umeå University
Ämne / kurs
Examensarbete i teknisk fysik
Utbildningsprogram
Civilingenjörsprogrammet i Teknisk fysik
Presentation
2022-06-07, Nat.D.480, Naturvetarhuset, Universitetsvägen, 901 87, Umeå, 16:00 (Engelska)
Handledare
Examinatorer
Tillgänglig från: 2022-06-23 Skapad: 2022-06-23 Senast uppdaterad: 2022-06-23Bibliografiskt granskad

Open Access i DiVA

fulltext(3509 kB)478 nedladdningar
Filinformation
Filnamn FULLTEXT01.pdfFilstorlek 3509 kBChecksumma SHA-512
eb10bf714e37dcabf8bd59503ed6fc980814cbb6689be332de2de773e6b2e2d5c8d44b10f59bdf718eb2c165dd6365d693337df1b90eae55ecffd305396ecfe9
Typ fulltextMimetyp application/pdf

Sök vidare i DiVA

Av författaren/redaktören
Fälldin, Arvid
Av organisationen
Institutionen för fysik
Datorseende och robotik (autonoma system)

Sök vidare utanför DiVA

GoogleGoogle Scholar
Totalt: 515 nedladdningar
Antalet nedladdningar är summan av nedladdningar för alla fulltexter. Det kan inkludera t.ex tidigare versioner som nu inte längre är tillgängliga.

urn-nbn

Altmetricpoäng

urn-nbn
Totalt: 980 träffar
RefereraExporteraLänk till posten
Permanent länk

Direktlänk
Referera
Referensformat
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Annat format
Fler format
Språk
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Annat språk
Fler språk
Utmatningsformat
  • html
  • text
  • asciidoc
  • rtf