Descripción del proyecto
Redes neuronales profundas en la adaptación automática de máquinas
El movimiento de tierras, la silvicultura y la logística urbana son sectores en los que una mayor autonomía puede impulsar el crecimiento económico y hacer frente a retos fundamentales, como la escasez de mano de obra y problemas medioambientales como la reducción de los daños al suelo y el consumo de combustible. Sin embargo, las máquinas de dichos sectores tienen dificultades para adaptarse a las distintas tareas y terrenos. El proyecto XSCAVE, financiado con fondos europeos, aprovechará las redes neuronales profundas para aprender automáticamente estrategias de excavación, avance y navegación específicas del terreno. Desarrollará modelos rápidos, seguros y explicables para la excavación y la navegación adaptativas, lo cual supondrá un avance significativo en la autonomía para las industrias del movimiento de tierras, la silvicultura y la logística. Esos modelos permitirán a las máquinas planificar y ajustar sus acciones en función de las tareas y las condiciones del terreno. Asimismo, los resultados se demostrarán en colaboración con empresas de movimiento de tierras, silvicultura y vehículos logísticos de exterior.
Objetivo
Earth-Moving, Forestry, and Urban Logistics are sectors where increased autonomy can spur drastic economic growth along with addressing some core societal (e.g. address labor shortage) and environmental problems (e.g. minimize soil damage, fuel consumption). Yet there are persisting challenges related to variations of tasks/environments that are intricately linked to the terrain-machine contact encountered during navigation and manipulation. For example, an Excavator machine used in Earth-Moving needs to adapt to different types of terrain (ground) underneath (loose soil, rocks of different shapes and sizes), for scooping. Such task and environment adaptation require machines to modify their perception-to-action mapping based on online observations from different sensing modalities. XSCAVE will leverage the exceptional representation and approximation capabilities of deep neural networks to automatically learn the terrain/specific adaptation of excavation, forwarding, and navigation strategies from data. The overall objective of XSCAVE is (i) to develop capabilities for learning performant (high-speed), safe (stable, contact-aware), and explainable perception-to-action models for terrain adaptive excavation and navigation strategies and (ii) demonstrate step-change in autonomy for Excavation, Forwarding and Navigation tasks prevalent in Earth-Moving, Forestry and Logistics industries. To this end, XSCAVE aims to re-imagine deep-learned models as neural networks augmented with parameterized structured priors derived from physics, optimization, and classical search to bring domain knowledge into the learning pipeline. The fundamental innovations at the algorithmic level will translate to unprecedented ability for the machines to plan, control and adapt their actions depending on the task and terrain contact conditions. The end-results will be demonstrated in partnership with Novatron (earth-moving), Komatsu (forestry), and Clevon (outdoor logistic vehicles).
Ámbito científico (EuroSciVoc)
CORDIS clasifica los proyectos con EuroSciVoc, una taxonomía plurilingüe de ámbitos científicos, mediante un proceso semiautomático basado en técnicas de procesamiento del lenguaje natural.
CORDIS clasifica los proyectos con EuroSciVoc, una taxonomía plurilingüe de ámbitos científicos, mediante un proceso semiautomático basado en técnicas de procesamiento del lenguaje natural.
- ingeniería y tecnologíaingeniería ambientalenergía y combustibles
- ciencias agrícolasagricultura, silvicultura y pescasilvicultura
Para utilizar esta función, debe iniciar sesión o registrarse
Palabras clave
Programa(s)
Convocatoria de propuestas
HORIZON-CL4-2024-DIGITAL-EMERGING-01
Consulte otros proyectos de esta convocatoriaRégimen de financiación
HORIZON-RIA - HORIZON Research and Innovation ActionsCoordinador
51005 Tartu
Estonia