Descrizione del progetto
Reti neurali profonde per l’adattamento automatico delle macchine
Il movimento terra, la silvicoltura e la logistica urbana sono settori in cui una maggiore autonomia può favorire la crescita economica e consentire di superare sfide critiche, come la carenza di manodopera e preoccupazioni ambientali quali la riduzione dei danni al suolo e il consumo di carburante; ciononostante, le macchine impiegate in questi settori faticano ad adattarsi alle differenze dei compiti dei terreni coinvolti. Il progetto XSCAVE, finanziato dall’UE, sfrutterà le reti neurali profonde al fine di apprendere automaticamente strategie di scavo, spostamento e navigazione specifiche in base al terreno. Il progetto svilupperà modelli veloci, sicuri e spiegabili per lo scavo e la navigazione adattivi, segnando un significativo progresso nell’autonomia per i settori del movimento terra, della silvicoltura e della logistica. Questi modelli consentiranno alle macchine di pianificare e regolare le loro azioni in base alle attività e alle condizioni del terreno, fornendo risultati che saranno dimostrati in collaborazione con aziende attive in movimento terra, silvicoltura e veicoli logistici esterni.
Obiettivo
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).
Campo scientifico (EuroSciVoc)
CORDIS classifica i progetti con EuroSciVoc, una tassonomia multilingue dei campi scientifici, attraverso un processo semi-automatico basato su tecniche NLP.
CORDIS classifica i progetti con EuroSciVoc, una tassonomia multilingue dei campi scientifici, attraverso un processo semi-automatico basato su tecniche NLP.
- ingegneria e tecnologiaingegneria ambientaleenergia e carburanti
- scienze agricoleagricoltura, silvicoltura e pescasilvicoltura
È necessario effettuare l’accesso o registrarsi per utilizzare questa funzione
Parole chiave
Programma(i)
Invito a presentare proposte
HORIZON-CL4-2024-DIGITAL-EMERGING-01
Vedi altri progetti per questo bandoMeccanismo di finanziamento
HORIZON-RIA - HORIZON Research and Innovation ActionsCoordinatore
51005 Tartu
Estonia