EU-samarbete ska göra tunga AI-styrda maskiner säkrare

Forskare och industriföretag ska jobba tillsammans för att minska risken för skador på miljö orsakade av tunga AI-styrda maskiner.

Tunga arbetsmaskiner är viktiga i både jordbruket, skogsbruket och många andra näringar. Men förarbristen och behovet av att minska maskinernas miljöavtryck blir allt större och därför står ökad automation och effektivisering av maskinerna högt på agendan.

Men när tunga maskiner blir robotar med självstyrande förmågor är säkerheten av högsta prioritet. För att minimera risken för att framtidens tunga maskiner ska skada människor eller miljö, ska forskare från tio olika universitet tillsammans med flera företag från industrin samarbeta, inom ett nytt EU-projekt som fått namnet XSCAVE, för att ta fram pålitliga och effektiva AI-styrda maskiner. Bland annat ingår Umeå universitet och Umeåföretagen Algoryx och Komatsu Forest i projektet.

Motstridiga krav

Det finns dock flera svåra utmaningar förknippade med förarlösa arbetsmaskiner. De är framför allt tunga, starka och konstruerade för att fysiskt manipulera sin omgivning. Därför är det nödvändigt att systemen som utvecklas blir förutsägbara och samtidigt har förmågan att snabbt anpassa sig efter plötsliga förändringar i omgivningen. 

När man väl nått ett resultat kommer det bland annat att demonstreras på skogsmaskiner som kör i svår terräng och grävande maskiner som plötsligt stöter på mark med stora inbäddade stenar, samt mindre förarlösa transportrobotar i olika väderförhållanden. 

– I dag används fysikbaserad simulering för att träna och testa styrsystem och avancerade AI-modeller, så kallade djupa neuronnätverk. Det är ett säkert och billigt sätt att träna på en uppsjö av olika scenarion, men det är svårt att garantera ett säkert beteende i situationer som skiljer sig markant från träningsfallen, säger Martin Servin som leder Umeå universitets forskningsinsatser i projektet, i ett pressmeddelande.

Får lära sig handlingsmönster

I stället vill forskarna ge AI-modellerna mer direkt kunskap om maskinerna och omvärldens fysik. Och genom att tillföra matematiska bivillkor kommer maskinerna enbart att kunna lära sig handlingsmönster som är förenliga med fysikens lagar om energi, tröghet och krafter. 

– När vi bäddar in beräkningsmodeller för fysiken ger vi AI-modellerna en “medvetenhet” om orsak och verkan och ett verktyg för att uppskatta resultatet av planerade rörelser innan de utförs. Då blir det möjligt att välja bort alternativ som är förknippat med oacceptabel risk för skada eller negativ miljöpåverkan. Samtidigt tror vi att detta är ett sätt att nå högre precision och effektivitet, säger Martin.