Systemarkitektur för lärande machiner (SALM)

Viktiga resultat som projektet gav

Projektet har syftat till att utveckla och demonstrera lösningar som gör det lättare att utveckla och testa reglertekniska lösningar för tele-fjärrstyrda, semiautonoma och helt autonoma arbetsmaskiner. Projektet har framgångsrikt demonstrerat lösningar för automatiserad lastning som bygger på imiterande respektive förstärkt (återkopplad) maskinlärning. Demonstrationerna har visat att ett neuronnät kan tränas till att imitera en expertoperator för lastning, och att detta nät kan automatiskt anpassas till andra material med mindre än en timmes automatiserad lastning.

Långsiktiga effekter som förväntas

Lösningarna har demonstrerats internt Volvo CE för kompetensuppbyggnad samt presenterats med tre akademiska publikationer och en doktorsavhandling. Det har bidragit till hur maskinlärning systematiskt kan utvecklas och testas på en fullskalig lastmaskin (dvs. snabbare och med mindre risk för oväntade beteenden). Trådlös kommunikation har utvärderats vilket bidragit till Volvos satsning på en testplats för 5G. Adaptiv videokodning över trådlösa nät (i.e. SCReAM) har utvärderats i samarbete med Ericsson Research och rapporterats med en akademisk publikation.

Upplägg och genomförande

Projektet har genomförts i nära samarbete mellan Luleå tekniska universitet (LTU) och Volvo CE i Eskilstuna. Samarbetet har inkluderat flertalet besök från personal från LTU och flera längre vistelser i Eskilstuna för förberedelse och genomförande av experiment, tester och demonstrationer. Det har möjliggjort projektet som varit starkt beroende på tillgång till experimentutrustning, fullskalig hjullastare (Volvo L180H) och kapacitet att instrumentera och anpassa maskinen. Det har också skapat goda förutsättningar för kompetensutbyte och gemensam kompetensuppbyggnad.