Застосування машинного навчання в інтелектуальній системі керування ковшем навантажувача
DOI:
https://doi.org/10.30977/BUL.2219-5548.2025.108.0.78Ключові слова:
фронтальний навантажувач, наповнення ковша, інтелектуальна система керування, машинне навчання, навчання з підкріпленнямАнотація
Проаналізовано сучасні підходи щодо автоматичного керування фронтальними навантажувачами. Розглянуто перспективи застосування методів машинного навчання для створення інтелектуальної системи керування ковшем фронтального навантажувача. Особливу увагу приділено методам навчання з підкріпленням як перспективному інструменту для адаптивного керування навантажувачам в умовах невизначеності.
Посилання
Разарьонов Л.В., Гурко В.О. Особливості роботи короткобазового малогабаритного навантажувача з бортовим поворотом при виконання развороту. Вісник НТУ «ХПІ». Те-матичний випуск «Машинознавство та САПР». 2024. № 2. С.75-78.
Jassim H. S. H., Lu W., Olofsson T. Determining the environmental impact of material hauling with wheel loaders during earthmoving operations. Journal of the Air & Waste Management Association. 2019. Vol. 69, no. 10. P. 1195–1214.https://doi.org/10.1080/10962247.2019.1640805
Research on the Trajectory and Operational Performance of Wheel Loader Automatic Shoveling / Y. Chen et al. Applied Sciences. 2022. Vol. 12, no. 24. P. 12919.
Гурко О. Г., Гурко В. О., Кучеренко А. Ю. Керування рухом фронтального наванта-жувача за заданою траєкторією. Вісник ХНАДУ. 2023. Вип. 101, т. 1. С. 26–34.
Frank B., Skogh L., Filla R. On increasing fuel efficiency by operator assistant systems in a wheel loader. International conference on advanced vehicle technologies and integration : Proceedings, Changchun. 2012. P. 155–161.
Liu X., Sun D., Qin D., Liu J. Achievement of fuel savings in wheel loader by applying hydrodynamic mechanical power split transmissions. Energies. 2017. Vol. 10, no. 9. P. 1267.
Filla R. An event-driven operator model for dynamic simulation of construction machinery. The ninth Scandinavian international confer-ence on fluid power : Proceedings, Linköping. 2005. P. 3-20.
Nezhadali V., Frank B., Eriksson L. Wheel loader operation – Optimal control compared to real drive experience. Control engineering practice. 2016. Vol. 48. P. 1–9.
Planning the trajectory of an autonomous wheel loader and tracking its trajectory via adaptive model predictive control / J. Shi et al. Robotics and autonomous systems. 2020. Vol. 131. P. 103570.
Roberts J. M., Duff E. S., Corke P. I. Reactive navigation and opportunistic localization for autonomous underground mining vehicles. Information sciences. 2002. Vol. 145, no. 1-2. P. 127–146.
Gurko, O., Kyrychenko, I., Verbitsky, V. Linear controller for wheel loader trajectory tracking. Вісник ХНАДУ. 2024. №. 107. С. 14–20.
Azar E. R., Kamat V. R. Earthmoving equip-ment automation: A review of technical ad-vances and future outlook. Journal of Infor-mation Technology in Construction. 2017. Vol. 22, no. 13. P. 247-265.
Feature-based sensor configuration and working-stage recognition of wheel loader / L. Hou et al. Automation in construction. 2022. Vol. 151. P. 104401.
Meng Yu et al. Bucket trajectory optimization under the automatic scooping of LHD. Energies. 2019. Vol. 12, no. 20. P. 3919.
Frank B., Kleinert J., Filla R. Optimal control of wheel loader actuators in gravel applications. Automation in construction. 2018. Vol. 91. P. 1–14.
Filla R., Obermayr M., Frank B. A study to compare trajectory generation algorithms for automatic bucket filling in wheel loaders. 3rd Commercial Vehicle Technology Symposium : Proceedings, Kaiserslautern, 2014. P. 357–374.
Field test of neural-network based automatic bucket-filling algorithm for wheel-loaders / S. Dadhich et al. Automation in construction. 2019. Vol. 97. P. 1–12.
Dadhich S., Bodin U., Sandin F., Andersson U. Machine learning approach to automatic buck-et loading. 24th Mediterranean Conference on Control and Automation : Proceedings, Athens, Greece, 2016. P. 1260-1265.
Data-Driven reinforcement-learning-based automatic bucket-filling for wheel loaders / J. Huang et al. Applied sciences. 2021. Vol. 11, no. 19. P. 9191.
Bucket loading trajectory optimization for the automated wheel loader/J. Yao et al. IEEE transactions on vehicular technology. 2023. P.1-11.
Gurko O., Miroshnyk V. Artificial intelligence in road construction: prospects and challenges. Scientific papers of silesian university of technology. organization and management series. 2024. Vol. 2024, no. 210. P. 191–203.
Мирошник В. А., Гурко В. О., Гурко О. Г. Використання навчання з підкріпленням для планування шляху будівельного робота. Бі-оніка інтелекту. 2024. Вип, 101, №2. С. 34-38.
Continuous control of an underground loader using deep reinforcement learning / Backman S. et al. Machines. 2021. Vol. 9, no. 10. P. 216.
https://doi.org/10.3390/machines9100216. Azulay O., Shapiro A. Wheel Loader Scooping Controller Using Deep Reinforcement Learning. IEEE Access. 2021. Vol. 9. P. 24145-24154.
Eriksson D., Ghabcheloo R., Geimer M. Automatic Loading of Unknown Material with a Wheel Loader Using Reinforcement Learning. IEEE International Conference on Robotics and Automation, Yokohama, Japan, 2024. P. 3646-3652.
Jo T. Machine learning foundations. Supervised, Unsupervised, and Advanced Learning. Cham: Springer International Pub-lishing. 2021. 410 p.
