建設機械の自動化2026/9/22arXiv:2609.26580

深層Koopman MPCによるホイールローダのVサイクル自動化

Wheel-loader V-Cycle Automation with Deep Koopman MPC

シェア:X Threads Facebook LINE はてブ Bluesky

ホイールローダの土砂運搬作業（Vサイクル）を自動化するため、幾何学的計画とデータ駆動型Koopmanモデル予測制御を組み合わせた階層フレームワークを提案し、高忠実度シミュレーションで有効性を示した。

詳しい要約

1. どんなもの？

- ホイールローダのV-cycle自動化を目的とした階層型フレームワーク。 - 長期的な幾何計画とデータ駆動型予測制御を組み合わせる。 - 前方・後方の軌道を共有中間状態で同時最適化する。 - 高忠実度シミュレーションで有効性を検証。

2. 先行研究と比べてどこがすごい？

- 従来のモデルベース手法は非線形ダイナミクスと車両-地形相互作用で限界。 - 本手法はデータ駆動型KoopmanモデルをMPCに統合し、計算効率と精度を両立。 - 50msの実行ループでリアルタイム動作を実現。

3. 技術・手法の肝は？

- 低次元の関節式キネマティックモデルで操作幾何を生成。 - 前方・後方運動それぞれにデータ駆動型deep bilinear Koopmanモデルを学習。 - 学習したKoopman表現を計算効率の良いMPCに組み込み軌道追従。

4. どうやって有効だと検証した？

- Algoryx Dynamicsによる高忠実度シミュレーションでデータ生成。 - シミュレーション結果でV-cycle操作の正確かつ計算効率的な実行を実証。 - 50msの実行ループ内でリアルタイム動作を確認。

5. 議論はある？

- 提案フレームワークは関節式重機の自律操作への有望なアプローチ。 - 実機検証や他の地形条件への適用可能性は要旨からは不明。 - 計算効率と精度のトレードオフに関する議論は要旨からは不明。

6. 次に読むべき論文は？

- 要旨で参照/比較されている研究は明示されていない。 - 関連手法としてKoopman operator、Model Predictive Control (MPC)、deep bilinear Koopman model、Algoryx Dynamicsが挙げられる。 - 同分野の定番としてarticulated vehicle dynamics、earthmoving automationの研究が考えられる。

※ AIが要旨から生成した要約です。正確性は原文をご確認ください。

著者: Armin Abdolmohammadi, Navid Mojahed, Dinesh Kumar, Bahram Ravani, Shima Nazari

分類: cs.RO, eess.SY

原文アブストラクト

The repeated forward-reverse maneuvers performed by wheel loaders during earthmoving operations make them well suited for automation. However, the nonlinear dynamics of articulated vehicles and complex vehicle-terrain interactions limit the effectiveness of conventional model-based approaches. This paper presents a hierarchical framework that combines long-horizon geometric planning with data-driven predictive control for autonomous wheel-loader operation. A reduced-order articulated kinematic model is used to generate the maneuver geometry, where the forward and reverse trajectories are jointly optimized through a shared intermediate state. To capture the vehicle dynamics, two data-driven deep bilinear Koopman models are learned for the forward and reverse motions using data generated from high-fidelity simulations in Algoryx Dynamics. The learned Koopman representations are subsequently incorporated into a computationally efficient model predictive control (MPC) formulation for trajectory tracking. The resulting controller operates in real time within a 50-ms execution loop. High-fidelity simulation results demonstrate that the proposed end-to-end framework enables accurate and computationally efficient execution of wheel-loader V-cycle maneuvers, providing a promising approach toward autonomous operation of articulated heavy-duty machinery.

arXivで原文を読む →arXiv概要ページ

← 論文一覧