Lokalisering av autonoma fordon i underjordiska gruvor

I en avhandling vid Linköpings universitet presenterar Kristin Nielsen förbättrade metoder för positionsbestämning av autonoma fordon i gruvmiljö. Genom instrument som placeras ombord på fordonen och utnyttjar lidarsensordata kan mer robusta positionsskattningar göras i otillgängliga miljöer. Resultaten är ett viktigt steg mot framtidens autonoma gruvindustri.

Gruvnäringen är essentiell för Sverige och en allt högre automationsnivå inom denna industri förväntas ge ökad säkerhet, förbättrad arbetsmiljö och högre produktivitet. För att det ska uppnås krävs robusta positioneringssystem som fungerar tillförlitligt över tid i underjordiska miljöer.

Kristin Nielsen, vid Institutionen för systemteknik (ISY), avdelningen för Reglerteknik, Linköpings universitet, har i sin avhandling ”Localization for Autonomous vehicles in Underground Mines” utvecklat nya strategier för detta. Avhandlingsarbetet omfattar förbättrade algoritmer för tillståndsberäkning, effektivare bearbetning av lidarsensordata samt utveckling av modeller för föränderliga miljöer.

Robust positionsbestämning över tid

Avhandlingens fokus har varit positionsbestämning ombord på fordonet, genom tillämpning av sensorfusion på lidarsensordata.

De extrema förhållandena i gruvmiljön kräver användning av specifik industrihårdvara med begränsad beräkningskraft. Då lidarsensorer producerar stora mängder data, behövs därför beräkningsmässigt effektiva algoritmer. Som en del av den här avhandlingen genomförs en analys av informationen i ett lidarscan, och det visar sig att så få som åtta strålar, av ursprungligen hundratals, kan sammanfatta nästan all information som krävs för positionsprecision.

Ett “unscented Kalman filter” är en filtreringsalgoritm som används för tillståndsskattning av system där dess position förändras över tid. Standardvärden på algoritmens parametrar har dock visat sig prestera dåligt i scenarier från underjordsgruvor. I avhandlingen bearbetar Kristin Nielsen parametervärdena och föreslår specifika inställningar för tillämpningar av lidarscandata vid positionsbestämning i gruvmiljö.

Kartor av föränderliga miljöer

Förändringar i miljön är en utmaning för dagens positionsbestämningssystem. Tekniken “Simultaneous localization and mapping” (SLAM) används av autonoma fordon för att kartlägga ett okänt område eller för att uppdatera en karta utifrån förkunskaper från en given karta, samtidigt som fordonets nuvarande position lokaliseras. En begränsning är dock att denna teknik utgår från att omgivningen är statisk.

I sin avhandling utvecklar Kristin Nielsen en flerhypotesbaserad kartrepresentation baserad på egenskaper, som möjliggör kodning av förändringar i miljön. Metoden har visats vara effektiv för positionsbestämning där landmärken kan inta olika positioner vid olika tidpunkter, exempelvis gruvgångar som stängs eller öppnas eller andra fordon som förflyttas.

Sammanfattningsvis ger avhandlingen allmänna insikter i bearbetning av lidardata och tillståndsberäkning i föränderliga miljöer. Studien har utgått från problemen med positionsbestämning i underjordiska gruvor, och resultaten är ett steg mot framtidens autonoma gruvdrift. Många av de resulterande lösningarna och metoderna är dock tillämpningsbara även i många andra sammanhang.