Реклама
  • Реклама, 0+, ИП Ананко В.Н. ИНН 770465006457
  • erid: 2vfnxxo6sus
Блоги ГеоИнфо Блоги ГеоИнфо
Реклама
  • Реклама, 0+. ООО "КазГеоЛаб" ИНН 1660097939
  • erid: 2vfnxxnzezx
Баннер Казгеолаб в правой колонке Баннер Казгеолаб в правой колонке
Реклама
  • Реклама. О+. АО "Мостдоргеотрест" ИНН 7716750744
  • erid: 2vfnxxv3mvn
АО "МДГТ", курсы по ИИ в геотехнике АО "МДГТ", курсы по ИИ в геотехнике
Реклама
  • Реклама, 0+. ООО «ИнжПроектСтрой» ИНН 5902163884
  • erid: 2vfnxvifrnd
Баннер MalininSoft правая колонка Баннер MalininSoft правая колонка

В компьютерных испытаниях ИИ снизил частоту столкновений автономной строительной техники с 41 до 25%

Южнокорейские исследователи разработали алгоритм управления автономной строительной техникой, который учитывает требования промышленной безопасности при объезде препятствий и выборе скорости движения. В компьютерном моделировании доля эпизодов со столкновениями снизилась с 41 до 25,1%, а число столкновений с рабочими сократилось почти вдвое. Результаты исследования опубликованы 20 ноября в журнале Buildings.

Работу выполнили Хёбин Ким и Сонгын Ким. Основная задача заключалась в том, чтобы научить автономную строительную машину не только достигать заданной точки маршрута, но и соблюдать ограничения, предусмотренные нормативными требованиями безопасности.

В большинстве традиционных моделей машинного обучения препятствия рассматриваются одинаково: столкновение с человеком, другой машиной или неподвижной конструкцией сопровождается штрафом в функции вознаграждения. Однако реальные последствия таких происшествий существенно различаются.

В новой системе исследователи разделили препятствия на четыре категории: рабочие, неожиданно возникающие объекты, транспортные средства и неподвижные конструкции. Для каждой категории предусмотрели отдельные штрафы за столкновения и параметры безопасных расстояний.

В основу алгоритма положили требования южнокорейского руководства KOSHA GUIDE C-48-2022 и нормативов охраны труда.

Система использует двухуровневую архитектуру управления. Глобальный маршрут рассчитывается алгоритмом Hybrid A*, а локальное планирование движения и объезд препятствий выполняются нейросетевой моделью RecurrentPPO, объединяющей обучение с подкреплением и механизм долговременной краткосрочной памяти LSTM.

В функцию вознаграждения также включили ограничения скорости и четыре зоны безопасности, расположенные вокруг препятствий. По мере приближения к человеку или опасному объекту система увеличивает штраф за рискованное движение.

Для оценки эффективности исследователи обучили несколько вариантов алгоритма и сравнили их в одинаковой виртуальной среде строительной площадки.

В базовой модели доля эпизодов, завершившихся столкновением, составляла 41%, а успешное достижение цели наблюдалось в 58,9% случаев.

После введения нормативных ограничений частота столкновений снизилась до 25,1%, а успешность прохождения маршрута выросла до 71,2%.

Наиболее заметные изменения произошли при движении рядом с рабочими.

Среднее число столкновений с людьми на одну обученную модель уменьшилось с 38,9 до 20,1 за 100 испытательных эпизодов. Доля шагов, на которых техника находилась ближе двух метров к рабочему, сократилась с 4,51 до 1,04%.

Одновременно среднее минимальное расстояние до рабочих увеличилось с 1,11 до 2,06 м.

Изменился и скоростной режим. В базовом варианте алгоритм превышал принятый в эксперименте предел 10 км/ч на 90,9% шагов движения. После введения ограничений этот показатель снизился до 51,5%.

Однако повышение безопасности сопровождалось увеличением продолжительности маршрута. Среднее число шагов для успешного достижения цели выросло с 568,6 до 794,9, поскольку техника чаще снижала скорость и объезжала опасные зоны.

Дополнительные испытания показали, что даже новая система не предотвращает все столкновения. Из 251 столкновения, зафиксированного в 1000 контрольных эпизодов, 201 произошло с виртуальными рабочими.

Для уменьшения остаточного риска исследователи добавили независимое правило экстренного торможения при обнаружении человека непосредственно перед машиной на расстоянии менее двух метров.

После введения этого правила частота столкновений снизилась с 25,1 до 15,8%, а доля успешных маршрутов выросла до 81%.

Авторы подчёркивают, что обучение с подкреплением само по себе не обеспечивает гарантированного соблюдения требований безопасности. Функция вознаграждения лишь формирует предпочтительное поведение машины, но не запрещает ей принимать опасные решения.

Кроме того, в работе использовалась упрощённая двумерная модель строительной площадки. Она не учитывала реальные неровности рельефа, ограничения ускорения строительной техники и одновременную работу нескольких автономных машин.

Испытания проводились исключительно в компьютерной среде, причём контрольные маршруты имели ту же планировку, что и обучающая площадка.

Поэтому результаты пока не подтверждают готовность алгоритма к эксплуатации на действующей стройке. Следующим этапом должны стать испытания в контролируемых условиях с независимой системой экстренной остановки.

Тем не менее исследование показывает, что требования безопасности можно непосредственно включать в процесс обучения автономной строительной техники, снижая риск столкновений ещё на этапе выбора траектории движения.

20 Ноября 2026
Комментарии
Читайте также
В Японии четвероногих роботов научат обследовать строительные площадки и анализировать ход работ с помощью ИИ
Нейросеть по 2,2 млн записей проходческого щита научили предупреждать об обрушениях в тоннелях
Обзор исследований не обнаружил подтверждённой полевой практики ИИ-агентов в геотехнике
Стрелка вверхнаверх
Удалить пост?
Пост будет удален полностью и его нельзя будет востановить
Закрыть
Ссылка скопирована Закрыть
Главная страница
Главная
Новости
Новости
Дента
Лента
Меню
Ещё
  • Поделиться
Поделиться
  • Скопировать ссылку