Multimodal maskininlärning för robotgräsklippare

Sammanfattning

I detta projekt undersöktes två ljudbaserade maskininlärningsmodeller för en robotgräsklippare. En modell för terrängklassificering och en modell för att klassificera mekaniska fel. Terrängmodellen bygger på ljud och IMU-data, medan modellen för mekaniska fel enbart använder ljud. Syftet med detta arbete var inte att endast undersöka hur ljud kan användas i maskininlärningskontext i en robotgräsklippare, utan också att undersöka och utveckla verktyg för enklare och snabbare implementering av artificiell intelligens (AI) i inbyggda system. Data för olika terrängtyper samlades in utomhus och data för mekaniska fel var givna av Husqvarna. De två modellerna tränades på sina repspektive dataset och utvärderades. Vid icke-realtidstestning uppnådde terrängmodellen en noggrannhet på 97,53% och modellen för mekaniska fel uppnådde en noggrannhet på 94,27%. Vid realtidstestning uppnådde terrängmodellen en noggrannhet på 95%. Ett försök att bygga en terrängkarta med terrängmodellen gjordes, men misslyckades på grund av bristande GPS-noggrannhet. En enkel webbapp, med verktyg för datainsamling och modelltestning, utvecklades. Resultatet visar att ljud är en modalitet lämplig för klassificering och ger ett förslag på vilka verktyg som kan behövas vid implementering av AI i inbyggda system.