القوات المسلحة الأمريكية تتقدم في تطوير المركبات القتالية ذاتية الحركة للاستخدام البري

قام باحثون في قيادة تطوير القدرات القتالية للجيش الأمريكي ومختبر أبحاث الجيش والجامعة الأمريكية في أوستن بتطوير خوارزمية قد يكون لها تأثير كبير على المركبات ذاتية الحركة. باستخدام الخوارزمية ، يمكن للمركبات الأرضية ذاتية الحركة تحسين أنظمة الملاحة الخاصة بها من خلال مشاهدة إنسان يقود.

المنهج الذي طوّره الباحثون يسمى التخطيط التكيفي لتعلم المعلمات من التمثيل ، أو APPLD. تم اختباره على مركبة برية ذاتية الحركة تجريبية للجيش.

نشرت الأبحاث في IEEE Robotics and Automation Letters. العمل بعنوان “APPLD: التخطيط التكيفي لتعلم المعلمات من التمثيل.”

APPLD

الدكتور غاريت وارنيل هو باحث في الجيش.

“باستخدام نهج مثل APPLD ، يمكن للجنود الحاليين في المرافق التدريبية الحالية المساهمة في تحسين الأنظمة الذكية ببساطة عن طريق تشغيل مركباتهم كما هو معتاد ،” قال وارنيل. “ستكون تقنيات مثل هذه مساهمة importante في خطط الجيش لتصميم وتنفيذ مركبات قتالية من الجيل التالي التي يمكنها التنقل ذاتيًا في بيئات النشر البرية.”

为了开发 النظام الجديد ، قام الباحثون بدمج خوارزميات التعلم من التمثيل والأجهزة الكلاسيكية للملاحة الذاتية. واحدة من أفضل ميزات هذا النهج هي أنها تسمح لبرنامج APPLD بتحسين نظام موجود ليتصرف أكثر مثل الإنسان ، بدلاً من استبدال النظام الكلاسيكي بالكامل.

بسبب ذلك ، يمكن للنظام المُستخدم الحفاظ على ميزات مثل الكفاءة والوضوح والأمان ، التي توجد في أنظمة الملاحة الكلاسيكية ،，同时 يخلق نظامًا أكثر مرونة يمكنه التكيف مع بيئات جديدة.

“سمح لنا تطبيق برنامج APPLD بتعلم كيفية تعديل نظام الملاحة الذاتي الحالي بشكل مختلف اعتمادًا على البيئة المحلية المحددة ،” قال وارنيل. “على سبيل المثال ، عندما يكون في ممر ضيق ، يبطئ السائق البشري ويسير بحذر. بعد ملاحظة هذا السلوك ، تعلم النظام الذاتي أن يقلل من سرعته القصوى ويزيد من ميزانيته الحسابية في بيئات مماثلة. هذا سمح في النهاية للمركبة بالتنقل بنجاح بشكل ذاتي في ممرات ضيقة أخرى حيث فشلت في السابق.”

https://www.youtube.com/watch?v=u2xxPTZA0DY

أظهرت النتائج أن نظام APPLD المُدرب يمكنه التنقل في بيئات الاختبار بكفاءة أكبر وأقل أخطاء مقارنة بالنظام الكلاسيكي. بالإضافة إلى ذلك ، يمكنه التنقل في البيئة بشكل أسرع من السائق البشري الذي قام بتدريبه.

الدكتور بيتر ستون هو أستاذ ورئيس اتحاد الروبوتات في جامعة تكساس في أوستن.

“من منظور التعلم الآلي ، يتناقض برنامج APPLD مع الأنظمة التي تتعلم من النهاية إلى النهاية التي تحاول تعلم نظام الملاحة بالكامل من البداية ،” قال ستون. “تتطلب هذه النهج الكثير من البيانات وقد تؤدي إلى سلوكيات غير آمنة أو غير قوية. يعتمد برنامج APPLD على أجزاء نظام التحكم التي تم هندستها بدقة ، في حين يركز على عملية تعلم المعلمات ، والتي غالبًا ما تتم على أساس直ور شخص واحد.”

يسمح النظام الجديد لمستخدمي غير الخبراء في مجال الروبوتات بتدريب وتحسين نظام الملاحة الذاتي للمركبات. على سبيل المثال ، يمكن لمستخدمين غير محدودين تقديم البيانات اللازمة لتحسين النظام ، بدلاً من الاعتماد على مجموعة من المهندسين الخبراء لتعديل النظام يدويًا.

الدكتور جوناثان فINK هو باحث في الجيش.

“النظم الحالية للملاحة الذاتية عادة ما يجب إعادة ضبطها يدويًا لكل بيئة نشر جديدة ،” قال فINK. “هذا عملية صعبة للغاية – يجب أن يتم بواسطة شخص لديه تدريب مكثف في الروبوتات ، ويحتاج إلى الكثير من التجارب والخطأ حتى يمكن العثور على إعدادات النظام الصحيحة. في المقابل ، يضبط برنامج APPLD النظام تلقائيًا من خلال مشاهدة إنسان يقود النظام – شيء يمكن لأي شخص القيام به إذا كان لديه خبرة في التحكم في ألعاب الفيديو. أثناء النشر ، يسمح برنامج APPLD أيضًا للنظام بإعادة ضبط نفسه في الوقت الفعلي مع تغيير البيئة.”

استخدام عسكري

سيكون هذا النظام مفيدًا للجيش ، الذي يعمل حاليًا على تطوير مركبات قتالية حديثة ومجهزة روبوتات قتالية. في الوقت الحالي ، تكون العديد من البيئات معقدة جدًا بالنسبة لأنظمة الملاحة الذاتية حتى أفضلها.

الدكتور زوكسو تشاو هو باحث ما بعد الدكتوراه في جامعة تكساس في أوستن وكاتب رئيسي للورقة.

“بالإضافة إلى الأهمية الفورية للجيش ، يخلق برنامج APPLD أيضًا فرصة لجسر الفجوة بين النهج التقليدي الهندسي والتكنولوجيا الجديدة للتعلم الآلي ، لإنشاء روبوتات محمولة قوية ومرنة ومتكيفة في العالم الحقيقي ،” قال تشاو.

سيتم اختبار نظام APPLD الآن في بيئات خارجية مختلفة. سيرى فريق الباحثين أيضًا ما إذا كان يمكن أن تساعد معلومات الإحساس الإضافية النظام على تعلم سلوكيات أكثر تعقيدًا.