القوات العسكرية الأمريكية تقترب من المركبات القتالية ذاتية الحركة للاستخدام خارج الطرق

قام باحثون في командة تطوير القدرات القتالية للجيش الأمريكي ومختبر الأبحاث التابع للجيش وجامعة تكساس في أوستن بتطوير خوارزمية قد يكون لها تأثير كبير على المركبات ذاتية الحركة.

باستخدام هذه الخوارزمية، يمكن للمركبات الأرضية ذاتية الحركة تحسين أنظمة الملاحة الخاصة بها من خلال مشاهدة إنسان يقود.

النهج الذي طوّره الباحثون يسمى تخطيط التخطيط التكيفي لتعلم المعلمات من التمثيل، أو APPLD.

تم اختبارها على مركبة تجريبية ذاتية الحركة للجيش.

نُشر البحث في IEEE Robotics and Automation Letters. العمل بعنوان “APPLD: Adaptive Planner Parameter Learning From Demonstration.”

APPLD

الدكتور غاريت وارنيل هو باحث في الجيش.

“باستخدام نهج مثل APPLD، يمكن للجنود الحاليين في المرافق التدريبية الحالية المساهمة في تحسين الأنظمة ذاتية الحركة ببساطة عن طريق تشغيل مركباتهم بشكل طبيعي”، قال وارنيل.

“ستكون تقنيات مثل هذه مساهمة هامة في خطط الجيش لتصميم وتنفيذ مركبات قتالية من الجيل التالي التي يمكنها التنقل بشكل tự động في بيئات النشر خارج الطرق”.

为了 تطوير النظام الجديد، قام الباحثون بدمج خوارزميات التعلم من التمثيل والأنظمة التقليدية للملاحة ذاتية الحركة.

من بين أفضل ميزات هذا النهج هو أنه يسمح لـ APPLD بتحسين نظام موجود ليتصرف أكثر مثل الإنسان، بدلاً من استبدال النظام الكلاسيكي بالكامل.

بسبب ذلك، يمكن للنظام المُستخدم الحفاظ على ميزات مثل المثالية والوضوح والأمان، التي توجد في الأنظمة التقليدية للملاحة، مع خلق نظام أكثر مرونة يمكنه التكيف مع بيئات جديدة.

“سمح تمثيل قيادة الإنسان الواحد، الذي تم توفيره باستخدام جهاز تحكم لاسلكي عادي من Xbox، لـ APPLD بتعلم كيفية ضبط نظام الملاحة ذاتية الحركة الحالي بشكل مختلف اعتمادًا على البيئة المحلية المحددة”، قال وارنيل.

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

أظهرت النتائج أن نظام APPLD المُدرّب يمكنه التنقل في بيئات الاختبار بأكثر كفاءة وأقل أخطاء مقارنة بالنظام الكلاسيكي.

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

“من منظور التعلم الآلي، يتناقض APPLD مع أنظمة التعلم من النهاية إلى النهاية التي تحاول تعلم نظام الملاحة بالكامل من الصفر”، قال ستون.

“تتمثل هذه النهج في أنها تتطلب الكثير من البيانات وقد تؤدي إلى سلوكيات ليست آمنة ولا متينة”.

يسمح النظام الجديد لأشخاص غير خبيرين في مجال الروبوتات بتدريب وتحسين ملاحة المركبات ذاتية الحركة.

يمكن لمستخدمين غير محدودين توفير البيانات اللازمة لتحسين النظام، بدلاً من الاعتماد على مجموعة من المهندسين الخبراء لتعديل النظام يدوياً.

الدكتور جوناثان فINK هو باحث في الجيش.

“النظم الحالية للملاحة ذاتية الحركة يجب أن يتم إعادة ضبطها يدوياً لكل بيئة نشر جديدة”، قال فINK.

“هذا عملية صعبة جداً – يجب أن يتم القيام بها بواسطة شخص لديه تدريب مكثف في الروبوتات، ويحتاج إلى الكثير من التجربة والخطأ حتى يمكن العثور على إعدادات النظام الصحيحة”.

استخدام عسكري

سيتم استخدام هذا النظام من قبل الجيش، الذي يعمل حالياً على تطوير مركبات قتالية حديثة خاضعة للتحكم البشري ومركبات قتالية روبوتية.

الدكتور كسو شيو هو باحث ما بعد الدكتوراه في جامعة تكساس في أوستن والمؤلف الأول للورقة.

“بالإضافة إلى الصلة الفورية بالجيش، يخلق APPLD فرصة لجسر الفجوة بين النهج الهندسي التقليدية وتقنيات التعلم الآلي الناشئة، لإنشاء روبوتات متنقلة متينة ومرنة ومتكيفة في العالم الحقيقي”، قال شيو.

سيتم اختبار نظام APPLD الآن في مختلف البيئات الخارجية.

سيتمكن فريق الباحثين من رؤية ما إذا كان بإمكان المعلومات الإضافية من المستشعرات مساعدة الأنظمة على تعلم سلوكيات أكثر تعقيداً.