Americká armáda se přibližuje autonomním terénním bojovým vozidlům

Výzkumníci z Army Research Laboratory Velitelství rozvoje bojových schopností armády USA a University of Texas v Austinu vyvinuli algoritmus, který by mohl mít velké důsledky pro autonomní vozidla. Pomocí tohoto algoritmu jsou autonomní pozemní vozidla schopna vylepšit své vlastní navigační systémy sledováním lidské jízdy.

Přístup vyvinutý výzkumníky se nazývá adaptivní plánování parametrů učení z demonstrace nebo APPLD. Byl testován na armádním experimentálním autonomním pozemním vozidle.

Výzkum byl publikován v roce XNUMX IEEE Robotics and Automation Letters. Práce má název „APPLD: Učení parametrů adaptivního plánovače z demonstrace."

APPLD

Dr. Garrett Warnell je armádní výzkumník.

„Pomocí přístupů, jako je APPLD, budou současní vojáci ve stávajících výcvikových zařízeních schopni přispět ke zlepšení autonomních systémů jednoduše tím, že budou svá vozidla provozovat jako obvykle,“ řekl Warnell. "Techniky, jako jsou tyto, budou důležitým příspěvkem k plánům armády navrhnout a postavit bojová vozidla nové generace, která jsou vybavena pro autonomní navigaci v prostředích nasazení mimo silnice."

Při vývoji nového systému výzkumníci zkombinovali strojové učení z demonstračních algoritmů a klasických autonomních navigačních systémů. Jednou z nejlepších vlastností tohoto přístupu je, že umožňuje APPLD vylepšit stávající systém tak, aby se choval více jako člověk, než aby nahradil celý klasický systém. 

Díky tomu je nasazený systém schopen zachovat vlastnosti jako optimalita, vysvětlitelnost a bezpečnost, které jsou přítomné v klasických navigačních systémech, a zároveň vytvořit flexibilnější systém, který se dokáže přizpůsobit novým prostředím.

„Jedna ukázka lidského řízení, poskytovaná pomocí každodenního bezdrátového ovladače Xbox, umožnila APPLD naučit se, jak vyladit stávající autonomní navigační systém vozidla odlišně v závislosti na konkrétním místním prostředí,“ řekl Warnell. „Například v úzkém koridoru lidský řidič zpomalil a jel opatrně. Po pozorování tohoto chování se autonomní systém naučil také snížit svou maximální rychlost a zvýšit svůj výpočetní rozpočet v podobných prostředích. To nakonec umožnilo vozidlu úspěšně autonomně navigovat v jiných úzkých koridorech, kde předtím selhalo.“

Výsledky ukázaly, že trénovaný systém APPLD se dokáže pohybovat v testovacích prostředích efektivněji as menším počtem chyb ve srovnání s klasickým systémem. Kromě toho by se také mohl pohybovat v prostředí rychleji než člověk zodpovědný za jeho výcvik. 

Dr. Peter Stone je profesorem a předsedou Robotického konsorcia na UT Austin.

"Z hlediska strojového učení je APPLD v kontrastu s takzvanými end-to-end vzdělávacími systémy, které se pokoušejí naučit celý navigační systém od nuly," řekl Stone. „Tyto přístupy obvykle vyžadují velké množství dat a mohou vést k chování, které není ani bezpečné, ani robustní. APPLD využívá části řídicího systému, které byly pečlivě zkonstruovány, a soustředí své úsilí strojového učení na proces ladění parametrů, který se často provádí na základě intuice jednoho člověka.“

Nový systém umožňuje laikům v oblasti robotiky trénovat a zlepšovat navigaci autonomních vozidel. Například neomezený počet uživatelů by mohl poskytovat data potřebná k tomu, aby se systém sám zlepšoval, místo aby se spoléhal na skupinu odborných inženýrů, kteří systém ručně upraví.

Dr. Jonathan Fink je armádní výzkumník.

„Současné autonomní navigační systémy musí být obvykle ručně přeladěny pro každé nové prostředí nasazení,“ řekl Fink. „Tento proces je extrémně obtížný – musí ho provádět někdo s rozsáhlým školením v robotice a vyžaduje mnoho pokusů a omylů, než se podaří najít správná nastavení systému. Naproti tomu APPLD ladí systém automaticky tím, že sleduje člověka, jak systém řídí – něco, co může udělat každý, kdo má zkušenosti s herním ovladačem. Během nasazení APPLD také umožňuje systému přeladit se v reálném čase, jak se mění prostředí.“

Vojenské použití

Tento systém by byl užitečný pro armádu, která v současnosti pracuje na vývoji modernizovaných bojových vozidel s volitelnou posádkou a robotických bojových vozidel. V současné době je mnoho prostředí příliš složitých i pro ty nejlepší autonomní navigační systémy. 

Dr, Xuesu Xiao je postdoktorandský výzkumník na UT Austin a hlavní autor článku.

„Kromě bezprostředního významu pro armádu vytváří APPLD také příležitost překlenout propast mezi tradičními inženýrskými přístupy a nově se objevujícími technikami strojového učení, vytvořit robustní, adaptivní a všestranné mobilní roboty v reálném světě,“ řekl Xiao.

Systém APPLD bude nyní testován v různých různých venkovních prostředích. Tým výzkumníků také zjistí, zda další informace ze senzorů mohou pomoci systémům naučit se složitější chování.