Americká armáda se blíží k autonomním vozidlům pro boj v terénu

Výzkumníci z U.S. Army Combat Capabilities Development Command’s Army Research Laboratory a University of Texas at Austin vyvinuli algoritmus, který by mohl mít velké důsledky pro autonomní vozidla. S tímto algoritmem jsou autonomní vozidla schopna zlepšit své vlastní navigační systémy pozorováním lidského řízení.

Přístup, který vyvinuli výzkumníci, se nazývá adaptivní plánování parametrů z demonstrace, nebo APPLD. Byl testován na experimentálním autonomním vozidle americké armády.

Výzkum byl zveřejněn v IEEE Robotics and Automation Letters. Práce se nazývá “APPLD: Adaptivní plánování parametrů z demonstrace.”

APPLD

Dr. Garrett Warnell je výzkumník americké armády.

“Používáním přístupů jako APPLD budou současní vojáci v existujících tréninkových zařízeních moci přispět ke zlepšení autonomních systémů jednoduše tím, že budou řídit svá vozidla normálně,” řekl Warnell. “Techniky jako tyto budou důležitým příspěvkem k plánům armády na návrh a nasazení nächtějších generací bojových vozidel, která budou schopna autonomně navigovat v terénních nasazeních.”

Pro vývoj nového systému kombinovali výzkumníci algoritmy strojového učení z demonstrace a klasické autonomní navigační systémy. Jednou z nejlepších vlastností tohoto přístupu je, že umožňuje APPLD zlepšit existující systém, aby se choval více jako člověk, místo aby nahradil celý klasický systém.

Vzhledem k tomu, že nasazený systém je schopen zachovat funkce jako optimálnost, vysvětlitelnost a bezpečnost, které jsou přítomny v klasických navigačních systémech, a zároveň vytváří flexibilnější systém, který se může přizpůsobit novým prostředím.

“Jedna demonstrace lidského řízení, provedená pomocí běžného bezdrátového ovladače Xbox, umožnila APPLD naučit se, jak upravit existující autonomní navigační systém vozidla v závislosti na konkrétním místním prostředí,” řekl Warnell. “Například, když se nachází v úzké uličce, 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 uličkách, kde dříve selhalo.”

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

Výsledky ukázaly, že trénovaný systém APPLD mohl navigovat testovací prostředí efektivněji a s méně chybami ve srovnání s klasickým systémem. Navíc mohl navigovat prostředí rychleji než lidský řidič, který jej trénoval.

Dr. Peter Stone je profesor a předseda Robotics Consortium na UT Austin.

“Z hlediska strojového učení se APPLD liší od takzvaných end-to-end učících se systémů, které se snaží naučit celý navigační systém od začátku,” řekl Stone. “Tyto přístupy obvykle vyžadují velké množství dat a mohou vést k chování, která nejsou ani bezpečná, ani robustní. APPLD využívá části řídicího systému, které byly pečlivě navrženy, a soustředí se na proces ladění parametrů, který je často založen na intuici jediné osoby.”

Nový systém umožňuje nekvalifikovaným osobám v oblasti robotiky trénovat a zlepšovat autonomní vozidla. Například neomezený počet uživatelů by mohl poskytnout data potřebná pro zlepšení systému, místo aby se spoléhal na skupinu odborných inženýrů, kteří by museli manuálně upravit systém.

Dr. Jonathan Fink je výzkumník americké armády.

“Současné autonomní navigační systémy obvykle musí být ručně upraveny pro každé nové nasazení,” řekl Fink. “Tento proces je extrémně obtížný – musí být proveden někým s rozsáhlým výcvikem v robotice a vyžaduje mnoho pokusů a omylů, než se najdou správné nastavení systému. Naopak APPLD upravuje systém automaticky pozorováním lidského řízení – něco, co může udělat kdokoli, kdo má zkušenosti s ovladačem videohry. Během nasazení APPLD také umožňuje systému upravit se sám v reálném čase, jak se prostředí mění.”

Vojenské použití

Tento systém by byl pro armádu, která目前 pracuje na vývoji modernizovaných bojových vozidel s možností autonomního řízení a robotických bojových vozidel. V současné době jsou mnohá prostředí příliš složitá i pro nejlepší autonomní navigační systémy.

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

“Kromě okamžité relevance pro armádu APPLD také vytváří příležitost mostu mezi tradičními inženýrskými přístupy a novými technikami strojového učení, aby se vytvořily robustní, adaptivní a všestranné mobilní roboty v reálném světě,” řekl Xiao

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