Vojenské vozidlo USA 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 na zemi schopna vylepšit své vlastní navigační systémy pozorováním lidského řízení.

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

Výzkum byl zveřejněn v IEEE Robotics and Automation Letters. Práce se jmenuje “APPLD: Adaptive Planner Parameter Learning From Demonstration.”

APPLD

Dr. Garrett Warnell je armádní výzkumník.

“Používáním přístupů jako APPLD, současní vojáci v existujících výcvikových zařízeních budou moci přispět k vylepšení autonomních systémů jednoduše tím, že budou řídit svá vozidla normálně,” řekl Warnell. “Techniky jako tyto budou důležitým příspěvkem k armádním plánům na návrh a nasazení nových bojových vozidel, která jsou vybavena pro autonomní navigaci 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 vylepšit existující systém, aby se choval více jako člověk, místo aby nahradil celý klasický systém.

Vzhledem k tomu, nasazený systém je schopen zachovat funkce, jako je 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, poskytnutá pomocí běžného ovladače Xbox, umožnila APPLD naučit se, jak upravit autonomní navigační systém vozidla jinak v závislosti na konkrétním místním prostředí,” řekl Warnell. “Například v úzké chodbě se lidský řidič zpomalil a jel opatrně. Po pozorování tohoto chování se autonomní systém naučil také snížit svou maximální rychlost a zvýšit svůj výpočetní rozpočet ve stejném prostředí. To nakonec umožnilo vozidlu úspěšně navigovat autonomně v jiných úzkých chodbách, kde dříve selhalo.”

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

Výsledky prokázaly, 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 byl zodpovědný za jeho trénink.

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

“Z hlediska strojového učení APPLD kontrastuje se systémy end-to-end učení, které se snaží naučit celý navigační systém od začátku,” 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 navrženy, a soustředí se na proces učení parametrů, který je často prováděn na základě intuice jediné osoby.”

Nový systém umožňuje nekvalifikovaným osobám v oblasti robotiky trénovat a vylepšovat navigaci autonomních vozidel. Například neomezený počet uživatelů by mohl poskytnout data potřebná pro vylepšení systému, místo aby se spoléhal na skupinu odborníků na robotiku, kteří by museli manuálně upravit systém.

Dr. Jonathan Fink je armádní výzkumník.

“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, dokud nejsou nalezeny správné nastavení systému. Naopak, APPLD upravuje systém automaticky pozorováním lidského řízení – něco, co může udělat kdokoli, kdo má zkušenosti s ovladačem videoher. Během nasazení APPLD také umožňuje systému upravit se sám v reálném čase, jak se prostředí mění.”

Vojenské použití

Tento systém by byl prospěšný pro armádu, která v současné době pracuje na vývoji modernizovaných bojových vozidel s možností autonomního řízení a robotických bojových vozidel. V současné době je mnoho prostředí příliš komplexních 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 vznikajícími technikami strojového učení, aby vytvořily robustní, adaptivní a všestranné mobilní roboty ve skutečném světě,” řekl Xiao

Systém APPLD bude nyní testován v různých venkovních prostředích. Tým výzkumníků bude také zkoumat, zda lze pomocí dalších senzorických informací naučit systémy složitějších chování.