US-Militär kommt autonomen Geländefahrzeugen näher

Forscher am U.S. Army Combat Capabilities Development Command’s Army Research Laboratory und der University of Texas at Austin haben einen Algorithmus entwickelt, der große Auswirkungen auf autonome Fahrzeuge haben könnte. Mit dem Algorithmus können autonome Bodenfahrzeuge ihre eigenen Navigationssysteme verbessern, indem sie einem Menschen beim Fahren zusehen.

Der von den Forschern entwickelte Ansatz wird als adaptiver Planner-Parameter-Lernalgorithmus aus Demonstration oder APPLD bezeichnet. Er wurde an einem experimentellen autonomen Bodenfahrzeug der Armee getestet.

Die Forschung wurde in IEEE Robotics and Automation Letters veröffentlicht. Die Arbeit trägt den Titel „APPLD: Adaptive Planner Parameter Learning From Demonstration.”

APPLD

Dr. Garrett Warnell ist ein Armee-Forscher.

“Mit Ansätzen wie APPLD können aktuelle Soldaten in bestehenden Trainingsanlagen durch die einfache Bedienung ihrer Fahrzeuge zur Verbesserung autonomer Systeme beitragen”, sagte Warnell. „Techniken wie diese werden einen wichtigen Beitrag zu den Plänen der Armee leisten, um nächste Generationen von Kampffahrzeugen zu entwerfen und einzusetzen, die in der Lage sind, autonom in Gelände-Einsätzumgebungen zu navigieren.”

Um das neue System zu entwickeln, kombinierten die Forscher maschinelles Lernen aus Demonstration-Algorithmen und klassische autonome Navigationssysteme. Eine der besten Eigenschaften dieses Ansatzes ist, dass er es APPLD ermöglicht, ein bestehendes System zu verbessern, um mehr wie ein Mensch zu handeln, anstatt das gesamte klassische System zu ersetzen. 

Dadurch kann das eingesetzte System Merkmale wie Optimalität, Erklärbarkeit und Sicherheit beibehalten, die in klassischen Navigationssystemen vorhanden sind, während es gleichzeitig ein flexibleres System schafft, das sich an neue Umgebungen anpassen kann.

“Eine einzige Demonstration des menschlichen Fahrens, die mit einem herkömmlichen Xbox-Wireless-Controller bereitgestellt wurde, ermöglichte es APPLD, zu lernen, wie man das bestehende autonome Navigationssystem des Fahrzeugs je nach lokaler Umgebung unterschiedlich einstellt”, sagte Warnell. “Beispielsweise reduzierte der menschliche Fahrer in einem engen Korridor die Geschwindigkeit und fuhr vorsichtig. Nachdem das autonome System dieses Verhalten beobachtet hatte, lernte es, seine Höchstgeschwindigkeit zu reduzieren und seinen Rechenaufwand in ähnlichen Umgebungen zu erhöhen. Dies ermöglichte es dem Fahrzeug letztendlich, erfolgreich autonom in anderen engen Korridoren zu navigieren, in denen es zuvor gescheitert war.”

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

Die Ergebnisse zeigten, dass das trainierte APPLD-System die Testumgebungen effizienter und mit weniger Fehlern navigieren konnte als das klassische System. Darüber hinaus konnte es die Umgebung auch schneller navigieren als der Mensch, der es trainiert hatte. 

Dr. Peter Stone ist Professor und Vorsitzender des Robotics-Konsortiums an der UT Austin.

“Aus der Sicht des maschinellen Lernens kontrastiert APPLD mit sogenannten End-to-End-Lernalgorithmen, die versuchen, das gesamte Navigationssystem von Grund auf zu lernen”, sagte Stone. “Diese Ansätze erfordern in der Regel eine Menge Daten und können zu Verhaltensweisen führen, die weder sicher noch robust sind. APPLD nutzt die Teile des Steuersystems, die sorgfältig entwickelt wurden, und konzentriert sich auf den Prozess des Parametertunings, der oft auf der Intuition einer einzelnen Person basiert.”

Das neue System ermöglicht es Nicht-Experten auf dem Gebiet der Robotik, autonome Fahrzeugnavigation zu trainieren und zu verbessern. Beispielsweise könnten eine unbegrenzte Anzahl von Benutzern die Daten bereitstellen, die erforderlich sind, um das System zu verbessern, anstatt sich auf eine Gruppe von Experten-Ingenieuren zu verlassen, die das System manuell ändern.

Dr. Jonathan Fink ist ein Armee-Forscher.

“Aktuelle autonome Navigationssysteme müssen in der Regel von Hand für jede neue Einsatzumgebung neu justiert werden”, sagte Fink. “Dieser Prozess ist extrem schwierig – er muss von jemandem durchgeführt werden, der umfassende Kenntnisse in der Robotik hat, und erfordert viel Trial und Error, bis die richtigen Systemeinstellungen gefunden werden können. Im Gegensatz dazu justiert APPLD das System automatisch, indem es einem Menschen beim Fahren zusieht – etwas, das jeder tun kann, wenn er Erfahrung mit einem Video-Game-Controller hat. Während der Einsatzzeit ermöglicht APPLD es dem System auch, sich in Echtzeit selbst anzupassen, wenn sich die Umgebung ändert.”

Militärische Nutzung

Dieses System wäre für die Armee nützlich, die derzeit an der Entwicklung modernisierter optionaler Kampffahrzeuge und Roboter-Kampffahrzeuge arbeitet. Derzeit sind viele der Umgebungen für selbst die besten autonomen Navigationssysteme zu komplex. 

Dr. Xuesu Xiao ist ein Postdoktorand an der UT Austin und Hauptautor der Studie.

“Neben der unmittelbaren Relevanz für die Armee schafft APPLD auch die Möglichkeit, die Lücke zwischen traditionellen Ingenieuransätzen und aufkommenden maschinellen Lernalgorithmen zu überbrücken, um robuste, adaptive und vielseitige mobile Roboter in der realen Welt zu schaffen”, sagte Xiao

Das APPLD-System wird nun in verschiedenen Outdoor-Umgebungen getestet. Das Forscherteam wird auch prüfen, ob zusätzliche Sensorinformationen dazu beitragen können, dass die Systeme komplexeres Verhalten erlernen.