US-Militär kommt autonomen Geländefahrzeugen näher

Forscher am US 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-Lernen aus Demonstration oder APPLD bezeichnet. Er wurde auf einem experimentellen autonomen Bodenfahrzeug der Armee getestet.

Die Forschung wurde in IEEE Robotics and Automation Letters veröffentlicht. Die Arbeit trägt den Titel „APPLD: Adaptiver Planner-Parameter-Lernen aus Demonstration.“

APPLD

Dr. Garrett Warnell ist ein Armee-Forscher.

„Mit Ansätzen wie APPLD können aktuelle Soldaten in bestehenden Trainingsanlagen einfach durch das normale Bedienen ihrer Fahrzeuge zur Verbesserung autonomer Systeme beitragen“, sagte Warnell. „Techniken wie diese werden einen wichtigen Beitrag zur Armee-Pläne leisten, um nächste Generationen von Kampffahrzeugen zu entwerfen und zu entwickeln, die in Gelände-Einsätzen autonom navigieren können.“

Um das neue System zu entwickeln, kombinierten die Forscher maschinelles Lernen aus Demonstrationen und klassische autonome Navigationssysteme. Eine der besten Eigenschaften dieses Ansatzes ist, dass er es APPLD ermöglicht, ein bestehendes System zu verbessern, um 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, und gleichzeitig ein flexibleres System schaffen, das sich an neue Umgebungen anpassen kann.

„Eine einzelne Demonstration des menschlichen Fahrens, die mit einem herkömmlichen Xbox-Controller durchgeführt wurde, ermöglichte es APPLD, das bestehende autonome Navigationssystem des Fahrzeugs je nach lokaler Umgebung unterschiedlich zu justieren“, 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 Rechneraufwand 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 als der menschliche Fahrer navigieren, der es trainiert hatte.

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

„Aus der Perspektive des maschinellen Lernens unterscheidet sich APPLD von sogenannten End-to-End-Lernsystemen, die versuchen, das gesamte Navigationssystem von Grund auf zu lernen“, sagte Stone. „Diese Ansätze erfordern in der Regel große Mengen an Daten und können zu Verhaltensweisen führen, die weder sicher noch robust sind. APPLD nutzt die Teile des Steuersystems, die sorgfältig entwickelt wurden, und konzentriert seine maschinelle Lernbemühungen auf den Prozess der Parametertuning, 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 liefern, die erforderlich sind, um das System zu verbessern, anstatt sich auf eine Gruppe von Experten-Ingenieuren zu verlassen, die das System manuell anpassen.

Dr. Jonathan Fink ist ein Armee-Forscher.

„Aktuelle autonome Navigationssysteme müssen in der Regel von Hand für jede neue Einsatzumgebung justiert werden“, sagte Fink. „Dieser Prozess ist extrem schwierig – er muss von jemandem mit umfangreicher Ausbildung in der Robotik durchgeführt werden und erfordert viel Trial-and-Error, bis die richtigen Systemeinstellungen gefunden werden können. Im Gegensatz dazu justiert APPLD das System automatisch, indem es einem Menschen beim Fahren zuschaut – etwas, das jeder tun kann, wenn er Erfahrung mit einem Videospiele-Controller hat. Während des Einsatzes ermöglicht APPLD es dem System auch, sich selbst in Echtzeit anzupassen, wenn die Umgebung sich 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 zu komplex für sogar die besten autonomen Navigationssysteme.

Dr. Xuesu Xiao ist ein Postdoktorand an der UT Austin und Erstautor des Papiers.

„Zusätzlich zu der unmittelbaren Relevanz für die Armee schafft APPLD auch die Möglichkeit, die Lücke zwischen traditionellen Ingenieur-Ansätzen und aufkommenden maschinellen Lern-Techniken 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 Team der Forscher wird auch prüfen, ob zusätzliche Sensorinformationen dazu beitragen können, dass die Systeme komplexeres Verhalten lernen.