Η Αμερικανική Στρατιωτική Δύναμη Προσεγγίζει Αυτόνομες Οχυρές Οχήματα Μάχης

Ερευνητές στο U.S. Army Combat Capabilities Development Command’s Army Research Laboratory και το Πανεπιστήμιο του Τέξας στο Όστιν έχουν αναπτύξει einen αλγόριθμο που μπορεί να έχει μεγάλες επιπτώσεις για τα αυτόνομα οχήματα. Με τον αλγόριθμο, τα αυτόνομα οχήματα εδάφους μπορούν να βελτιώσουν τους δικούς τους συστήματα πλοήγησης παρακολουθώντας έναν άνθρωπο να οδηγεί.

Η προσέγγιση που αναπτύχθηκε από τους ερευνητές ονομάζεται προσαρμοστική σχεδίαση παραμέτρων μάθησης από επίδειξη, ή APPLD. Ελέγχθηκε σε ένα πειραματικό αυτόνομο όχημα εδάφους του Στρατού.

Η έρευνα δημοσιεύθηκε στο IEEE Robotics and Automation Letters. Το έργο έχει τον τίτλο “APPLD: Adaptive Planner Parameter Learning From Demonstration.”

APPLD

Ο Δρ. Garrett Warnell είναι ερευνητής του Στρατού.

“Χρησιμοποιώντας προσεγγίσεις όπως το APPLD, οι σημερινοί στρατιώτες στις υφιστάμενες εγκαταστάσεις εκπαίδευσης θα μπορέσουν να συμβάλλουν στις βελτιώσεις των αυτόνομων συστημάτων απλώς λειτουργώντας τα οχήματά τους όπως το κανονικό,” είπε ο Warnell. “Τεχνικές όπως αυτές θα είναι μια σημαντική συμβολή στα σχέδια του Στρατού για το σχεδιασμό και την ανάπτυξη των επόμενων γενεών οχημάτων μάχης που είναι εξοπλισμένα να πλοηγηθούν αυτόνομα σε περιβάλλοντα εκτός δρόμου.”

Για να αναπτύξουν το νέο σύστημα, οι ερευνητές συνδύασαν αλγόριθμους μάθησης από επίδειξη και κλασικά αυτόνομα συστήματα πλοήγησης. Một από τα καλύτερα χαρακτηριστικά αυτής της προσέγγισης είναι ότι επιτρέπει στο APPLD να βελτιώσει ένα υπάρχον σύστημα για να συμπεριφερθεί περισσότερο σαν άνθρωπος, αντί να αντικαταστήσει ολόκληρο το κλασικό σύστημα.

Λόγω αυτού, το αναπτυγμένο σύστημα είναι σε θέση να διατηρήσει χαρακτηριστικά όπως η βέλτιστη, η ερμηνευσιμότητα και η ασφάλεια, τα οποία υπάρχουν στα κλασικά συστήματα πλοήγησης, ενώ παράλληλα δημιουργεί ένα πιο ευέλικτο σύστημα που μπορεί να προσαρμοστεί σε νέες περιβάλλοντες.

“Μια seule επίδειξη ανθρώπινης οδήγησης, που παρέχεται χρησιμοποιώντας έναν κανονικό Xbox ασύρματο χειριστήριο, επέτρεψε στο APPLD να μάθει πώς να ρυθμίσει το σύστημα πλοήγησης του οχήματος διαφορετικά ανάλογα με το συγκεκριμένο τοπικό περιβάλλον,” είπε ο Warnell. “Για παράδειγμα, όταν σε một στενό διάδρομο, ο ανθρώπινος οδηγός έβραζε και οδηγούσε προσεκτικά. Μετά την παρατήρηση αυτής της συμπεριφοράς, το αυτόνομο σύστημα έμαθε να μειώσει την ταχύτητά του και να αυξήσει τον προϋπολογισμό υπολογισμού σε παρόμοια περιβάλλοντα. Αυτό τελικά επέτρεψε στο όχημα να πλοηγήσει αυτόνομα σε άλλα στενά διαδρόμους όπου είχε προηγουμένως αποτύχει.”

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

Τα αποτελέσματα έδειξαν ότι το εκπαιδευμένο σύστημα APPLD μπορούσε να πλοηγήσει τα περιβάλλοντα δοκιμών πιο αποτελεσματικά και με λιγότερα λάθη σε σύγκριση με το κλασικό σύστημα. Επιπλέον, μπορούσε να πλοηγήσει το περιβάλλον πιο γρήγορα από τον άνθρωπο που ήταν υπεύθυνος για την εκπαίδευσή του.

Ο Δρ. Peter Stone είναι καθηγητής και πρόεδρος του Ρομποτικής Συνδέσμου στο UT Austin.

“Από μια οπτική γωνία μάθησης με τη μηχανή, το APPLD αντιπαραβάλλεται με τα λεγόμενα συστήματα μάθησης από άκρου σε άκρο που προσπαθούν να μάθουν ολόκληρο το σύστημα πλοήγησης από την αρχή,” είπε ο Stone. “Αυτές οι προσεγγίσεις τείνουν να απαιτούν πολλά δεδομένα και μπορεί να οδηγήσουν σε συμπεριφορές που δεν είναι ούτε ασφαλείς ούτε robust. Το APPLD αξιοποιεί τα μέρη του συστήματος ελέγχου που έχουν σχεδιαστεί προσεκτικά, ενώ επικεντρώνει την προσπάθεια μάθησης με τη μηχανή στην διαδικασία ρύθμισης παραμέτρων, η οποία συχνά βασίζεται στην ευαισθησία ενός ατόμου.”

Το νέο σύστημα επιτρέπει σε μη ειδικούς στο πεδίο της ρομποτικής να εκπαιδεύσουν και να βελτιώσουν την πλοήγηση των αυτόνομων οχημάτων. Για παράδειγμα, ένας απεριόριστος αριθμός χρηστών θα μπορούσε να παρέχει τα δεδομένα που χρειάζονται για το σύστημα να βελτιωθεί, αντί να βασίζεται σε μια ομάδα ειδικών μηχανικών για να τροποποιήσουν το σύστημα χειροκίνητα.

Ο Δρ. Jonathan Fink είναι ερευνητής του Στρατού.

“Τα τρέχοντα αυτόνομα συστήματα πλοήγησης τυπικά πρέπει να αναρυθμιστούν με το χέρι για κάθε νέο περιβάλλον αναπτύξεως,” είπε ο Fink. “Αυτή η διαδικασία είναι εξαιρετικά δύσκολη — πρέπει να γίνει από κάποιον με εκτεταμένη εκπαίδευση στη ρομποτική, και απαιτεί πολλά δοκιμές και λάθη μέχρι να βρεθούν οι σωστές ρυθμίσεις του συστήματος. Σε αντίθεση, το APPLD ρυθμίζει το σύστημα αυτόματα παρακολουθώντας έναν άνθρωπο να οδηγεί το σύστημα — κάτι που μπορεί να κάνει οποιοςδήποτε αν έχει εμπειρία με ένα βιντεοπαιχνίδι. Κατά τη διάρκεια της αναπτύξεως, το APPLD επίσης επιτρέπει στο σύστημα να αναρυθμιστεί αυτόματα σε πραγματικό χρόνο καθώς το περιβάλλον αλλάζει.”

Στρατιωτική Χρήση

Αυτό το σύστημα θα ήταν χρήσιμο για τον Στρατό, ο οποίος εργάζεται目前 για την ανάπτυξη μεμονωμένων οχημάτων μάχης και ρομποτικών οχημάτων μάχης. Αυτή τη στιγμή, πολλά από τα περιβάλλοντα είναι πολύ σύνθετα ακόμη και για τα καλύτερα αυτόνομα συστήματα πλοήγησης.

Ο Δρ. Xuesu Xiao είναι μεταδιδάκτωρ ερευνητής στο UT Austin και αρχικός συγγραφέας του εγγράφου.

“Εκτός από την άμεση σχετικότητα με τον Στρατό, το APPLD δημιουργεί επίσης την ευκαιρία να γεφυρώσει το χάσμα μεταξύ των παραδοσιακών μηχανικών προσεγγίσεων και των αναδυόμενων τεχνικών μάθησης με τη μηχανή, για να δημιουργήσει robust, προσαρμοστικά και ποικίλα κινητά ρομπότ στο πραγματικό κόσμο,” είπε ο Xiao

Το σύστημα APPLD θα δοκιμαστεί τώρα σε διάφορα εξωτερικά περιβάλλοντα. Η ομάδα των ερευνητών θα δει επίσης αν επιπλέον πληροφορίες αισθητήρων μπορούν να βοηθήσουν τα συστήματα να μάθουν πιο σύνθετες συμπεριφορές.