Yhdysvaltain armeija lähenee autonomisten maastoajoneuvojen kehittämistä

Yhdysvaltain armeijan taistelukykyjen kehittämiskomennon tutkimuslaboratorion ja Texasin yliopiston Austinin kampuksen tutkijat ovat kehittäneet algoritmin, jolla on suuria vaikutuksia autonomisiin ajoneuvoihin. Algoritmin avulla autonomiset maastoajoneuvot voivat parantaa navigointijärjestelmiään katsomalla, miten ihminen ajaa.

Tutkijoiden kehittämä lähestymistapa on nimeltään sopeutuva suunnitteluparametrien oppiminen esimerkin perusteella, tai APPLD. Se testattiin armeijan kokeellisella autonomisella maastoajoneuvolla.

Tutkimus julkaistiin IEEE Robotics and Automation Letters -julkaisussa. Työn otsikko on ”APPLD: Adaptive Planner Parameter Learning From Demonstration.”

APPLD

Tohtori Garrett Warnell on armeijan tutkija.

”Käyttämällä lähestymistapoja kuten APPLD, nykyiset sotilaat olemassa olevissa koulutuskeskuksissa voivat osallistua parantamaan autonomisen järjestelmän toimintaa vain toimimalla ajoneuvoillaan normaalisti”, Warnell sanoi. ”Tällaiset tekniikat ovat tärkeitä armeijan suunnitelmissa suunnitella ja kehittää seuraavan sukupolven taisteluajoneuvoja, jotka pystyvät navigoimaan itsenäisesti maastossa.”

Uuden järjestelmän kehittämiseksi tutkijat yhdistivät koneoppimisen esimerkin perusteella ja klassisen autonomisen navigoinnin. Yksi parhaista ominaisuuksista tässä lähestymistavassa on, että se sallii APPLD:n parantaa olemassa olevaa järjestelmää, jotta se käyttäytyy enemmän kuin ihminen, sen sijaan, että se korvaa koko klassisen järjestelmän.

Tämän vuoksi käytössä oleva järjestelmä pystyy säilyttämään ominaisuuksia, kuten optimaalisuutta, selittämiskykyä ja turvallisuutta, jotka ovat läsnä klassisissa navigointijärjestelmissä, samalla luoden joustavan järjestelmän, joka voi sopeutua uusiin ympäristöihin.

”Yksittäinen esimerkki ihmisen ajamisesta, joka annettiin käyttämällä Xboxin langatonta ohjainta, salli APPLD:n oppia säätämään ajoneuvon olemassa olevaa autonomista navigointijärjestelmää eri paikallisympäristöissä. Esimerkiksi, kun ajoneuvo oli kapeassa käytävällä, ihmisajaja hidasti vauhtia ja ajoi varovasti. Kun APPLD havaitsi tämän käyttäytymisen, se oppi myös vähentämään maksiminopeuttaan ja lisäämään laskentabudjettiaan samankaltaisissa ympäristöissä. Tämä mahdollisti ajoneuvon onnistuneen navigoinnin itsenäisesti muissa kapeissa käytävissä, joissa se oli aiemmin epäonnistunut.”

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

Tulokset osoittivat, että koulutettu APPLD-järjestelmä pystyi navigoimaan testiympäristöissä tehokkaammin ja vähemmän virheillä verrattuna klassiseen järjestelmään. Lisäksi se pystyi navigoimaan ympäristössä nopeammin kuin ihminen, joka oli vastuussa koulutuksesta.

Tohtori Peter Stone on professori ja Robotics Consortiumin puheenjohtaja UT Austinissa.

”Koneoppimisen näkökulmasta APPLD eroaa niin sanotuista päästä-päähän-oppimisen järjestelmistä, jotka yrittävät oppia koko navigointijärjestelmän alusta alkaen”, Stone sanoi. ”Nämä lähestymistavat vaativat paljon dataa ja voivat johtaa käyttäytymiseen, joka ei ole turvallista eikä kestävää. APPLD hyödyntää ohjausjärjestelmän osia, jotka on huolellisesti suunniteltu, ja keskittää koneoppimispyrkimyksensä parametrin säätöprosessiin, joka usein tehdään yhden henkilön intuitiivisesti.”

Uusi järjestelmä sallii ei-asiantuntijoiden kouluttaa ja parantaa autonomisen ajoneuvon navigointia. Esimerkiksi, rajattomasti käyttäjiä voisi tarjota tarvittavat tiedot järjestelmän parantamiseksi, sen sijaan, että se riippuisi ryhmästä asiantuntijoita, jotka muokkaavat järjestelmää manuaalisesti.

Tohtori Jonathan Fink on armeijan tutkija.

”Nykyiset autonomiset navigointijärjestelmät vaativat yleensä, että ne on säädettävä käsin jokaisessa uudessa käyttöympäristössä”, Fink sanoi. ”Tämä prosessi on erittäin vaikea – se vaatii henkilöltä laajan koulutuksen robotiikassa, ja se edellyttää paljon kokeilua ja virheiden tekemistä, kunnes oikeat järjestelmän asetukset voidaan löytää. Sen sijaan APPLD säätää järjestelmää automaattisesti katsomalla, miten ihminen ajaa – jotain, mitä kuka tahansa voi tehdä, jos heillä on kokemusta videopeliohjaimesta. Käyttöön otettaessa APPLD myös sallii järjestelmän säätää itseään reaaliajassa, kun ympäristö muuttuu.”

Sotilaskäyttö

Tämä järjestelmä olisi hyödyllinen armeijalle, joka on parhaillaan kehittämässä modernisoituja, mahdollisesti miehittämättömiä taisteluajoneuvoja ja robotti-ajoneuvoja. Tällä hetkellä monet ympäristöt ovat liian monimutkaisia jopa parhaille autonomisille navigointijärjestelmille.

Tohtori Xuesu Xiao on postdoc-tutkija UT Austinissa ja tutkimuksen pääkirjoittaja.

”Lisäksi välittömään merkitykseen armeijalle, APPLD luo myös mahdollisuuden yhdistää perinteiset insinööritieteelliset lähestymistavat ja kehittyvät koneoppimismenetelmät, jotta voidaan luoda kestäviä, sopeutuvia ja monikäyttöisiä mobiilirobotteja todellisessa maailmassa”, Xiao sanoi.

APPLD-järjestelmä testataan nyt erilaisissa ulkoilmaympäristöissä. Tutkijaryhmä tarkastelee myös, voivatko lisätietoa antavat sensorit auttaa järjestelmiä oppimaan monimutkaisempia käyttäytymisiä.