Yhdysvaltain sotavoimat lähempänä autonomisia maastoajoneuvoja

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

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

Tutkimus julkaistiin IEEE Robotics and Automation Letters -julkaisussa. Työn otsikko on ”APPLD: Adaptiivinen suunnitteluparametrien oppiminen esimerkin perusteella.”

APPLD

Tohtori Garrett Warnell on armeijan tutkija.

”Käyttämällä lähestymistapoja kuten APPLD, nykyiset sotilaat olemassa olevissa koulutuskeskuksissa voivat osallistua autonomisten järjestelmien parantamiseen yksinkertaisesti toimimalla ajoneuvoillaan normaalisti”, Warnell sanoi. ”Tällaiset tekniikat ovat tärkeitä armeijan suunnitelmissa suunnitella ja ottaa käyttöön seuraavat sukupolvet taisteluaikoneuvoja, jotka pystyvät navigoimaan autonomisesti 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 käyttäytyäkseen enemmän kuin ihminen, sen sijaan, että se korvaa koko klassisen järjestelmän. 

Tästä syystä käyttöön otettu järjestelmä pystyy säilyttämään ominaisuuksia, kuten optimaalisuuden, selittämisen ja turvallisuuden, jotka ovat läsnä klassisissa navigointijärjestelmissä, ja samalla luomaan joustavamman järjestelmän, joka voi sopeutua uusiin ympäristöihin.

”Yksittäinen esimerkki ihmisen ajamisesta, jota tarvittiin jokapäiväisellä Xbox-langattomalla ohjaimella, salli APPLD:lle oppia, miten säätää ajoneuvon olemassa olevaa autonomista navigointijärjestelmää eri tavoin riippuen paikallisesta ympäristöstä”, Warnell sanoi. “Esimerkiksi, kun tiukassa käytävällä, ihmisajaja hidasti ja ajoi varovasti. Havainnon jälkeen autonomisen järjestelmän oppi myös vähentämään maksiminopeuttaan ja lisäämään laskentabudjettiaan samankaltaisissa ympäristöissä. Tämä mahdollisti lopulta ajoneuvon onnistuneen navigoinnin autonomisesti muissa tiukissa 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 -oppimisjärjestelmistä, jotka yrittävät oppia koko navigointijärjestelmää alusta alkaen”, Stone sanoi. “Nämä lähestymistavat vaativat yleensä 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 rajattoman määrän 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 robottiikassa, ja se vaatii paljon koettuja ja virheellisiä kokeita, kunnes oikeat järjestelmän asetukset voidaan löytää. Sen sijaan APPLD säätää järjestelmää automaattisesti katsomalla, kuinka ihminen ajaa – jotain, mitä kuka tahansa voi tehdä, jos heillä on kokemusta videopeliohjaimesta. Käyttöön ottamisen aikana APPLD myös sallii järjestelmän säätää itseään reaaliajassa, kun ympäristö muuttuu.”

Sotilaskäyttö

Tämä järjestelmä olisi hyödyllinen armeijalle, joka on parhaillaan kehittämässä modernisoituja valinnaisesti miehitettyjä taisteluaikoneuvoja ja robotti-sotilasajoneuvoja. Tällä hetkellä monet ympäristöistä ovat liian monimutkaisia jopa parhaille autonomisille navigointijärjestelmille. 

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

“Lisäksi välittömään merkitykseen armeijalle, APPLD luo mahdollisuuden yhdistää perinteiset insinööritieteelliset lähestymistavat ja kehittyvät koneoppimistekniikat, luodakseen kestäviä, sopeutuvia ja monipuolisia mobiilirobotteja todellisessa maailmassa”, Xiao sanoi

APPLD-järjestelmää testataan nyt erilaisissa ulkoilmaympäristöissä. Tutkijaryhmä tarkastelee myös, voivatko lisätiedot anturitilasta auttaa järjestelmiä oppimaan monimutkaisempia käyttäytymisiä.