Militer AS Semakin Dekat dengan Kendaraan Tempur Otonom Off-Road

Peneliti di U.S. Army Combat Capabilities Development Command’s Army Research Laboratory dan University of Texas at Austin telah mengembangkan algoritma yang dapat memiliki implikasi besar untuk kendaraan otonom. Dengan algoritma ini, kendaraan darat otonom dapat meningkatkan sistem navigasi mereka sendiri dengan menonton seorang pengemudi manusia.

Pendekatan yang dikembangkan oleh peneliti ini disebut adaptive planner parameter learning from demonstration, atau APPLD. Ini diuji pada kendaraan otonom eksperimental Angkatan Darat.

Penelitian ini dipublikasikan di IEEE Robotics and Automation Letters. Karya ini berjudul “APPLD: Adaptive Planner Parameter Learning From Demonstration.”

APPLD

Dr. Garrett Warnell adalah seorang peneliti Angkatan Darat.

“Menggunakan pendekatan seperti APPLD, tentara saat ini di fasilitas pelatihan yang ada akan dapat berkontribusi pada perbaikan sistem otonom hanya dengan mengoperasikan kendaraan mereka seperti biasa,” kata Warnell. “Teknik seperti ini akan menjadi kontribusi penting bagi rencana Angkatan Darat untuk merancang dan mengembangkan kendaraan tempur generasi berikutnya yang dilengkapi untuk navigasi otonom di lingkungan off-road.”

Untuk mengembangkan sistem baru ini, peneliti menggabungkan algoritma pembelajaran mesin dari demonstrasi dan sistem navigasi otonom klasik. Salah satu fitur terbaik dari pendekatan ini adalah bahwa itu memungkinkan APPLD untuk meningkatkan sistem yang ada agar berperilaku lebih seperti manusia, bukan menggantikan sistem klasik secara keseluruhan.

Karena itu, sistem yang diterapkan dapat mempertahankan fitur seperti optimalitas, keterjelasan, dan keamanan, yang ada di sistem navigasi klasik, serta menciptakan sistem yang lebih fleksibel yang dapat beradaptasi dengan lingkungan baru.

“Sebuah demonstrasi pengemudi manusia, yang disediakan menggunakan pengontrol nirkabel Xbox biasa, memungkinkan APPLD untuk belajar bagaimana menyetel sistem navigasi otonom kendaraan yang ada dengan berbeda tergantung pada lingkungan lokal tertentu,” kata Warnell. “Misalnya, ketika di koridor yang sempit, pengemudi manusia melambatkan dan mengemudi dengan hati-hati. Setelah mengamati perilaku ini, sistem otonom belajar untuk mengurangi kecepatan maksimum dan meningkatkan anggaran komputasi di lingkungan serupa. Ini akhirnya memungkinkan kendaraan untuk bernavigasi otonom dengan sukses di koridor yang sempit lainnya di mana sebelumnya gagal.”

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

Hasilnya menunjukkan bahwa sistem APPLD yang dilatih dapat menavigasi lingkungan uji lebih efisien dan dengan kesalahan yang lebih sedikit dibandingkan dengan sistem klasik. Di atas itu, juga dapat menavigasi lingkungan lebih cepat daripada pengemudi manusia yang bertanggung jawab untuk melatihnya.

Dr. Peter Stone adalah profesor dan ketua Konsorsium Robotika di UT Austin.

“Dari perspektif pembelajaran mesin, APPLD berbeda dengan sistem pembelajaran ujung-ke-ujung yang mencoba mempelajari seluruh sistem navigasi dari awal,” kata Stone. “Pendekatan seperti ini cenderung memerlukan banyak data dan mungkin menghasilkan perilaku yang tidak aman atau tidak kuat. APPLD memanfaatkan bagian dari sistem kontrol yang telah dirancang dengan hati-hati, sementara fokus pembelajaran mesin pada proses penyetelan parameter, yang sering dilakukan berdasarkan intuisi satu orang.”

Sistem baru ini memungkinkan non-ahli di bidang robotika untuk melatih dan meningkatkan navigasi kendaraan otonom. Misalnya, jumlah pengguna yang tidak terbatas dapat menyediakan data yang diperlukan untuk sistem memperbaiki dirinya sendiri, bukan mengandalkan sekelompok insinyur ahli untuk secara manual mengubah sistem.

Dr. Jonathan Fink adalah seorang peneliti Angkatan Darat.

“Sistem navigasi otonom saat ini biasanya harus disetel ulang secara manual untuk setiap lingkungan penerapan baru,” kata Fink. “Proses ini sangat sulit – harus dilakukan oleh seseorang dengan pelatihan yang luas dalam robotika, dan memerlukan banyak trial dan error sampai pengaturan sistem yang tepat dapat ditemukan. Sebaliknya, APPLD menyetel sistem secara otomatis dengan menonton pengemudi manusia mengemudi sistem – sesuatu yang dapat dilakukan oleh siapa saja jika mereka memiliki pengalaman dengan pengontrol video game. Selama penerapan, APPLD juga memungkinkan sistem untuk menyetel ulang dirinya sendiri secara real-time saat lingkungan berubah.”

Penggunaan Militer

Sistem ini akan berguna bagi Angkatan Darat, yang saat ini bekerja pada pengembangan kendaraan tempur modern yang dapat dioperasikan oleh manusia dan kendaraan tempur robotik. Saat ini, banyak lingkungan yang terlalu kompleks bahkan untuk sistem navigasi otonom terbaik.

Dr. Xuesu Xiao adalah seorang peneliti postdoctoral di UT Austin dan penulis utama makalah ini.

“Selain relevansi langsung dengan Angkatan Darat, APPLD juga menciptakan kesempatan untuk menjembatani kesenjangan antara pendekatan teknik tradisional dan teknik pembelajaran mesin yang muncul, untuk menciptakan robot mobil yang kuat, adaptif, dan serbaguna di dunia nyata,” kata Xiao.

Sistem APPLD sekarang akan diuji di berbagai lingkungan luar ruangan yang berbeda. Tim peneliti juga akan melihat apakah informasi sensor tambahan dapat membantu sistem mempelajari perilaku yang lebih kompleks.