Militer AS Semakin Dekat dengan Kendaraan Tempur Off-Road Otonom

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 disebut adaptive planner parameter learning from demonstration, atau APPLD. Ini diuji pada kendaraan darat otonom eksperimental Angkatan Darat.

Penelitian ini diterbitkan 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,” Warnell mengatakan. “Teknik seperti ini akan menjadi kontribusi penting untuk rencana Angkatan Darat untuk merancang dan mengembangkan kendaraan tempur generasi berikutnya yang dilengkapi untuk bernavigasi otonom di lingkungan penyebaran off-road.”

Untuk mengembangkan sistem baru, 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, sambil juga menciptakan sistem yang lebih fleksibel yang dapat beradaptasi dengan lingkungan baru.

“Sebuah demonstrasi tunggal pengemudi manusia, yang diberikan menggunakan pengontrol nirkabel Xbox biasa, memungkinkan APPLD untuk belajar bagaimana menyetel sistem navigasi otonom kendaraan yang ada secara berbeda tergantung pada lingkungan lokal tertentu,” Warnell mengatakan. “Misalnya, ketika di koridor yang sempit, pengemudi manusia melambatkan dan mengemudi dengan hati-hati. Setelah mengamati perilaku ini, sistem otonom belajar untuk juga mengurangi kecepatan maksimum dan meningkatkan anggaran komputasinya di lingkungan yang sama. Ini pada akhirnya memungkinkan kendaraan untuk berhasil bernavigasi otonom 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 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 sistem navigasi secara keseluruhan dari awal,” Stone mengatakan. “Pendekatan ini cenderung memerlukan banyak data dan dapat menyebabkan perilaku yang tidak aman atau tidak kuat. APPLD memanfaatkan bagian dari sistem kontrol yang telah dirancang dengan hati-hati, sambil fokus 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, sejumlah pengguna tak terbatas dapat memberikan 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 penyebaran 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 – sesuatu yang dapat dilakukan oleh siapa saja jika mereka memiliki pengalaman dengan pengontrol game. Selama penyebaran, 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 secara opsional 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.

“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 yang berbeda. Tim peneliti juga akan melihat apakah informasi sensor tambahan dapat membantu sistem mempelajari perilaku yang lebih kompleks.