L’esercito degli Stati Uniti si avvicina a veicoli da combattimento autonomi fuoristrada

I ricercatori del U.S. Army Combat Capabilities Development Command’s Army Research Laboratory e dell’Università del Texas ad Austin hanno sviluppato un algoritmo che potrebbe avere grandi implicazioni per i veicoli autonomi. Con l’algoritmo, i veicoli autonomi terrestri sono in grado di migliorare i propri sistemi di navigazione guardando un umano guidare.

L’approccio sviluppato dai ricercatori si chiama adaptive planner parameter learning from demonstration, o APPLD. È stato testato su un veicolo autonomo terrestre sperimentale dell’esercito.

La ricerca è stata pubblicata in IEEE Robotics and Automation Letters. Il lavoro si intitola “APPLD: Adaptive Planner Parameter Learning From Demonstration.”

APPLD

Il dottor Garrett Warnell è un ricercatore dell’esercito.

“Utilizzando approcci come APPLD, i soldati attuali in strutture di addestramento esistenti saranno in grado di contribuire ai miglioramenti dei sistemi autonomi semplicemente operando i loro veicoli come normali”, ha detto Warnell. “Tecniche come queste saranno un contributo importante ai piani dell’esercito per progettare e schierare veicoli da combattimento di prossima generazione che siano in grado di navigare autonomamente in ambienti di dispiegamento fuoristrada.”

Per sviluppare il nuovo sistema, i ricercatori hanno combinato algoritmi di apprendimento automatico da dimostrazione e sistemi di navigazione autonomi classici. Una delle migliori caratteristiche di questo approccio è che consente ad APPLD di migliorare un sistema esistente in modo che si comporti più come un umano, anziché sostituire l’intero sistema classico. 

A causa di ciò, il sistema distribuito è in grado di mantenere caratteristiche come l’ottimalità, la spiegabilità e la sicurezza, che sono presenti nei sistemi di navigazione classici, mentre crea un sistema più flessibile che può adattarsi a nuovi ambienti.

“Una sola dimostrazione di guida umana, fornita utilizzando un controller wireless Xbox standard, ha consentito ad APPLD di imparare come regolare il sistema di navigazione autonomo del veicolo in modo diverso a seconda dell’ambiente locale specifico”, ha detto Warnell. “Ad esempio, quando si trovava in un corridoio stretto, il conducente umano ha rallentato e guidato con cura. Dopo aver osservato questo comportamento, il sistema autonomo ha imparato a ridurre anche la sua velocità massima e aumentare il suo budget di calcolo in ambienti simili. Ciò ha infine consentito al veicolo di navigare autonomamente con successo in altri corridoi stretti in cui aveva precedentemente fallito.”

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

I risultati hanno dimostrato che il sistema APPLD addestrato poteva navigare negli ambienti di test più efficientemente e con meno errori rispetto al sistema classico. Inoltre, poteva anche navigare nell’ambiente più velocemente dell’umano responsabile dell’addestramento. 

Il dottor Peter Stone è un professore e presidente del Robotics Consortium all’UT Austin.

“Da una prospettiva di apprendimento automatico, APPLD si differenzia dai sistemi di apprendimento end-to-end che tentano di apprendere l’intero sistema di navigazione da zero”, ha detto Stone. “Questi approcci tendono a richiedere molti dati e possono portare a comportamenti che non sono né sicuri né robusti. APPLD sfrutta le parti del sistema di controllo che sono state progettate con cura, concentrandosi sul processo di regolazione dei parametri, che è spesso fatto in base all’intuizione di una sola persona.”

Il nuovo sistema consente a non esperti nel campo della robotica di addestrare e migliorare la navigazione dei veicoli autonomi. Ad esempio, un numero illimitato di utenti potrebbe fornire i dati necessari per migliorare il sistema, anziché affidarsi a un gruppo di ingegneri esperti per modificare manualmente il sistema.

Il dottor Jonathan Fink è un ricercatore dell’esercito.

“I sistemi di navigazione autonomi attuali devono essere regolati a mano per ogni nuovo ambiente di dispiegamento”, ha detto Fink. “Questo processo è estremamente difficile – deve essere fatto da qualcuno con una formazione estensiva in robotica e richiede molto trial and error fino a quando non vengono trovate le impostazioni del sistema giuste. Al contrario, APPLD regola il sistema automaticamente guardando un umano guidare il sistema – qualcosa che chiunque può fare se ha esperienza con un controller di videogioco. Durante il dispiegamento, APPLD consente anche al sistema di regolare se stesso in tempo reale mentre l’ambiente cambia.”

Uso militare

Questo sistema sarebbe utile per l’esercito, che attualmente sta lavorando allo sviluppo di veicoli da combattimento modernizzati e veicoli da combattimento robotici. Al momento, molti degli ambienti sono troppo complessi anche per i migliori sistemi di navigazione autonomi. 

Il dottor Xuesu Xiao è un ricercatore postdoc all’UT Austin e autore principale del documento.

“Oltre alla rilevanza immediata per l’esercito, APPLD crea anche l’opportunità di colmare il divario tra approcci di ingegneria tradizionali e tecniche di apprendimento automatico emergenti, per creare robot mobili robusti, adattivi e versatili nel mondo reale”, ha detto Xiao

Il sistema APPLD sarà ora testato in vari ambienti all’aperto diversi. Il team di ricercatori vedrà anche se ulteriori informazioni sensoriali possono aiutare i sistemi a imparare comportamenti più complessi.