Amerikaanse militairen komen dichter bij autonome off-road gevechtsvoertuigen

Onderzoekers van het Army Research Laboratory van het US Army Combat Capabilities Development Command en de Universiteit van Texas in Austin hebben een algoritme ontwikkeld dat grote implicaties kan hebben voor autonome voertuigen. Met het algoritme kunnen autonome grondvoertuigen hun eigen navigatiesystemen verbeteren door naar een menselijke rit te kijken.

De door de onderzoekers ontwikkelde aanpak heet adaptive planner parameter learning from demonstratie, of APPLD. Het werd getest op een experimenteel autonoom grondvoertuig van het leger.

Het onderzoek is gepubliceerd in IEEE Robotica en automatisering Letters. Het werk is getiteld "APPLD: Adaptive Planner Parameter leren van demonstratie."

APPLD

Dr. Garrett Warnell is een legeronderzoeker.

"Door benaderingen zoals APPLD te gebruiken, kunnen huidige soldaten in bestaande trainingsfaciliteiten bijdragen aan verbeteringen in autonome systemen door simpelweg hun voertuigen normaal te bedienen", zei Warnell. "Technieken als deze zullen een belangrijke bijdrage leveren aan de plannen van het leger om gevechtsvoertuigen van de volgende generatie te ontwerpen en in gebruik te nemen die zijn uitgerust om autonoom te navigeren in offroad-omgevingen."

Om het nieuwe systeem te ontwikkelen, combineerden de onderzoekers machinaal leren van demonstratie-algoritmen en klassieke autonome navigatiesystemen. Een van de beste kenmerken van deze aanpak is dat het APPLD in staat stelt een bestaand systeem te verbeteren, zodat het zich meer als een mens gaat gedragen, in plaats van het hele klassieke systeem te vervangen. 

Hierdoor is het ingezette systeem in staat om functies zoals optimaliteit, uitlegbaarheid en veiligheid, die aanwezig zijn in klassieke navigatiesystemen, te behouden, terwijl het ook een flexibeler systeem creëert dat zich kan aanpassen aan nieuwe omgevingen.

"Een enkele demonstratie van menselijk rijden, gegeven met behulp van een dagelijkse Xbox draadloze controller, stelde APPLD in staat om te leren hoe het bestaande autonome navigatiesysteem van het voertuig anders kan worden afgesteld, afhankelijk van de specifieke lokale omgeving," zei Warnell. “Bijvoorbeeld in een krappe gang remde de menselijke bestuurder af en reed voorzichtig. Na het observeren van dit gedrag, leerde het autonome systeem om ook zijn maximale snelheid te verlagen en zijn rekenbudget te verhogen in vergelijkbare omgevingen. Hierdoor kon het voertuig uiteindelijk met succes autonoom navigeren in andere krappe gangen waar het voorheen faalde.”

De resultaten toonden aan dat het getrainde APPLD-systeem efficiënter en met minder fouten door de testomgevingen kon navigeren in vergelijking met het klassieke systeem. Bovendien zou het ook sneller door de omgeving kunnen navigeren dan de mens die verantwoordelijk is voor het trainen ervan. 

Dr. Peter Stone is professor en voorzitter van het Robotics Consortium aan de UT Austin.

"Vanuit het perspectief van machine learning staat APPLD in contrast met zogenaamde end-to-end leersystemen die proberen het hele navigatiesysteem vanaf nul te leren", zei Stone. "Deze benaderingen vereisen vaak veel gegevens en kunnen leiden tot gedrag dat noch veilig noch robuust is. APPLD maakt gebruik van de delen van het besturingssysteem die zorgvuldig zijn ontworpen, terwijl het zijn machine learning-inspanningen richt op het parameterafstemmingsproces, dat vaak wordt gedaan op basis van de intuïtie van een enkele persoon.

Met het nieuwe systeem kunnen niet-experts op het gebied van robotica autonome voertuignavigatie trainen en verbeteren. Een onbeperkt aantal gebruikers zou bijvoorbeeld de gegevens kunnen leveren die nodig zijn om het systeem zichzelf te laten verbeteren, in plaats van te vertrouwen op een groep deskundige ingenieurs om het systeem handmatig te wijzigen.

Dr. Jonathan Fink is een legeronderzoeker.

"Huidige autonome navigatiesystemen moeten doorgaans met de hand worden afgesteld voor elke nieuwe implementatieomgeving", aldus Fink. "Dit proces is buitengewoon moeilijk - het moet worden uitgevoerd door iemand met een uitgebreide training in robotica, en het vereist veel vallen en opstaan ​​​​totdat de juiste systeeminstellingen kunnen worden gevonden. APPLD daarentegen stemt het systeem automatisch af door te kijken naar een mens die het systeem bestuurt - iets dat iedereen kan doen als hij ervaring heeft met een videogamecontroller. Tijdens de implementatie stelt APPLD het systeem ook in staat om zichzelf in real-time opnieuw af te stemmen als de omgeving verandert.”

Militair gebruik

Dit systeem zou nuttig zijn voor het leger, dat momenteel werkt aan de ontwikkeling van gemoderniseerde optioneel bemande gevechtsvoertuigen en robotgevechtsvoertuigen. Op dit moment zijn veel van de omgevingen te complex voor zelfs de beste autonome navigatiesystemen. 

Dr. Xuesu Xiao is een postdoctoraal onderzoeker aan de UT Austin en hoofdauteur van het artikel.

"Naast de directe relevantie voor het leger, creëert APPLD ook de mogelijkheid om de kloof te overbruggen tussen traditionele technische benaderingen en opkomende machine learning-technieken, om robuuste, adaptieve en veelzijdige mobiele robots in de echte wereld te creëren", aldus Xiao

Het APPLD-systeem wordt nu getest in verschillende buitenomgevingen. Het team van onderzoekers zal ook kijken of aanvullende sensorinformatie de systemen kan helpen om meer complex gedrag te leren.