Het Amerikaanse leger komt dichter bij autonome off-road gevechtsvoertuigen

Onderzoekers van het U.S. Army Combat Capabilities Development Command’s Army Research Laboratory en de University of Texas at Austin hebben een algoritme ontwikkeld dat grote implicaties kan hebben voor autonome voertuigen. Met het algoritme kunnen autonome grondvoertuigen hun eigen navigatiesystemen verbeteren door een menselijke bestuurder te observeren.

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

Het onderzoek is gepubliceerd in IEEE Robotics and Automation Letters. Het werk heeft als titel “APPLD: Adaptive Planner Parameter Learning From Demonstration.”

APPLD

Dr. Garrett Warnell is een onderzoeker van het leger.

“Met benaderingen zoals APPLD kunnen huidige soldaten in bestaande trainingsfaciliteiten bijdragen aan verbeteringen in autonome systemen door simpelweg hun voertuigen te bedienen zoals normaal,” zei Warnell. “Technieken zoals deze zullen een belangrijke bijdrage leveren aan de plannen van het leger om de volgende generatie gevechtsvoertuigen te ontwerpen en in te zetten die in staat zijn om autonoom te navigeren in off-road inzetomgevingen.”

Om het nieuwe systeem te ontwikkelen, combineerden de onderzoekers machine learning-algoritmes en klassieke autonome navigatiesystemen. Een van de beste eigenschappen van deze aanpak is dat het APPLD mogelijk maakt om een bestaand systeem te verbeteren om meer als een mens te gedragen, in plaats van het hele klassieke systeem te vervangen.

Door dit systeem kan het ingezette systeem eigenschappen zoals optimaliteit, verklarende waarde en veiligheid behouden, die aanwezig zijn in klassieke navigatiesystemen, en tegelijkertijd een flexibeler systeem creëren dat zich kan aanpassen aan nieuwe omgevingen.

“Een enkele demonstratie van menselijk rijden, verstrekt met een gewone Xbox-draadloze controller, stelde APPLD in staat om te leren hoe het voertuig zijn bestaande autonome navigatiesysteem kon afstemmen op de specifieke lokale omgeving,” zei Warnell. “Bijvoorbeeld, wanneer in een smalle gang, vertraagde de menselijke bestuurder en reed voorzichtig. Na het observeren van dit gedrag, leerde het autonome systeem ook om zijn maximale snelheid te verlagen en zijn berekeningsbudget te verhogen in soortgelijke omgevingen. Dit stelde het voertuig uiteindelijk in staat om succesvol autonoom te navigeren in andere smalle gangen waar het eerder was mislukt.”

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

De resultaten toonden aan dat het getrainde APPLD-systeem de testomgevingen efficiënter en met minder fouten kon navigeren dan het klassieke systeem. Bovendien kon het de omgeving sneller navigeren dan de mens die het had getraind.

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

“Vanuit een machine learning-perspectief staat APPLD in contrast met zogenaamde end-to-end learning-systemen die proberen het hele navigatiesysteem van scratch te leren,” zei Stone. “Deze benaderingen vereisen vaak veel gegevens en kunnen leiden tot gedragingen die niet veilig of robuust zijn. APPLD maakt gebruik van de delen van het besturingssysteem die zorgvuldig zijn ontworpen, en richt zijn machine learning-inspanningen op het proces van parameterafstemming, dat vaak op basis van iemands intuïtie wordt gedaan.”

Het nieuwe systeem stelt niet-experts in de robotica in staat om autonome voertuignavigatie te trainen en te verbeteren. Bijvoorbeeld, een onbeperkt aantal gebruikers kan de gegevens verstrekken die nodig zijn om het systeem te verbeteren, in plaats van te vertrouwen op een groep expert-ingenieurs om het systeem handmatig te wijzigen.

Dr. Jonathan Fink is een onderzoeker van het leger.

“Huidige autonome navigatiesystemen moeten meestal handmatig worden afgestemd voor elke nieuwe inzetomgeving,” zei Fink. “Dit proces is extreem moeilijk – het moet worden gedaan door iemand met uitgebreide training in robotica, en het vereist veel trial en error totdat de juiste systeeminstellingen kunnen worden gevonden. In tegenstelling tot APPLD, stelt het systeem automatisch af door naar een menselijke bestuurder te kijken – iets dat iedereen kan doen als ze ervaring hebben met een videospelcontroller. Tijdens de inzet stelt APPLD het systeem ook in staat om zichzelf opnieuw af te stellen in real-time 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 robotische gevechtsvoertuigen. 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 de hoofdauteur van het artikel.

“Naast de directe relevantie voor het leger, creëert APPLD ook de mogelijkheid om de kloof tussen traditionele ingenieursbenaderingen en opkomende machine learning-technieken te overbruggen, om robuuste, adaptieve en veelzijdige mobiele robots in de echte wereld te creëren,” zei Xiao.

Het APPLD-systeem zal nu worden getest in verschillende buitenshuisomgevingen. Het team van onderzoekers zal ook onderzoeken of aanvullende sensorinformatie het systeem kan helpen om complexere gedragingen te leren.