Amerykańskie wojsko zbliża się do samochodów bojowych z napędem terenowym

Naukowcy z U.S. Army Combat Capabilities Development Command’s Army Research Laboratory i Uniwersytetu Teksasu w Austin opracowali algorytm, który może mieć duże znaczenie dla pojazdów autonomicznych. Dzięki temu algorytmowi, autonomiczne pojazdy naziemne są w stanie poprawić swoje systemy nawigacyjne, obserwując jazdę człowieka.

Metoda opracowana przez naukowców nazywa się adaptacyjnym planowaniem parametrów na podstawie demonstracji, czyli APPLD. Została przetestowana na eksperymentalnym autonomicznym pojeździe naziemnym armii.

Badania zostały opublikowane w IEEE Robotics and Automation Letters. Praca nosi tytuł „APPLD: Adaptacyjne planowanie parametrów na podstawie demonstracji.”

APPLD

Dr Garrett Warnell jest naukowcem armii.

„Korzystając z podejść takich jak APPLD, obecni żołnierze w istniejących obiektach szkoleniowych będą mogli przyczynić się do poprawy systemów autonomicznych, po prostu operując swoimi pojazdami w normalny sposób”, powiedział Warnell. „Techniki takie jak te będą ważnym wkładem w plany armii dotyczące projektowania i wdrożenia nowej generacji pojazdów bojowych, które będą w stanie nawigować autonomicznie w środowiskach terenowych.”

Aby opracować nowy system, naukowcy połączyli algorytmy uczenia maszynowego z demonstracjami i klasycznymi systemami nawigacji autonomicznej. Jedną z najlepszych cech tego podejścia jest to, że pozwala APPLD poprawić istniejący system, aby zachowywał się bardziej jak człowiek, zamiast zastępować cały klasyczny system.

Dzięki temu wdrożony system jest w stanie zachować funkcje takie jak optymalność, wyjaśnialność i bezpieczeństwo, które są obecne w klasycznych systemach nawigacji, a jednocześnie tworzy bardziej elastyczny system, który może dostosować się do nowych środowisk.

„Jedna demonstracja jazdy człowieka, przeprowadzona przy użyciu zwykłego kontrolera Xbox, pozwoliła APPLD nauczyć się, jak dostosować istniejący system nawigacji autonomicznej w zależności od konkretnego środowiska lokalnego”, powiedział Warnell. „Na przykład, gdy w wąskim korytarzu, człowiek-kierowca zwolnił i jechał ostrożnie. Po obserwacji tego zachowania, system autonomiczny nauczył się również zmniejszyć swoją maksymalną prędkość i zwiększyć swój budżet obliczeniowy w podobnych środowiskach. To ostatecznie pozwoliło pojazdowi na pomyślne nawigowanie autonomicznie w innych wąskich korytarzach, w których wcześniej nie powiodło się.”

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

Wyniki pokazały, że wytrenowany system APPLD mógł nawigować w testowych środowiskach bardziej efektywnie i z mniejszą ilością błędów w porównaniu z systemem klasycznym. Co więcej, mógł również nawigować w środowisku szybciej niż człowiek odpowiedzialny za szkolenie go.

Dr Peter Stone jest profesorem i przewodniczącym Konsorcjum Robotyki na UT Austin.

„Z punktu widzenia uczenia maszynowego, APPLD różni się od tzw. systemów uczenia się końca z końcem, które próbują nauczyć się całego systemu nawigacji od podstaw”, powiedział Stone. „Podejścia te wymagają dużej ilości danych i mogą prowadzić do zachowań, które nie są ani bezpieczne, ani niezawodne. APPLD wykorzystuje części systemu sterowania, które zostały starannie zaprojektowane, a jego wysiłek w zakresie uczenia maszynowego koncentruje się na procesie dostrajania parametrów, który często opiera się na intuicji jednej osoby.”

Nowy system pozwala osobom niebędącym ekspertami w dziedzinie robotyki na szkolenie i poprawę nawigacji pojazdów autonomicznych. Na przykład, nieograniczona liczba użytkowników mogłaby dostarczyć danych niezbędnych do poprawy systemu, zamiast polegać na grupie inżynierów-ekspertów, którzy musieliby ręcznie modyfikować system.

Dr Jonathan Fink jest naukowcem armii.

„Obecne systemy nawigacji autonomicznej zwykle muszą być dostosowywane ręcznie dla każdego nowego środowiska wdrożeniowego”, powiedział Fink. „Proces ten jest bardzo trudny – musi być wykonany przez osobę z obszernym szkoleniem w dziedzinie robotyki i wymaga dużej ilości prób i błędów, aż do znalezienia odpowiednich ustawień systemu. W przeciwieństwie do tego, APPLD dostosowuje system automatycznie, obserwując człowieka, który prowadzi system – co może zrobić każdy, kto ma doświadczenie z kontrolerem gier wideo. Podczas wdrożenia APPLD pozwala również systemowi na dostosowanie się w czasie rzeczywistym, gdy środowisko ulega zmianie.”

Użycie wojskowe

Ten system będzie przydatny dla armii, która obecnie pracuje nad opracowaniem nowoczesnych, opcjonalnie załogowych pojazdów bojowych i robotycznych pojazdów bojowych. Jak dotąd, wiele środowisk jest zbyt złożonych nawet dla najlepszych systemów nawigacji autonomicznej.

Dr Xuesu Xiao jest naukowcem-podyplomowym na UT Austin i głównym autorem artykułu.

„Oprócz bezpośredniej przydatności dla armii, APPLD tworzy również możliwość połączenia tradycyjnych podejść inżynierskich z nowymi technikami uczenia maszynowego, w celu stworzenia wytrzymałych, adaptacyjnych i wszechstronnych robotów mobilnych w świecie rzeczywistym”, powiedział Xiao

System APPLD będzie teraz testowany w różnych środowiskach zewnętrznych. Zespół naukowców sprawdzi również, czy dodatkowe informacje sensoryczne mogą pomóc systemom w nauce bardziej złożonych zachowań.