Exército dos EUA está mais perto de veículos de combate off-road autônomos

Pesquisadores do U.S. Army Combat Capabilities Development Command’s Army Research Laboratory e da Universidade do Texas em Austin desenvolveram um algoritmo que pode ter grandes implicações para veículos autônomos. Com o algoritmo, veículos terrestres autônomos podem melhorar seus próprios sistemas de navegação assistindo um humano dirigir.

A abordagem desenvolvida pelos pesquisadores é chamada de aprendizado de parâmetros de planejador adaptativo a partir de demonstração, ou APPLD. Foi testada em um veículo terrestre autônomo experimental do Exército.

A pesquisa foi publicada em IEEE Robotics and Automation Letters. O trabalho é intitulado “APPLD: Aprendizado de Parâmetros de Planejador Adaptativo a Partir de Demonstração.”

APPLD

Dr. Garrett Warnell é um pesquisador do Exército.

“Usando abordagens como APPLD, os soldados atuais em instalações de treinamento existentes poderão contribuir para melhorias nos sistemas autônomos simplesmente operando seus veículos como normal”, disse Warnell. “Técnicas como essas serão uma contribuição importante para os planos do Exército de projetar e implantar veículos de combate de próxima geração que sejam capazes de navegar autonomamente em ambientes de implantação off-road.”

Para desenvolver o novo sistema, os pesquisadores combinaram algoritmos de aprendizado de máquina a partir de demonstração e sistemas de navegação autônoma clássicos. Uma das melhores características dessa abordagem é que ela permite que o APPLD melhore um sistema existente para se comportar mais como um humano, em vez de substituir o sistema clássico inteiro.

Devido a isso, o sistema implantado é capaz de manter recursos como otimalidade, explicabilidade e segurança, que estão presentes nos sistemas de navegação clássicos, enquanto também cria um sistema mais flexível que pode se adaptar a novos ambientes.

“Uma única demonstração de direção humana, fornecida usando um controle remoto Xbox wireless comum, permitiu que o APPLD aprendesse a ajustar o sistema de navegação autônomo existente do veículo de forma diferente dependendo do ambiente local específico”, disse Warnell. “Por exemplo, quando em um corredor apertado, o motorista humano desacelerou e dirigiu com cuidado. Após observar esse comportamento, o sistema autônomo aprendeu a reduzir sua velocidade máxima e aumentar seu orçamento de computação em ambientes semelhantes. Isso permitiu que o veículo navegasse autonomamente com sucesso em outros corredores apertados onde havia falhado anteriormente.”

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

Os resultados demonstraram que o sistema APPLD treinado pode navegar os ambientes de teste de forma mais eficiente e com menos erros em comparação com o sistema clássico. Além disso, ele pode navegar o ambiente mais rapidamente do que o humano responsável por treinar o sistema.

Dr. Peter Stone é professor e presidente do Consórcio de Robótica da UT Austin.

“Do ponto de vista do aprendizado de máquina, o APPLD contrasta com os sistemas de aprendizado de ponta a ponta que tentam aprender o sistema de navegação inteiro do zero”, disse Stone. “Essas abordagens tendem a exigir muitos dados e podem levar a comportamentos que não são seguros nem robustos. O APPLD aproveita as partes do sistema de controle que foram cuidadosamente projetadas, enquanto se concentra no processo de ajuste de parâmetros, que é frequentemente feito com base na intuição de uma única pessoa.”

O novo sistema permite que não especialistas no campo de robótica treinem e melhorem a navegação de veículos autônomos. Por exemplo, um número ilimitado de usuários pode fornecer os dados necessários para o sistema melhorar a si mesmo, em vez de depender de um grupo de engenheiros especializados para alterar o sistema manualmente.

Dr. Jonathan Fink é um pesquisador do Exército.

“Os sistemas de navegação autônoma atuais geralmente devem ser ajustados manualmente para cada novo ambiente de implantação”, disse Fink. “Esse processo é extremamente difícil – deve ser feito por alguém com treinamento extensivo em robótica e exige muita tentativa e erro até que as configurações corretas do sistema sejam encontradas. Em contraste, o APPLD ajusta o sistema automaticamente assistindo um humano dirigir o sistema – algo que qualquer pessoa pode fazer se tiver experiência com um controle remoto de vídeo game. Durante a implantação, o APPLD também permite que o sistema se ajuste novamente em tempo real à medida que o ambiente muda.”

Uso Militar

Esse sistema seria útil para o Exército, que atualmente está trabalhando no desenvolvimento de veículos de combate modernizados e opcionalmente tripulados e veículos de combate robóticos. Atualmente, muitos dos ambientes são muito complexos até mesmo para os melhores sistemas de navegação autônoma.

Dr. Xuesu Xiao é um pesquisador pós-doutorado na UT Austin e autor principal do artigo.

“Além da relevância imediata para o Exército, o APPLD também cria a oportunidade de fechar a lacuna entre as abordagens de engenharia tradicionais e as técnicas de aprendizado de máquina emergentes, para criar robôs móveis robustos, adaptáveis e versáteis no mundo real”, disse Xiao.

O sistema APPLD agora será testado em vários ambientes ao ar livre diferentes. A equipe de pesquisadores também verificará se informações adicionais de sensores podem ajudar os sistemas a aprender comportamentos mais complexos.