Forțele Militare ale SUA se Apropie de Vehicule de Luptă Autonome pentru Teren Accidentat

Cercetătorii de la Comanda pentru Dezvoltarea Capabilităților de Luptă a Armatei SUA și de la Universitatea din Texas la Austin au dezvoltat un algoritm care ar putea avea implicații importante pentru vehiculele autonome. Cu ajutorul acestui algoritm, vehiculele autonome de teren pot îmbunătăți propriile sisteme de navigație prin observarea modului în care conduce un om.

Abordarea dezvoltată de cercetători se numește planificare adaptivă a parametrilor de învățare din demonstrație, sau APPLD. A fost testată pe un vehicul autonom experimental al armatei.

Cercetarea a fost publicată în IEEE Robotics and Automation Letters. Lucrarea se intitulează „APPLD: Planificare Adaptivă a Parametrilor de Învățare din Demonstrare.”

APPLD

Dr. Garrett Warnell este un cercetător al armatei.

„Utilizând abordări precum APPLD, soldații actuali din instalațiile de antrenament existente vor putea contribui la îmbunătățirea sistemelor autonome pur și simplu prin operarea vehiculelor lor în mod normal”, a spus Warnell. „Tehnicile precum acestea vor fi o contribuție importantă la planurile armatei de a proiecta și dezvolta vehicule de luptă de generație următoare care să fie echipate pentru a naviga autonom în medii de teren accidentat.”

Pentru a dezvolta noul sistem, cercetătorii au combinat algoritmii de învățare din demonstrație și sistemele clasice de navigație autonomă. Una dintre cele mai bune caracteristici ale acestei abordări este că permite APPLD să îmbunătățească un sistem existent pentru a se comporta mai mult ca un om, în loc de a înlocui întregul sistem clasic.

Din cauza acestui fapt, sistemul implementat poate păstra caracteristici precum optimalitatea, explicabilitatea și siguranța, care sunt prezente în sistemele clasice de navigație, în timp ce creează și un sistem mai flexibil care poate adapta mediile noi.

„O singură demonstrație a conducerii umane, oferită utilizând un controler wireless Xbox obișnuit, a permis APPLD să învețe cum să ajusteze sistemul de navigație autonomă existent al vehiculului în funcție de mediul local particular”, a spus Warnell. „De exemplu, atunci când se află într-un coridor strâmt, șoferul uman a încetinit și a condus cu atenție. După ce a observat acest comportament, sistemul autonom a învățat să-și reducă și el viteza maximă și să-și crească bugetul de calcul în medii similare. Acest lucru i-a permis în cele din urmă vehiculului să navigheze cu succes în mod autonom în alte coridoare strâmte în care anterior a eșuat.”

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

Rezultatele au demonstrat că sistemul APPLD antrenat a putut naviga în medii de testare mai eficient și cu mai puține greșeli în comparație cu sistemul clasic. În plus, a putut naviga și în mediu mai rapid decât omul responsabil cu antrenarea lui.

Dr. Peter Stone este profesor și președinte al Consorțiului de Robotică de la UT Austin.

„Din perspectiva învățării automate, APPLD se diferențiază de sistemele de învățare de la capăt la coadă care încearcă să învețe întregul sistem de navigație de la zero”, a spus Stone. „Aceste abordări tind să necesite multe date și pot duce la comportamente care nu sunt nici sigure, nici robuste. APPLD valorifică părțile sistemului de control care au fost inginerite cu atenție, concentrându-și efortul de învățare automată asupra procesului de reglare a parametrilor, care este adesea realizat pe baza intuiției unei singure persoane.”

Noul sistem permite persoanelor fără experiență în domeniul roboticii să antreneze și să îmbunătățească navigarea vehiculelor autonome. De exemplu, un număr nelimitat de utilizatori ar putea furniza datele necesare pentru ca sistemul să se îmbunătățească, în loc de a se baza pe un grup de ingineri experți pentru a modifica manual sistemul.

Dr. Jonathan Fink este un cercetător al armatei.

„Sistemele actuale de navigație autonomă trebuie, de obicei, să fie reglate manual pentru fiecare mediu de desfășurare nou”, a spus Fink. „Acest proces este extrem de dificil – trebuie realizat de către cineva cu o pregătire extinsă în robotică și necesită multă încercare și eroare până când se pot găsi setările corecte ale sistemului. În contrast, APPLD reglează sistemul în mod automat prin observarea modului în care conduce un om – ceva ce oricine poate face dacă are experiență cu un controler de jocuri video. În timpul desfășurării, APPLD permite, de asemenea, sistemului să se regleze singur în timp real pe măsură ce mediul se schimbă.”

Folosință Militară

Acest sistem ar fi de folos armatei, care lucrează în prezent la dezvoltarea de vehicule de luptă moderne, opțional echipate și vehicule de luptă robotizate. În acest moment, multe dintre medii sunt prea complexe chiar și pentru cele mai bune sisteme de navigație autonomă.

Dr. Xuesu Xiao este un cercetător postdoctoral la UT Austin și autorul principal al lucrării.

„În plus față de relevanța imediată pentru armată, APPLD creează și oportunitatea de a combina abordările tradiționale de inginerie cu tehniciile emergente de învățare automată, pentru a crea roboți mobili robusti, adaptați și versatili în lumea reală”, a spus Xiao

Sistemul APPLD va fi testat acum în diverse medii exterioare. Echipa de cercetători va verifica, de asemenea, dacă informațiile suplimentare de la senzori pot ajuta sistemele să învețe comportamente mai complexe.