Armata americană se apropie de vehicule de luptă off-road autonome

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

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

Cercetarea a fost publicată în IEEE Robotics and Automation Letters. Lucrarea se intitulează „APPLD: Planificare adaptivă a parametrilor de învățare din demonstrație.”

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. „Tehnici precum acestea vor fi o contribuție importantă la planurile armatei de a proiecta și dezvolta vehicule de luptă de generație următoare care să poată naviga autonom în medii de luptă off-road.”

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, și totodată creează un sistem mai flexibil care poate adapta la noi medii.

„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 îngust, șoferul uman a încetinit și a condus cu atenție. După ce a observat acest comportament, sistemul autonom a învățat să-și reducă viteza maximă și să-și crească bugetul de calcul în medii similare. Acest lucru i-a permis vehiculului să navigheze autonom cu succes în alte coridoare înguste în care anterior a eșuat.”

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

Rezultatele au demonstrat că sistemul APPLD antrenat a putut naviga prin medii de test mai eficient și cu mai puține greșeli în comparație cu sistemul clasic. În plus, a putut naviga prin mediu mai repede decât omul care a efectuat antrenamentul.

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 capăt care încearcă să învețe întregul sistem de navigație de la zero”, a spus Stone. „Aceste abordări necesită de obicei o cantitate mare de date și pot duce la comportamente care nu sunt nici sigure, nici robuste. APPLD folosește părțile sistemului de control care au fost proiectate cu atenție, concentrând 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 reglate manual pentru fiecare mediu de desfășurare nou”, a spus Fink. „Acest proces este extrem de dificil – trebuie efectuat de către cineva cu o pregătire extinsă în robotică și necesită multă încercare și eroare până când pot fi găsite setările corecte ale sistemului. În contrast, APPLD reglează sistemul în mod automat prin observarea modului în care un om conduce sistemul – ceva ce oricine poate face dacă are experiență cu un controler de joc video. În timpul desfășurării, APPLD permite sistemului să se regleze singur în timp real pe măsură ce mediul se schimbă.”

Utilizare 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 robotice. În prezent, 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 autor principal al lucrării.

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

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