Военные США приближаются к автономным внедорожным боевым машинам

Исследователи в Командовании по разработке боевых возможностей армии США и Университете Техаса в Остине разработали алгоритм, который может иметь большое значение для автономных транспортных средств. С помощью этого алгоритма автономные наземные транспортные средства могут улучшать свои собственные системы навигации, наблюдая за тем, как человек управляет.

Подход, разработанный исследователями, называется адаптивным планированием параметров обучения на основе демонстрации, или APPLD. Он был протестирован на экспериментальной автономной наземной машине армии.

Исследование было опубликовано в IEEE Robotics and Automation Letters. Работа озаглавлена “APPLD: Адаптивное планирование параметров обучения на основе демонстрации.”

APPLD

Доктор Гарретт Уорнелл – исследователь армии.

“Используя подходы, такие как APPLD, текущие солдаты в существующих учебных заведениях смогут внести свой вклад в улучшение автономных систем, просто управляя своими транспортными средствами как обычно”, – сказал Уорнелл. “Такие техники, как эти, будут важным вкладом в планы армии по разработке и созданию следующего поколения боевых машин, оснащенных для автономной навигации в условиях внедорожной эксплуатации.”

Чтобы разработать новую систему, исследователи объединили алгоритмы машинного обучения на основе демонстрации и классические автономные системы навигации. Одной из лучших особенностей этого подхода является то, что он позволяет APPLD улучшить существующую систему, чтобы она вела себя более как человек, а не заменить всю классическую систему.

Благодаря этому, развернутая система может сохранить такие функции, как оптимальность, объяснимость и безопасность, которые присутствуют в классических системах навигации, а также создать более гибкую систему, которая может адаптироваться к новым условиям.

“Одна демонстрация вождения человека, предоставленная с помощью обычной беспроводной контроллер Xbox, позволила APPLD научиться настраивать существующую автономную систему навигации по-разному в зависимости от конкретной местной среды”, – сказал Уорнелл. “Например, когда в тесном коридоре, человек-водитель замедлил скорость и ехал осторожно. После наблюдения за этим поведением автономная система научилась также снижать свою максимальную скорость и увеличивать бюджет вычислений в аналогичных средах. Это в конечном итоге позволило транспортному средству успешно ориентироваться автономно в других тесных коридорах, где оно ранее не справлялось.”

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

Результаты показали, что обученная система APPLD могла ориентироваться в тестовых средах более эффективно и с меньшим количеством ошибок по сравнению с классической системой. Кроме того, она могла ориентироваться в среде быстрее, чем человек, ответственный за ее обучение.

Доктор Питер Стоун – профессор и председатель Консорциума по робототехнике в UT Austin.

“С точки зрения машинного обучения APPLD контрастирует с так называемыми системами обучения от начала до конца, которые пытаются выучить всю систему навигации с нуля”, – сказал Стоун. “Такие подходы, как правило, требуют много данных и могут привести к поведению, которое не является ни безопасным, ни надежным. APPLD использует те части системы управления, которые были тщательно разработаны, а также фокусирует усилия машинного обучения на процессе настройки параметров, который часто выполняется на основе интуиции одного человека.”

Новая система позволяет непрофессионалам в области робототехники обучать и улучшать навигацию автономных транспортных средств. Например, неограниченное количество пользователей может предоставить данные, необходимые для улучшения системы, а не полагаться на группу экспертных инженеров, которые вручную изменяют систему.

Доктор Джонатан Финк – исследователь армии.

“Текущие автономные системы навигации обычно должны быть настроены вручную для каждой новой среды эксплуатации”, – сказал Финк. “Этот процесс чрезвычайно сложен – он должен выполняться кем-то с обширной подготовкой в области робототехники и требует много проб и ошибок, пока не будут найдены правильные настройки системы. Напротив, APPLD настраивает систему автоматически, наблюдая за тем, как человек управляет ею – что может сделать любой, если у него есть опыт работы с контроллером видеоигры. Во время развертывания APPLD также позволяет системе настраивать себя в реальном времени, когда меняется среда.”

Военное применение

Эта система будет полезна армии, которая в настоящее время работает над разработкой современных опционально-управляемых боевых машин и роботизированных боевых машин. На данный момент многие среды слишком сложны даже для лучших автономных систем навигации.

Доктор Сюэсу Сяо – постдокторант в UT Austin и ведущий автор статьи.

“Помимо непосредственной актуальности для армии, APPLD также создает возможность моста между традиционными инженерными подходами и возникающими машинными обучающими техниками, чтобы создать надежные, адаптивные и универсальные мобильные роботы в реальном мире”, – сказал Сяо

Система APPLD теперь будет протестирована в различных наружных средах. Команда исследователей также проверит, могут ли дополнительные сенсорные данные помочь системам выучить более сложные поведения.