Модели и платформы ИИ

Военные США приближаются к созданию автономных внедорожных боевых машин

Alex McFarland
Добавьте Unite.AI в избранные источники в Google
Ключевые моментыAPPLD позволяет автономным транспортным средствам учиться навигации, наблюдая за тем…
Показать больше
  • APPLD позволяет автономным транспортным средствам учиться навигации, наблюдая за тем, как человек управляет автомобилем с помощью геймпада Xbox.
  • Система настраивает существующие параметры навигации, а не заменяет всю классическую систему управления.
  • Обученные автомобили с APPLD перемещались по бездорожью быстрее и с меньшим количеством ошибок, чем водители-люди.

Исследователи из Командования по разработке боевых возможностей армии США и Университета Техаса в Остине разработали алгоритм, который может иметь серьезные последствия для автономных транспортных средств. С помощью этого алгоритма автономные наземные транспортные средства могут улучшать свои собственные системы навигации, наблюдая за тем, как человек управляет транспортным средством.

Разработанный исследователями подход называется адаптивным планированием параметров обучения с демонстрацией, или APPLD. Он был протестирован на экспериментальном автономном наземном транспортном средстве армии.

Исследование было опубликовано в IEEE Robotics and Automation Letters. Работа озаглавлена «APPLD: Адаптивное планирование параметров обучения с демонстрацией.»

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 методы будут важным вкладом в планы армии по разработке и созданию следующего поколения боевых машин, которые смогут автономно ориентироваться в условиях внедорожных развертываний».

Чтобы разработать новую систему, исследователи объединили алгоритмы машинного обучения с демонстрацией и классические автономные системы навигации. Одним из лучших преимуществ этого подхода является то, что он позволяет APPLD улучшать существующую систему, чтобы она вела себя более как человек, а не заменяет всю классическую систему.

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

«Одна демонстрация вождения человека, предоставленная с помощью обычной беспроводной игровой консоли Xbox, позволила APPLD научиться настраивать систему автономной навигации транспортного средства по-разному в зависимости от конкретной местной среды», – сказал Уорнелл. «Например, когда в узком коридоре, человеческий водитель замедлял скорость и ехал осторожно. После наблюдения за этим поведением автономная система научилась также снижать свою максимальную скорость и увеличивать свой вычислительный бюджет в аналогичных средах. Это в конечном итоге позволило транспортному средству успешно ориентироваться автономно в других узких коридорах, где оно ранее потерпело неудачу».

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 Робототехнического консорциума в Университете Техаса в Остине.

«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. «Эти подходы обычно требуют много данных и могут привести к поведению, которое не является ни безопасным, ни надежным. APPLD использует части системы управления, которые были тщательно разработаны, а также фокусирует усилия машинного обучения на процессе настройки параметров, который часто основан на 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, вместо того, чтобы полагаться на группу экспертов-инженеров, которые вручную изменяют систему.

Доктор Джонатан Финк – исследователь армии.

«Текущие автономные системы навигации обычно должны быть настроены вручную для каждой новой среды развертывания», – сказал Финк. «Этот процесс чрезвычайно сложен – он должен быть выполнен 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 системой – что может сделать любой, кто имеет опыт работы с игровой консолью. Во время развертывания APPLD также позволяет системе настраивать себя в реальном времени, когда меняется среда».

Военное применение

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

Доктор Сюэсу Сяо – постдокторант в Университете Техаса в Остине и ведущий автор статьи.

«Помимо непосредственной актуальности для армии, APPLD также создает возможность для моста между традиционными инженерными подходами и возникающими методами машинного обучения, 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.

Alex McFarland

Alex руководит новостными операциями Unite.AI, основанными на ИИ, объединяя журналистику, исследования и автоматизацию для обеспечения своевременного и масштабируемого освещения искусственного интеллекта. Его работа помогает эффективно выявлять новые разработки в области ИИ, при этом соблюдая редакционные стандарты издания.