USA:s militär närmar sig autonoma terrängfordon för strid

Forskare vid U.S. Army Combat Capabilities Development Commands Army Research Laboratory och University of Texas at Austin har utvecklat en algoritm som kan ha stor betydelse för autonoma fordon. Med algoritmen kan autonoma markfordon förbättra sina egna navigeringssystem genom att titta på en människa som kör.

Tillvägagångssättet som utvecklats av forskarna kallas adaptiv planeringsparameterinlärning från demonstration, eller APPLD. Det testades på en arméns experimentella autonomt markfordon.

Forskningen publicerades i IEEE Robotics and Automation Letters. Arbetet har titeln “APPLD: Adaptive Planner Parameter Learning From Demonstration.”

APPLD

Dr. Garrett Warnell är en arméforskare.

“Med tillvägagångssätt som APPLD kommer nuvarande soldater i befintliga utbildningsanläggningar att kunna bidra till förbättringar av autonoma system genom att bara köra sina fordon som vanligt”, säger Warnell. “Tekniker som dessa kommer att vara en viktig bidrag till arméns planer på att utforma och utrusta nästa generations stridsfordon som är utrustade för att navigera autonomt i terrängmiljöer.”

För att utveckla det nya systemet kombinerade forskarna maskinlärning från demonstrationsalgoritmer och klassiska autonoma navigeringssystem. En av de bästa funktionerna i detta tillvägagångssätt är att det tillåter APPLD att förbättra ett befintligt system för att bete sig mer som en människa, snarare än att ersätta hela det klassiska systemet. 

På grund av detta kan det distribuerade systemet behålla funktioner som optimalitet, förklarbarhet och säkerhet, som finns i klassiska navigeringssystem, samtidigt som det skapar ett mer flexibelt system som kan anpassa sig till nya miljöer.

“En enda demonstration av mänskligt körande, som tillhandahålls med hjälp av en vanlig Xbox-trådlös kontroll, tillät APPLD att lära sig hur man kan justera fordonets befintliga autonoma navigeringssystem på olika sätt beroende på den specifika lokala miljön”, säger Warnell. “Till exempel, när man är i en trång korridor, saktade den mänskliga föraren ner och körde försiktigt. Efter att ha observerat detta beteende lärde sig det autonoma systemet också att minska sin maximala hastighet och öka sin beräkningsbudget i liknande miljöer. Detta möjliggjorde slutligen för fordonet att framgångsrikt navigera autonomt i andra trånga korridorer där det tidigare misslyckats.”

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

Resultaten visade att det tränade APPLD-systemet kunde navigera i testmiljöerna mer effektivt och med färre misstag jämfört med det klassiska systemet. Dessutom kunde det också navigera i miljön snabbare än den mänskliga föraren som ansvarade för utbildningen. 

Dr. Peter Stone är professor och ordförande för Robotics Consortium vid UT Austin.

“Ur ett maskinlärningsperspektiv kontrasterar APPLD mot så kallade slut-till-slut-lärande system som försöker lära sig hela navigeringssystemet från scratch”, säger Stone. “Dessa tillvägagångssätt tenderar att kräva mycket data och kan leda till beteenden som varken är säkra eller robusta. APPLD utnyttjar de delar av kontrollsystemet som har varit noggrant utformade, medan det fokuserar sitt maskinlärningsarbete på parametertuneringsprocessen, som ofta görs baserat på en enda persons intuition.”

Det nya systemet tillåter icke-experter inom området robotik att utbilda och förbättra autonomt fordonnavigering. Till exempel kunde ett obegränsat antal användare tillhandahålla de data som behövs för systemet att förbättra sig själv, snarare än att förlita sig på en grupp experttekniker för att manuellt ändra systemet.

Dr. Jonathan Fink är en arméforskare.

“Nuvarande autonoma navigeringssystem måste vanligtvis justeras för hand för varje ny distributionsmiljö”, säger Fink. “Denna process är extremt svår – den måste göras av någon med omfattande utbildning inom robotik, och den kräver mycket trial and error tills rätt systeminställningar kan hittas. I kontrast tillåter APPLD systemet att justera sig automatiskt genom att titta på en människa som kör systemet – något som vem som helst kan göra om de har erfarenhet av en videospelkontroll. Under distribution tillåter APPLD också systemet att justera sig i realtid allteftersom miljön förändras.”

Militär användning

Detta system skulle vara användbart för armén, som för närvarande arbetar på att utveckla moderniserade valbara stridsfordon och robotfordon. Just nu är många av miljöerna för komplexa för även de bästa autonoma navigeringssystemen. 

Dr. Xuesu Xiao är en postdoktoralforskare vid UT Austin och huvudförfattare till artikeln.

“Förutom den omedelbara relevansen för armén skapar APPLD också möjligheten att överbrygga gapet mellan traditionella ingenjörstekniker och framväxande maskinlärningstekniker, för att skapa robusta, anpassningsbara och mångsidiga mobila robotar i den verkliga världen”, säger Xiao

APPLD-systemet kommer nu att testas i olika utomhusmiljöer. Forskarteamet kommer också att se om ytterligare sensorinformation kan hjälpa systemen att lära sig mer komplexa beteenden.