USA:s militär närmar sig autonoma terrängfordon för strid

Forskare vid US 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 experimentell autonom markfordon från armén.

Forskningen publicerades i IEEE Robotics and Automation Letters. Arbetet heter “APPLD: Adaptiv planeringsparameterinlärning från 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”, sa Warnell. “Tekniker som dessa kommer att vara en viktig bidrag till arméns planer på att utforma och utrusta nästa generations stridsfordon som kan navigera autonomt i terrängmiljöer.”

För att utveckla det nya systemet kombinerade forskarna maskinlärningsalgoritmer från demonstrationer 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 en vanlig Xbox-trådlös kontroll, tillät APPLD att lära sig hur man stämmer av fordonets befintliga autonoma navigeringssystem på olika sätt beroende på den specifika lokala miljön”, sa Warnell. “Till exempel, när det var i en trång korridor, bromsade den mänskliga föraren och körde försiktigt. Efter att ha observerat detta beteende lärde sig det autonoma systemet att också minska sin maximala hastighet och öka sin beräkningsbudget i liknande miljöer. Detta möjliggjorde slutligen för fordonet att 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 var ansvarig för utbildningen.

Dr. Peter Stone är professor och ordförande för Robotik-konsortiet vid UT Austin.

“Ur ett maskinlärningsperspektiv skiljer sig APPLD från så kallade slut-till-slut-lärande system som försöker lära sig hela navigeringssystemet från scratch”, sa Stone. “Dessa tillvägagångssätt tenderar att kräva mycket data och kan leda till beteenden som varken är säkra eller robusta. APPLD utnyttjar de delar av styrsystemet som har utformats noggrant, samtidigt som det fokuserar sin maskinlärningsinsats på parametertilläggsprocessen, som ofta görs baserat på en enda persons intuition.”

Det nya systemet tillåter icke-experter inom området robotik att utbilda och förbättra autonoma fordonets navigering. 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 experteringeniörer för att manuellt ändra systemet.

Dr. Jonathan Fink är en arméforskare.

“Nuvarande autonoma navigeringssystem måste vanligtvis justeras för hand för varje ny distributionsmiljö”, sa 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 själv i realtid när miljön ändras.”

Militär användning

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

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

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

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