ABD Askeri Çıkarma Araçlarına Yakınlaşan Otonom Arazi Savaş Araçları

Amerika Birleşik Devletleri Ordusu Savaş Kabiliyetleri Geliştirme Komutanlığı’nın Askeri Araştırma Laboratuvarı ve Teksas Üniversitesi Austin’deki araştırmacılar, otonom araçlar için büyük etkileri olabilecek bir algoritma geliştirdiler. Bu algoritma ile otonom kara araçları, bir insan sürüşünü izleyerek kendi navigasyon sistemlerini geliştirebiliyor.

Araştırmacılar tarafından geliştirilen yaklaşım, gösterilen örnekten öğrenilen adaptif planlayıcı parametre öğrenimi olarak adlandırılmaktadır. Bu yöntem, bir Ordu deneysel otonom kara aracı üzerinde test edilmiştir.

Araştırma IEEE Robotics and Automation Letters dergisinde yayımlanmıştır. Çalışmanın başlığı “APPLD: Gösterilen Örnekle Öğrenilen Adaptif Planlayıcı Parametre Öğrenimi.”

APPLD

Dr. Garrett Warnell, bir Ordu araştırmacısıdır.

“APPLD gibi yaklaşımlar kullanarak, mevcut askerler mevcut eğitim tesislerinde otonom sistemlerin geliştirilmesine katkıda bulunabilecekler, sadece araçlarını normal şekilde çalıştırarak” dedi Warnell. “Bu teknikler, Ordunun next-generation savaş araçlarını tasarlamak ve geliştirmek için önemli bir katkı sağlayacak, bu araçlar out-road konuşlandırma ortamlarında otonom olarak navigasyon yapabilecekler.”

Yeni sistemin geliştirilmesi için, araştırmacılar gösterilen örnekten öğrenme algoritmalarını ve klasik otonom navigasyon sistemlerini birleştirdiler. Bu yaklaşımın en iyi özelliklerinden biri, APPLD’nin mevcut bir sistemi, insan gibi davranması için geliştirebilmesidir, tüm klasik sistemi değiştirmek yerine.

Bunun nedeni, dağıtılan sistemin, optimallik, açıklanabilirlik ve güvenlik gibi klasik navigasyon sistemlerinde bulunan özellikleri korurken, aynı zamanda yeni ortamlara adapte olabilen daha esnek bir sistem oluşturabilmesidir.

“Bir insan sürüşünün gösterilmesi, günlük bir Xbox kablosuz kontrolcü kullanarak, APPLD’nin aracı mevcut otonom navigasyon sistemini farklı yerel ortamlara göre farklı şekilde ayarlamasını sağladı” dedi Warnell. “Örneğin, dar bir koridorda, insan sürücüsü yavaşladı ve dikkatli bir şekilde sürdü. Bu davranışı gözlemledikten sonra, otonom sistem de benzer ortamlarda maksimum hızını azaltmayı ve hesaplanma bütçesini artırmayı öğrendi. Bu, aracın daha önce başarısız olduğu diğer dar koridorlarda otonom olarak navigasyon yapabilmesini sağladı.”

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

Sonuçlar, eğitilen APPLD sisteminin test ortamlarını daha verimli ve daha az hata ile navigasyon yapabildiğini gösterdi. Ayrıca, insan eğitmeni daha hızlı bir şekilde navigasyon yapabildi.

Dr. Peter Stone, UT Austin’de Robotik Konsorsiyum’un profesörü ve başkanıdır.

“Makine öğrenimi açısından, APPLD, tüm navigasyon sistemini sıfırdan öğrenmeye çalışan son-to-end öğrenme sistemleriyle karşıtlık oluşturur” dedi Stone. “Bu yaklaşımlar, çok fazla veri gerektirir ve güvenli olmayan veya dayanıklı olmayan davranışlara yol açabilir. APPLD, kontrol sisteminin dikkatli bir şekilde tasarlanmış kısımlarını kullanırken, makine öğrenimi çabasını parametre ayarlanma sürecine odaklar, bu genellikle bir kişinin sezgisine dayanır.”

Yeni sistem, robotik alanında uzman olmayanlar tarafından otonom araç navigasyonunun eğitilmesine ve geliştirilmesine olanak tanır. Örneğin, sınırsız sayıda kullanıcı, sistemin kendini geliştirmesi için gerekli verileri sağlayabilir, bu da uzman mühendislerin sistemi elle ayarlamasına gerek kalmaz.

Dr. Jonathan Fink, bir Ordu araştırmacısıdır.

“Mevcut otonom navigasyon sistemleri genellikle her yeni konuşlandırma ortamı için elle ayarlanmalıdır” dedi Fink. “Bu süreç çok zordur, bu ancak robotik alanında geniş eğitim almış kişiler tarafından yapılabilir ve doğru sistem ayarlarını bulmak için çok fazla deneme yanılma gerekir. Buna karşılık, APPLD, sistemi bir insan sürüşünü izleyerek otomatik olarak ayarlar, bu da video oyunu kontrolcüleri ile deneyimi olan herkes tarafından yapılabilir. Dağıtımda, APPLD ayrıca sistemin kendisini ortam değişikliklerine göre yeniden ayarlamasını sağlar.”

Askeri Kullanım

Bu sistem, şu anda modernize edilmiş isteğe bağlı olarak kullanılan savaş araçları ve robotik savaş araçları geliştirmekte olan Ordu için faydalı olacaktır. Şu anda, birçok ortam, hatta en iyi otonom navigasyon sistemleri için bile çok karmaşıktır.

Dr. Xuesu Xiao, UT Austin’de bir postdoctoral araştırmacı ve makalenin baş yazarıdır.

“Ordunun immediate ilgili olmasının yanı sıra, APPLD ayrıca geleneksel mühendislik yaklaşımları ile ortaya çıkan makine öğrenimi teknikleri arasında bir köprü oluşturma fırsatı sunar, bu da gerçek dünyada dayanıklı, adaptif ve çok yönlü mobil robotlar oluşturulmasına olanak tanır” dedi Xiao.

APPLD sistemi şimdi çeşitli dış ortamlarda test edilecek. Araştırmacılar ayrıca, ek sensör bilgisi sistemin daha karmaşık davranışları öğrenmesine yardımcı olup olmayacağını görecekler.