ABD Askeri Otomatik Arazi Savaşı Araçlarına Yaklaşıyor

ABD Ordusu Savaş Kabiliyetleri Geliştirme Komutanlığı’nın Ordu 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 öğrenen uyarlanabilir planlayıcı parametre öğrenimi olarak adlandırılıyor ve APPLD olarak kısaltılıyor. Bu yöntem, bir Ordu deneysel otonom kara aracı üzerinde test edildi.

Araştırma IEEE Robotics and Automation Letters adlı dergide yayımlandı. Çalışmanın başlığı “APPLD: Gösterilen Örnekteki Uyarlanabilir Planlayıcı Parametre Öğrenimi.”

APPLD

Dr. Garrett Warnell, bir Ordu araştırmacısı.

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

Yeni sistemin geliştirilmesi için araştırmacılar, gösterilen örnekten öğrenen makine öğrenimi algoritmalarını ve klasik otonom navigasyon sistemlerini birleştirdiler. Bu yaklaşımın en iyi özelliklerinden biri, APPLD’nin mevcut bir sistemi, insan gibi davranmak için geliştirebilmesi, ancak tüm klasik sistemi değiştirmemesidir.

Bundan dolayı, dağıtılan sistem, klasik navigasyon sistemlerinde bulunan optimallik, açıklanabilirlik ve güvenlik gibi özellikleri korurken, aynı zamanda yeni ortamlara uyum sağlayabilen daha esnek bir sistem oluşturabiliyor.

“Bir insan sürüşünün tek bir gösterimi, günlük bir Xbox kablosuz kontrol cihazı kullanılarak sağlandı ve APPLD, aracın mevcut otonom navigasyon sistemini, belirli yerel ortamına bağlı olarak farklı şekilde ayarlayabildi” dedi Warnell. “Örneğin, dar bir koridorda, insan sürücüsü yavaşladı ve dikkatli 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 klasik sistemden daha verimli ve daha az hata ile navigasyon yapabildiğini gösterdi. Ayrıca, APPLD sistemi, onu eğiten insan sürücüsünden daha hızlı bir şekilde ortamı navigasyon yapabildi.

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

“Makine öğrenimi açısından APPLD, tüm navigasyon sistemini sıfırdan öğrenmeye çalışan sonlu öğrenme sistemleriyle tezat oluşturuyor” dedi Stone. “Bu yaklaşımlar genellikle çok veri gerektirir ve ne güvenli ne de dayanıklı davranışlara yol açabilir. APPLD, kontrol sisteminin dikkatli bir şekilde tasarlanmış kısımlarını kullanırken, makine öğrenimi çabasını parametre ayarlanma sürecine odaklıyor, bu genellikle bir kişinin sezgisine dayalı olarak yapılıyor.”

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, böylece uzman mühendislerin sistemi manuel olarak değiştirmesine gerek kalmaz.

Dr. Jonathan Fink, bir Ordu araştırmacısı.

“Mevcut otonom navigasyon sistemleri genellikle her yeni dağıtım ortamı için el ile ayarlanmalıdır” dedi Fink. “Bu süreç çok zordur – bu, yalnızca robotik alanında kapsamlı eğitim almış biri tarafından yapılabilir ve doğru sistem ayarlarının bulunması için çok deneme yanılma gerekir. Buna karşılık, APPLD, bir insan sürüşünü izleyerek sistemi otomatik olarak ayarlayabiliyor – bu, video oyunu kontrol cihazı deneyimine sahip herkes tarafından yapılabilir. Dağıtımda, APPLD ayrıca ortam değiştiğinde sistemi gerçek zamanlı olarak yeniden ayarlayabiliyor.”

Askeri Kullanım

Bu sistem, modernize edilmiş isteğe bağlı olarak mürettebatlı 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 postdoc araştırmacı ve makalenin baş yazarı.

“Ordunun immediate ilgili olmasının yanı sıra, APPLD ayrıca geleneksel mühendislik yaklaşımları ile ortaya çıkan makine öğrenimi tekniklerini köprülemek için bir fırsat yaratıyor, böylece gerçek dünyada dayanıklı, uyarlanabilir ve çok yönlü mobil robotlar oluşturulabiliyor” dedi Xiao.

APPLD sistemi şimdi çeşitli dış ortamlarda test edilecek. Araştırmacılar ekibi, ayrıca ek sensör bilgisi ile sistemlerin daha karmaşık davranışları öğrenip öğrenemeyeceğini görecek.