Військові США наближаються до автономних позашляхових бойових транспортних засобів

Дослідники з Командування розвитку бойових можливостей армії США та Університету Техасу в Остіні розробили алгоритм, який може мати великі наслідки для автономних транспортних засобів. За допомогою цього алгоритму автономні наземні транспортні засоби можуть покращувати свої власні системи навігації, спостерігаючи за тим, як людина керує.

Підхід, розроблений дослідниками, називається адаптивним плануванням параметрів навчання з демонстрації, або APPLD. Його було протестовано на експериментальному автономному наземному транспортному засобі армії.

Дослідження було опубліковано в IEEE Robotics and Automation Letters. Робота називається “APPLD: Адаптивне планування параметрів навчання з демонстрації.”

APPLD

Доктор Гарретт Варнелл є дослідником армії.

“За допомогою підходів, таких як APPLD, сучасні солдати в існуючих навчальних закладах зможуть покращувати автономні системи просто керуючи своїми транспортними засобами, як зазвичай,” сказав Варнелл. “Такі техніки будуть важливим внеском у плани армії щодо розробки та впровадження наступного покоління бойових транспортних засобів, які зможуть автономно рухатися в позашляхових умовах.”

Для розробки нової системи дослідники поєднали алгоритми машинного навчання з демонстрації та класичні автономні системи навігації. Однією з найкращих особливостей цього підходу є те, що він дозволяє APPLD покращувати існуючу систему, щоб вона поводилася як людина, а не замінювати всю класичну систему.

Через це розгорнута система може зберегти такі особливості, як оптимальність, пояснюваність та безпека, які присутні в класичних системах навігації, а також створити більш гнучку систему, яка може адаптуватися до нових середовищ.

“Одна демонстрація людського водіння, надана за допомогою звичайного бездротового контролера Xbox, дозволила APPLD вивчити, як налаштувати систему автономної навігації транспортного засобу інакше залежно від конкретної місцевої навколишньої середовищі,” сказав Варнелл. “Наприклад, коли в тісному коридорі, людина-водій знижувала швидкість та керувала обережно. Після спостереження за цією поведінкою автономна система вивчила, як зменшити свою максимальну швидкість та збільшити бюджет обчислень у подібних умовах. Це в кінцевому підсумку дозволило транспортному засобу успішно автономно рухатися в інших тісних коридорах, де раніше він зазнавав невдачі.”

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

Результати показали, що навчена система APPLD могла рухатися в тестових середовищах більш ефективно та з меншою кількістю помилок порівняно з класичною системою. Крім того, вона могла рухатися в середовищі швидше, ніж людина, яка займалася навчанням.

Доктор Пітер Стоун є професором та головою консорціуму робототехніки в UT Austin.

“З точки зору машинного навчання APPLD відрізняється від так званих систем навчання з кінця в кінець, які намагаються вивчити всю систему навігації з нуля,” сказав Стоун. “Ці підходи зазвичай потребують великої кількості даних та можуть призвести до поведінки, яка не є безпечною чи надійною. APPLD використовує частини системи контролю, які були ретельно розроблені, а також зосереджує зусилля машинного навчання на процесі налаштування параметрів, який часто здійснюється на основі інтуїції однієї особи.”

Нова система дозволяє некваліфікованим особам у сфері робототехніки тренувати та покращувати автономну навігацію транспортних засобів. Наприклад, необмежена кількість користувачів могла б надати дані, необхідні для покращення системи, а не покладатися на групу інженерів-експертів для ручного налаштування системи.

Доктор Джонатан Фінк є дослідником армії.

“Поточні автономні системи навігації зазвичай повинні бути перенастроєні вручну для кожного нового середовища розгортання,” сказав Фінк. “Цей процес дуже складний – він повинен бути здійснений особою з великим досвідом у сфері робототехніки, а також вимагає великої кількості проб та помилок, поки не будуть знайдені правильні налаштування системи. Навпаки, APPLD налаштовує систему автоматично, спостерігаючи за тим, як людина керує системою – щось, що кожна людина може зробити, якщо має досвід роботи з контролером відеоігри. Під час розгортання APPLD також дозволяє системі перенастроїти себе в режимі реального часу, коли середовище змінюється.”

Військове використання

Ця система буде корисна для армії, яка зараз працює над розробкою сучасних бойових транспортних засобів з можливістю(optional) керуванням та роботизованими бойовими транспортними засобами. На даний момент багато середовищ є надто складними навіть для найкращих автономних систем навігації.

Доктор Сюесю Сяо є постдоктором в UT Austin та головним автором статті.

“Крім безпосередньої актуальності для армії, APPLD також створює можливість зв’язати традиційні інженерні підходи з новими машинними навчальними техніками, щоб створити надійні, адаптивні та універсальні мобільні роботизовані транспортні засоби у реальному світі,” сказав Сяо.

Система APPLD тепер буде протестована в різних зовнішніх середовищах. Команда дослідників також буде перевіряти, чи можуть додаткові дані про сенсори допомогти системам вивчити більш складну поведінку.