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 – дослідник армії.

“Використовуючи підходи, подібні до APPLD, теперішні солдати в існуючих навчальних закладах зможуть сприяти покращенню автономних систем 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 будуть обладнані для автономної навігації в позашляхових умовах розгортання.”

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 більш як людина, а не заміняти всю класичну систему.

Через це розгорнута система може зберігати функції, такі як оптимальність, пояснюваність та безпека, які присутні в класичних системах навігації, а також створювати 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 по-різному залежно від конкретної місцевої навколишньої середовищі,” сказав Варнелл. “Наприклад, коли в тісному коридорі, людина-водій знижувала швидкість і керувала обережно. Після спостереження за цією поведінкою автономна система вивчила, щоб також знизити свою максимальну швидкість і збільшити свій обчислювальний бюджет у подібних середовищах. Це в кінцевому підсумку дозволило транспортному засобу успішно автономно переміщатися в інших тісних коридорах, де він раніше не міг це зробити.”

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

Результати показали, що навчена система APPLD могла переміщатися в тестових середовищах більш ефективно та з меншою кількістю помилок порівняно з класичною системою. Крім того, вона могла переміщатися в середовищі швидше, ніж людина, відповідальна за навчання.

Доктор Пітер Стоун – професор і голова Робототехнічного консорціуму в UT Austin.

“З точки зору машинного навчання APPLD контрастує з так званими системами навчання з кінця в кінець, які намагаються вивчити всю систему навігації з нуля,” сказав Стоун. “Такі підходи зазвичай вимагають багато даних і можуть привести до поведінки, яка не є ні безпечною, ні надійною. APPLD використовує частини системи контролю, які були ретельно розроблені, а свою увагу зосереджує на процесі налаштування параметрів, який часто здійснюється на основі інтуїції однієї особи.”

Нова система дозволяє некваліфікованим фахівцям у галузі робототехніки навчати та покращувати автономну навігацію транспортних засобів. Наприклад, необмежена кількість користувачів могла б надати дані, необхідні для покращення системи, а не покладатися на групу фахівців-інженерів для ручного внесення змін у систему.

Доктор Джонатан Фінк – дослідник армії.

“Теперішні автономні системи навігації зазвичай повинні бути перенастроєні вручну для кожної нової середовищі розгортання,” сказав Фінк. “Цей процес дуже складний – він повинен бути здійснений особою з широкими знаннями в галузі робототехніки, і йому потрібно багато проб і помилок, поки не буде знайдено правильні налаштування системи. Натомість APPLD налаштовує систему автоматично, спостерігаючи за тим, як людина керує системою – щось, що кожен може зробити, якщо має досвід роботи з контролером відеоігри. Під час розгортання APPLD також дозволяє системі перенастроїтися в реальному часі, коли середовище змінюється.”

Військове використання

Ця система буде корисна для армії, яка зараз працює над розробкою модернізованих необов’язково керованих бойових транспортних засобів та роботизованих бойових транспортних засобів. На даний момент багато середовищ є надто складними навіть для найкращих автономних систем навігації.

Доктор Сюесю Сяо – постдокторант в UT Austin і головний автор статті.

“Крім безпосередньої актуальності для армії, APPLD також створює можливість звузити розрив між традиційними інженерними підходами та новими техніками машинного навчання, щоб створити надійні, адаптивні та універсальні мобільні роботи в реальному світі,” сказав Сяо

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