Quân đội Mỹ đang đến gần hơn với xe chiến đấu tự hành đường bộ

Các nhà nghiên cứu tại Bộ Chỉ huy Phát triển Khả năng Chiến đấu của Lục quân Mỹ và Đại học Texas tại Austin đã phát triển một thuật toán có thể có những ý nghĩa lớn đối với xe tự hành. Với thuật toán này, xe tự hành mặt đất có thể cải thiện hệ thống điều hướng của mình bằng cách quan sát một người lái xe.

Phương pháp được phát triển bởi các nhà nghiên cứu được gọi là học từ biểu diễn thích nghi, hoặc APPLD. Nó đã được thử nghiệm trên một xe tự hành mặt đất thí nghiệm của Lục quân.

Nghiên cứu này đã được công bố trên Tạp chí Thư tín Robotics và Tự động hóa IEEE. Công việc này có tiêu đề “APPLD: Học từ biểu diễn thích nghi.”

APPLD

Tiến sĩ Garrett Warnell là một nhà nghiên cứu của Lục quân.

“Sử dụng các phương pháp như APPLD, các binh sĩ hiện tại trong các cơ sở đào tạo hiện có sẽ có thể đóng góp vào việc cải thiện hệ thống tự hành chỉ bằng cách vận hành xe của họ như bình thường,” Warnell nói. “Các kỹ thuật như thế này sẽ là một đóng góp quan trọng cho kế hoạch của Lục quân trong việc thiết kế và triển khai các xe chiến đấu thế hệ tiếp theo có khả năng điều hướng tự hành trong môi trường triển khai ngoài đường.”

Để phát triển hệ thống mới, các nhà nghiên cứu đã kết hợp thuật toán học từ biểu diễn và hệ thống điều hướng tự hành cổ điển. Một trong những tính năng tốt nhất của phương pháp này là nó cho phép APPLD cải thiện một hệ thống hiện có để hành xử giống như con người, thay vì thay thế toàn bộ hệ thống cổ điển.

Do đó, hệ thống được triển khai có thể giữ lại các tính năng như tối ưu, giải thích và an toàn, vốn có trong các hệ thống điều hướng cổ điển, đồng thời tạo ra một hệ thống linh hoạt hơn có thể thích nghi với các môi trường mới.

“Một biểu diễn duy nhất của lái xe con người, được cung cấp bằng bộ điều khiển không dây Xbox thông thường, đã cho phép APPLD học cách điều chỉnh hệ thống điều hướng tự hành hiện có khác nhau tùy thuộc vào môi trường cục bộ cụ thể,” Warnell nói. “Ví dụ, khi trong một hành lang hẹp, người lái xe đã giảm tốc độ và lái xe cẩn thận. Sau khi quan sát hành vi này, hệ thống tự hành đã học cách giảm tốc độ tối đa và tăng ngân sách tính toán trong các môi trường tương tự. Điều này cuối cùng đã cho phép xe tự hành điều hướng thành công trong các hành lang hẹp khác mà trước đây nó đã thất bại.”

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

Kết quả đã chứng minh rằng hệ thống APPLD được đào tạo có thể điều hướng các môi trường thử nghiệm hiệu quả hơn và với ít lỗi hơn so với hệ thống cổ điển. Ngoài ra, nó cũng có thể điều hướng môi trường nhanh hơn người lái xe chịu trách nhiệm đào tạo nó.

Tiến sĩ Peter Stone là giáo sư và chủ tịch Liên minh Robotics tại UT Austin.

“Từ góc độ học máy, APPLD trái ngược với các hệ thống học từ đầu đến cuối cố gắng học toàn bộ hệ thống điều hướng từ đầu,” Stone nói. “Các phương pháp này thường đòi hỏi nhiều dữ liệu và có thể dẫn đến các hành vi không an toàn hoặc không mạnh mẽ. APPLD tận dụng các phần của hệ thống điều khiển đã được thiết kế cẩn thận, đồng thời tập trung nỗ lực học máy vào quá trình điều chỉnh tham số, thường được thực hiện dựa trên trực giác của một người.”

Hệ thống mới cho phép những người không chuyên trong lĩnh vực robot có thể đào tạo và cải thiện điều hướng xe tự hành. Ví dụ, một số lượng người dùng không giới hạn có thể cung cấp dữ liệu cần thiết để hệ thống cải thiện bản thân, thay vì dựa vào một nhóm kỹ sư chuyên gia để điều chỉnh hệ thống thủ công.

Tiến sĩ Jonathan Fink là một nhà nghiên cứu của Lục quân.

“Các hệ thống điều hướng tự hành hiện tại thường phải được điều chỉnh lại bằng tay cho mỗi môi trường triển khai mới,” Fink nói. “Quá trình này cực kỳ khó khăn – nó phải được thực hiện bởi người có đào tạo chuyên sâu về robot, và nó đòi hỏi nhiều thử nghiệm và sai sót cho đến khi tìm thấy các cài đặt hệ thống phù hợp. Ngược lại, APPLD điều chỉnh hệ thống tự động bằng cách quan sát người lái xe – điều mà bất kỳ ai cũng có thể làm nếu họ có kinh nghiệm với bộ điều khiển trò chơi điện tử. Trong quá trình triển khai, APPLD cũng cho phép hệ thống tự điều chỉnh lại trong thời gian thực khi môi trường thay đổi.”

Sử dụng Quân sự

Hệ thống này sẽ hữu ích cho Lục quân, hiện đang làm việc để phát triển các phương tiện chiến đấu tùy chọn và xe chiến đấu robot hiện đại. Hiện tại, nhiều môi trường quá phức tạp cho ngay cả các hệ thống điều hướng tự hành tốt nhất.

Tiến sĩ Xuesu Xiao là một nhà nghiên cứu sau tiến sĩ tại UT Austin và là tác giả chính của bài báo.

“Ngoài ý nghĩa ngay lập tức đối với Lục quân, APPLD cũng tạo ra cơ hội để bắc cầu giữa các phương pháp kỹ thuật truyền thống và các kỹ thuật học máy mới nổi, để tạo ra các robot di động mạnh mẽ, thích nghi và đa năng trong thế giới thực,” Xiao nói.

Hệ thống APPLD sẽ được thử nghiệm trong các môi trường ngoài trời khác nhau. Nhóm nghiên cứu cũng sẽ xem liệu thông tin cảm biến bổ sung có thể giúp hệ thống học các hành vi phức tạp hơn.