I militari statunitensi si avvicinano ai veicoli da combattimento fuoristrada autonomi

I ricercatori del Laboratorio di ricerca dell’esercito del Comando per lo sviluppo delle capacità di combattimento dell’esercito americano e dell’Università del Texas ad Austin hanno sviluppato un algoritmo che potrebbe avere grandi implicazioni per i veicoli autonomi. Con l’algoritmo, i veicoli terrestri autonomi sono in grado di migliorare i propri sistemi di navigazione osservando una guida umana.

L’approccio sviluppato dai ricercatori è chiamato apprendimento dei parametri del pianificatore adattivo dalla dimostrazione o APPLD. È stato testato su un veicolo terrestre autonomo sperimentale dell’esercito.

La ricerca è stata pubblicata su IEEE Robotics and Automation Letters. Il lavoro è intitolato “ APPLD: Adaptive Planner Parameter Learning From Demonstration. “

APPLD
Il dottor Garrett Warnell è un ricercatore dell’esercito.

“Utilizzando approcci come APPLD, i soldati attuali nelle strutture di addestramento esistenti saranno in grado di contribuire al miglioramento dei sistemi autonomi semplicemente azionando i loro veicoli normalmente”, ha detto Warnell. “Tecniche come queste saranno un importante contributo ai piani dell’esercito per progettare e mettere in campo veicoli da combattimento di nuova generazione che sono equipaggiati per navigare autonomamente in ambienti di dispiegamento fuoristrada”.

Per sviluppare il nuovo sistema, i ricercatori hanno combinato l’apprendimento automatico da algoritmi dimostrativi e sistemi di navigazione autonomi classici. Una delle migliori caratteristiche di questo approccio è che consente a APPLD di migliorare un sistema esistente al fine di comportarsi più come un essere umano, piuttosto che sostituire l’intero sistema classico.

Per questo motivo, il sistema implementato è in grado di mantenere caratteristiche come l’ottimalità, la spiegabilità e la sicurezza, che sono presenti nei sistemi di navigazione classici, creando anche un sistema più flessibile in grado di adattarsi a nuovi ambienti.

“Una singola dimostrazione della guida umana, fornita utilizzando un normale controller wireless Xbox, ha permesso a APPLD di imparare come regolare il sistema di navigazione autonomo esistente del veicolo in modo diverso a seconda del particolare ambiente locale”, ha detto Warnell. “Ad esempio, quando in un corridoio stretto, l’autista umano ha rallentato e ha guidato con cautela. Dopo aver osservato questo comportamento, il sistema autonomo ha imparato a ridurre anche la sua velocità massima e ad aumentare il suo budget di calcolo in ambienti simili. Alla fine, questo ha permesso al veicolo di navigare con successo in modo autonomo in altri corridoi stretti dove in precedenza aveva fallito “.

I risultati hanno dimostrato che il sistema APPLD addestrato potrebbe navigare negli ambienti di test in modo più efficiente e con meno errori rispetto al sistema classico. Inoltre, potrebbe anche navigare nell’ambiente più velocemente dell’essere umano responsabile dell’addestramento.

Il Dr. Peter Stone è professore e presidente del Robotics Consortium presso l’UT Austin.

“Dal punto di vista dell’apprendimento automatico, APPLD contrasta con i cosiddetti sistemi di apprendimento end-to-end che tentano di apprendere l’intero sistema di navigazione da zero”, ha affermato Stone. “Questi approcci tendono a richiedere molti dati e possono portare a comportamenti che non sono né sicuri né robusti. APPLD sfrutta le parti del sistema di controllo che sono state progettate con cura, concentrando al contempo il suo sforzo di apprendimento automatico sul processo di regolazione dei parametri, che spesso viene eseguito sulla base dell’intuizione di una singola persona “.

Il nuovo sistema consente ai non esperti nel campo della robotica di addestrare e migliorare la navigazione autonoma dei veicoli. Ad esempio, un numero illimitato di utenti potrebbe fornire i dati necessari al sistema per migliorarsi, piuttosto che fare affidamento su un gruppo di ingegneri esperti per modificare manualmente il sistema.

Il dottor Jonathan Fink è un ricercatore dell’esercito.

“Gli attuali sistemi di navigazione autonoma in genere devono essere riconfigurati manualmente per ogni nuovo ambiente di distribuzione”, ha affermato Fink. “Questo processo è estremamente difficile: deve essere eseguito da qualcuno con una formazione approfondita in robotica e richiede molte prove ed errori fino a quando non è possibile trovare le giuste impostazioni di sistema. Al contrario, APPLD regola automaticamente il sistema guardando un essere umano che guida il sistema, cosa che chiunque può fare se ha esperienza con un controller per videogiochi. Durante la distribuzione, APPLD consente inoltre al sistema di sintonizzarsi nuovamente in tempo reale man mano che l’ambiente cambia “.

Uso militare
Questo sistema sarebbe utile all’esercito, che sta attualmente lavorando allo sviluppo di veicoli da combattimento con equipaggio opzionale e veicoli da combattimento robotici modernizzati. Al momento, molti degli ambienti sono troppo complessi anche per i migliori sistemi di navigazione autonoma.

Il dottor Xuesu Xiao è un ricercatore post-dottorato presso l’UT Austin e l’autore principale dell’articolo.

“Oltre alla rilevanza immediata per l’esercito, APPLD crea anche l’opportunità di colmare il divario tra gli approcci ingegneristici tradizionali e le tecniche emergenti di apprendimento automatico, per creare robot mobili robusti, adattivi e versatili nel mondo reale”, ha affermato Xiao

Il sistema APPLD verrà ora testato in diversi ambienti esterni. Il team di ricercatori verificherà anche se ulteriori informazioni sui sensori possono aiutare i sistemi ad apprendere comportamenti più complessi.

Di ihal

Utilizzando il sito, accetti l'utilizzo dei cookie da parte nostra. maggiori informazioni

Questo sito utilizza i cookie per fornire la migliore esperienza di navigazione possibile. Continuando a utilizzare questo sito senza modificare le impostazioni dei cookie o cliccando su "Accetta" permetti il loro utilizzo.

Chiudi