Vojáci mohou učit budoucí roboty, jak překonat lidi

Datum 30.08.2020

Vědci navrhli algoritmus, který umožňuje autonomnímu pozemnímu vozidlu zlepšit své stávající navigační systémy sledováním lidské jízdy.

Vědecké týmy americké armádní výzkumné laboratoře a University of Texas v Austinu navrhli algoritmus, který umožňuje autonomnímu pozemnímu vozidlu vylepšit stávající navigační systémy sledováním lidské jízdy. Tým testoval svůj přístup – tzv. APPLD (adaptive planner parameter learning from demonstration) – na jednom z experimentálních autonomních pozemních vozidel americké armády.

“Pomocí APPLD budou současní vojáci ve stávajících výcvikových zařízeních moci přispět ke zlepšení autonomních systémů pouhým provozováním svých vozidel jako obvykle,” řekl armádní vědec Dr. Garrett Warnell. “Tyto techniky budou významným příspěvkem k plánům armády navrhnout a postavit bojová vozidla nové generace, která jsou vybavena pro autonomní navigaci v terénu.”

Vědci spojili strojové učení z algoritmů a klasičtějších autonomních navigačních systémů. Spíše než nahrazování klasického systému úplně, APPLD se učí, jak naladit stávající systém tak, aby se choval spíše jako lidský projev. Toto paradigma umožňuje, aby si nasazený systém zachoval všechny výhody klasických navigačních systémů – jako je optimalita, vysvětlitelnost a bezpečnost – a zároveň umožňuje, aby byl systém flexibilní a přizpůsobitelný novým prostředím, uvedl Warnell.

Tento výzkum je součástí iniciativy Army Open Campus, jejímž prostřednictvím vědci americké armády v Texasu spolupracují s akademickými partnery v UT Austin. Experimenty týmu ukázaly, že po tréninku byl systém APPLD schopen navigovat testovací prostředí rychleji a s menším počtem chyb než s klasickým systémem. Takto vycvičený systém APPLD se navíc často navigoval v prostředí rychleji než člověk, který jej trénoval.

APPLD představuje nové paradigma, ve kterém mohou lidé bez znalostí robotiky na odborné úrovni pomáhat trénovat a zlepšovat autonomní navigaci vozidel v různých prostředích. Spíše než malé týmy inženýrů, kteří se snaží ručně vyladit navigační systémy v malém počtu testovacích prostředí, by prakticky neomezený počet uživatelů byl schopen poskytnout systému data, která potřebuje k naladění na neomezený počet prostředí.

“Současné autonomní navigační systémy musí být pro každé nové prostředí obvykle znovu vyladěny,” řekl výzkumník armády Dr. Jonathan Fink. „Tento proces je nesmírně obtížný – musí ho provést někdo, kdo má rozsáhlé školení v robotice, a vyžaduje mnoho pokusů a omylů, dokud není nalezeno správné nastavení systému. Naproti tomu APPLD systém automaticky vyladí sledováním člověka řídicího systém – něco, co může dělat kdokoli, pokud má zkušenosti s ovládáním videoher. Během nasazení APPLD také umožňuje systému, aby se v reálném čase znovu naladil podle změn prostředí.“

Zaměření armády na modernizaci bojového vozidla nové generace zahrnuje navrhování jak bojových vozidel s posádkou, tak robotických bojových vozidel, která se mohou samostatně pohybovat nasazení v terénu. Zatímco nyní se vojáci dokáží navigovat v těchto prostředích a řídit současná bojová vozidla, pro autonomní navigační systémy může být prostředí příliš náročné. APPLD a podobné přístupy poskytují armádě nový potenciální způsob, jak zlepšit stávající autonomní navigační schopnosti.

„Kromě bezprostředního významu pro armádu vytváří APPLD také příležitost překlenout propast mezi tradičními inženýrskými přístupy a novými technikami strojového učení, vytvořit robustní, přizpůsobivé a univerzální mobilní roboty v reálném světě,“ řekl Dr. Xuesu Xiao, postdoktorský výzkumník v UT Austin a hlavní autor příspěvku.

Pro pokračování v tomto výzkumu bude tým testovat systém APPLD v různých venkovních prostředích, zaměstnávat řidiče a experimentovat s širší paletou existujících autonomních navigačních přístupů. Vědci dále prozkoumají, zda zahrnutí dalších informací o senzorech, jako jsou obrázky z kamer, může vést k učení složitějších chování, jako je vyladění navigačního systému tak, aby fungoval za různých podmínek, například v jiném terénu nebo s dalšími přítomnými objekty.