联系我们

自动驾驶汽车

美国军方逐渐接近无人驾驶越野战斗车辆

已发表

 on

美国陆军作战能力发展司令部的陆军研究实验室和德克萨斯大学奥斯汀分校的研究人员已经开发出一种算法,该算法可能会对自动驾驶汽车产生重大影响。利用该算法,自主地面车辆能够通过观察人的驾驶来改善自己的导航系统。

研究人员开发的方法称为通过演示或APPLD进行自适应规划器参数学习。它在陆军实验自主地面车辆上进行了测试。

该研究发表于 IEEE机器人与自动化快报。 该作品的标题为“申请:通过演示学习自适应计划程序参数。

申请

Garrett Warnell博士是陆军研究员。

Warnell说:“使用APPLD之类的方法,现有训练设施中的现役士兵只需简单地正常操作车辆就能够为自主系统的改进做出贡献。” “像这样的技术将对陆军设计和部署能够在越野部署环境中自动导航的下一代战斗车辆的计划做出重要贡献。”

为了开发新系统,研究人员合并了 机器学习 来自演示算法和经典自主导航系统。此方法的最佳功能之一是,它允许APPLD改进现有系统,使其行为更像人类,而不是替换整个经典系统。 

因此,部署的系统能够保留经典导航系统中存在的诸如最优性,可解释性和安全性之类的功能,同时还能创建一个更灵活的系统以适应新环境。

“使用日常Xbox无线控制器提供的一次人类驾驶演示,使APPLD学习了如何调整车辆的方法’现有的自主导航系统会根据特定的本地环境而有所不同,” Warnell said. “例如,在狭窄的走廊中,驾驶员放慢了速度,小心驾驶。在观察到这种行为之后,自治系统学会了在类似的环境中也降低其最大速度并增加其计算预算。最终,这辆车可以成功地在以前曾发生故障的其他狭窄走廊中自动导航。”

通过演示APPLD自适应计划程序参数学习(长)

在YouTube上观看此视频

结果表明,与传统系统相比,训练有素的APPLD系统可以更有效地导航测试环境,并减少错误。最重要的是,与负责培训环境的人员相比,它在环境中的导航速度也更快。 

Peter Stone博士是UT奥斯汀机器人学联盟的教授兼主席。

“从机器学习的角度来看,APPLD与所谓的端到端学习系统形成鲜明对比,后者试图从头开始学习整个导航系统,” Stone said. “这些方法往往需要大量数据,并且可能导致既不安全也不可靠的行为。 APPLD利用了经过精心设计的控制系统部分,同时将机器学习工作集中在参数调整过程上,该过程通常是由一个人完成的’s intuition.”

新系统允许机器人技术领域的非专家培训和改善自动驾驶汽车导航。例如,无限数量的用户可以提供系统改进自身所需的数据,而不是依靠一组专家工程师手动更改系统。

乔纳森·芬克(Jonathan Fink)博士是一名陆军研究员。

“通常,对于每个新的部署环境,通常都必须手动重新调整当前的自主导航系统,” said Fink. “这个过程非常困难—它必须由经过广泛的机器人技术培训的人员来完成,并且需要反复试验才能找到正确的系统设置。相比之下,APPLD通过观察人的驾驶来自动调整系统—任何有视频游戏控制器经验的人都可以做的事情。在部署过程中,APPLD还允许系统随着环境的变化实时重新调整自身。”

军事用途

该系统将用于陆军,陆军目前正在开发现代化的可选载人战斗车辆和机器人战斗车辆。到目前为止,即使是最好的自主导航系统,许多环境也过于复杂。  

肖学苏博士是美国加州大学奥斯汀分校的博士后研究员,也是该论文的主要作者。

“除了与陆军直接相关之外,APPLD还为弥合传统工程方法与新兴机器学习技术之间的鸿沟提供了机会,从而在现实世界中创建强大,自适应和多功能的移动机器人,” said Xiao

现在将在各种不同的室外环境中测试APPLD系统。研究人员团队还将查看其他传感器信息是否可以帮助系统学习更复杂的行为。