header-logo

Comunicación de marketing impulsada por inteligencia artificial

iCrowdNewswire Spanish

Robots de enseñanza a ser compañeros más confiables para los soldados

Jul 16, 2018 5:00 AM ET
Un pequeño no tripulado Clearpath Husky robot, que fue utilizado por los investigadores de la ARL a desarrollar una nueva técnica para enseñar rápidamente robots comportamientos novela traversal con mínima supervisión humana.
Crédito: Ejército de los E.E.U.U.
 
 

Investigadores en el laboratorio de investigación del ejército de Estados Unidos y el Instituto de robótica en la Universidad Carnegie Mellon desarrollaron una nueva técnica para enseñar rápidamente robots comportamientos novela traversal con mínima supervisión humana.

La técnica permite plataformas de robot móvil para desplazarse autónomamente en ambientes mientras que llevar a cabo acciones de un ser humano espera del robot en una situación dada.

Los experimentos del estudio recientemente publicados y presentados en el Institute of Electrical y Electronics Engineers Conferencia Internacional sobre robótica y automatización en Brisbane, Australia.

Investigadores ARL DRS. Maggie Wigness y John Rogers entabló conversaciones cara a cara con cientos de asistentes a la Conferencia durante su presentación interactiva de dos y una mitad hora.

Según Wigness, uno de los objetivos del equipo de investigación en la investigación de sistemas autónomos es proporcionar compañeros de robot autónomo confiable al soldado.

“Si un robot actúa como un compañero de equipo, tareas pueden realizarse más rápidamente y puede obtener más conocimiento de la situación”, dijo Wigness. “Además, compañeros de robot pueden utilizarse como un investigador inicial para situaciones potencialmente peligrosas, manteniendo a soldados más daño.”

Para lograr esto, Wigness dijo que el robot debe ser capaz de usar su inteligencia aprendida para percibir, la razón y tomar decisiones.

“Esta investigación se centra en cómo inteligencia robot puede aprender de algunas manifestaciones de ejemplo humano”, dijo Wigness. “El proceso de aprendizaje es rápido y requiere mínima manifestación humana, lo que es una técnica de aprendizaje ideal para on-the-fly cuando cambian los requisitos de la misión de aprendizaje en el campo”.

ARL y CMU investigadores centraron su investigación inicial en el aprendizaje de comportamientos de traversal del robot con respecto a la percepción visual de la robusteza del terreno y objetos en el ambiente.

Más específicamente, el robot fue enseñado cómo navegar desde varios puntos en el medio ambiente durante su estancia cerca de la orilla de una carretera y también cómo recorrer secretamente usando edificios como cubierta.

Según los investigadores, dados las tareas diferentes de la misión, el comportamiento aprendido traversal más apropiado puede ser activado durante la operación del robot.

Esto se hace mediante el aprovechamiento de un control óptimo inverso, también comúnmente conocido como aprendizaje de refuerzo inverso, que es una clase de aprendizaje de máquina que busca recuperar una función de recompensa dada una política óptima conocida.

En este caso, un ser humano demuestra la política óptima conduciendo un robot a lo largo de una trayectoria que mejor representa el comportamiento que se debe aprender.

Estos ejemplares de la trayectoria entonces se relacionan con las características del terreno u objeto visual, como hierba, caminos y edificios, para aprender una función de recompensa con respecto a estas características del medio ambiente.

Mientras que una investigación similar existe en el campo de la robótica, lo que está haciendo ARL es especialmente único.

“Los desafíos y escenarios operativos que nos centramos aquí en ARL son extremadamente únicos en comparación con otras investigaciones realizadas”, dijo Wigness. “Buscamos crear sistemas robóticos inteligentes que funcionan con fiabilidad en entornos de warfighter, lo que significa la escena es altamente estructurados, posiblemente ruidosa, y tenemos que hacer esto dado relativamente poco conocimiento a priori del estado actual del medio ambiente. El hecho de que nuestro planteamiento del problema es tan diferente a tantos otros investigadores permite ARL hacer un gran impacto en la investigación de sistemas autónomos. Nuestras técnicas, por la definición del problema, deben ser robustas al ruido y tienen la capacidad de aprender con relativamente pequeñas cantidades de datos”.

Según Wigness, esta investigación preliminar ha ayudado a los investigadores a demostrar la viabilidad de aprender rápidamente una codificación de comportamientos de salto.

“Como nos empuja esta investigación al siguiente nivel, vamos a empezar a centrarse en conductas más complejas, que requieran aprendizaje de características de percepción visual más justo,” dijo Wigness. “Nuestro marco de aprendizaje es lo suficientemente flexible para utilizar intel a priori que puede estar disponibles sobre un entorno. Esto podría incluir información sobre las áreas que probablemente visible por adversarios o las áreas sabidas para tener una comunicación segura. Esta información adicional puede ser relevante para algunos escenarios de misión y aprendizaje con respecto a estas características aumentaría la inteligencia del robot móvil”.

Los investigadores también están explorando cómo este tipo de comportamiento aprendizaje transferencias entre distintas plataformas móviles.

Su evaluación hasta la fecha se ha realizado con un pequeño robot no tripulado de Clearpath Husky, que tiene un campo visual de la opinión de que es relativamente baja a la tierra.

“Transferir esta tecnología a grandes plataformas introducirá nuevos puntos de vista de percepción y otra plataforma maniobrar capacidades,” dijo Wigness. “Aprender a codificar los comportamientos que se pueden transferir fácilmente entre diferentes plataformas sería sumamente valioso dado un equipo de robots heterogéneos. En este caso, el comportamiento puede aprenderse en una sola plataforma en lugar de cada plataforma individualmente.”

Esta investigación es financiada a través del ejército colaboración Alianza de tecnología robótica, o RCTA, que reúne a gobierno, instituciones industriales y académicas dirección investigación y desarrollo necesarios para permitir el despliegue de militares futuras sistemas de vehículos terrestres no tripulados que varían en tamaño de hombre-portátiles para vehículos de combate de tierra.

«ARL está posicionada para colaborar activamente con otros miembros de la RCTA, aprovechando los esfuerzos de los mejores investigadores en el ámbito académico para trabajar sobre los problemas del ejército,» dijo Rogers. “Este esfuerzo particular de investigación fue la síntesis de varios componentes de la RCTA con nuestra investigación interna; no habría sido posible si no trabajamos juntos tan de cerca.”

En última instancia, esta investigación es crucial para el futuro campo de batalla donde los soldados podrán confiar en robots con más confianza para asistir en la ejecución de las misiones.

“La capacidad para el vehículo de combate de la generación siguiente maniobra autónomamente en el optempo en el campo de batalla del futuro permitirá nuevas tácticas poderosas mientras que quita riesgo al soldado,” dijo Rogers. “Si la NGCV encuentra con condiciones no previstas que requieren la teleoperación, nuestro enfoque podría utilizarse para aprender a manejar autónomamente estos tipos de condiciones en el futuro.”

See Campaign: https://www.sciencedaily.com/releases/2018/07/180713093550.htm
Contact Information:
U.S. Army Research Laboratory

Tags:
, Wire, Artificial Intelligence Newswire, United States, Spanish

image


Keywords:  afds, afdsafds

Tags:  News