Apprendimento applicato ai veicoli terrestri: Migliorare le prestazioni dei veicoli terrestri attraverso l'apprendimento della visione artificiale

Di Fouad Sabry

Cos'è l'apprendimento applicato ai veicoli terrestri

L'iniziativa Learning Applied to Ground Vehicles (LAGR), operativa dal 2004 al 2008, è stata progettata con l'intento di accelerare lo sviluppo della navigazione fuoristrada autonoma, basata sulla percezione nei veicoli terrestri robotici senza pilota (UGV). La DARPA, un'agenzia di ricerca del Dipartimento della Difesa degli Stati Uniti d'America, ha fornito finanziamenti al LAGR.

Come trarrai beneficio

(I) Approfondimenti e convalide sui seguenti argomenti:

Capitolo 1: Programma DARPA LAGR

Capitolo 2: DARPA

Capitolo 3: Robot autonomo

Capitolo 4: Robot militare

Capitolo 5: Grande sfida DARPA

Capitolo 6: Veicolo terrestre senza pilota

Capitolo 7: Sperimentazione europea di robot terrestri

Capitolo 8: Robot mobile

Capitolo 9: Frantumatore (robot)

Capitolo 10: Centro nazionale di ingegneria robotica

(II) Rispondere alle principali domande del pubblico sull'apprendimento applicato ai veicoli terrestri.

(III) Esempi reali di utilizzo dell'apprendimento applicato ai veicoli terrestri in molti campi.

A chi è rivolto questo libro

Professionisti, studenti universitari e laureati, appassionati, hobbisti e coloro che vogliono andare oltre le conoscenze o le informazioni di base per qualsiasi tipo di Apprendimento Applicato ai Veicoli Terrestri.

• Lingua: Italiano
• Editore: Un Miliardo Di Ben Informato [Italian]
• Data di uscita: 5 mag 2024

Anteprima del libro

Capitolo 1: Programma DARPA LAGR

Il programma Learning Applied to Ground Vehicles (LAGR), durato dal 2004 al 2008, mirava ad accelerare la navigazione fuoristrada autonoma, basata sulla percezione, nei veicoli terrestri robotici senza pilota (UGV). La DARPA, il braccio di ricerca del Dipartimento della Difesa degli Stati Uniti, ha sostenuto il LAGR.

Mentre i robot mobili (ad esempio Shakey) esistono dagli anni '60, i progressi nello sviluppo di robot in grado di viaggiare all'aperto, fuoristrada e su terreni con numerosi ostacoli sono stati graduali. In realtà, non esistevano criteri definiti per monitorare i progressi. Gruppi di ricerca separati hanno messo in campo auto robotiche in test governativi non provati che hanno monitorato la velocità media e il numero di interventi richiesti dall'operatore lungo un percorso prestabilito con waypoint ampiamente distanziati. Questi test hanno rivelato le enormi difficoltà associate alla navigazione fuoristrada. Mentre i veicoli PerceptOR erano dotati di sensori e algoritmi all'avanguardia all'inizio del 21° secolo, la portata limitata della loro tecnologia di percezione li ha fatti rimanere bloccati in vicoli ciechi naturali. Inoltre, la loro dipendenza da comportamenti predeterminati ha impedito loro di adattarsi a eventi imprevisti. Fatta eccezione per il terreno essenzialmente aperto con pochi ostacoli o lungo strade sterrate, le vetture PerceptOR non erano in grado di navigare senza l'assistenza ripetitiva e frequente dell'operatore.

L'iniziativa LAGR aveva lo scopo di espandere la tecnica PerceptOR, affrontando al contempo i problemi tecnologici mostrati dai test PerceptOR.

L'obiettivo primario di LAGR era quello di accelerare la navigazione off-road degli UGV. Ulteriori obiettivi sinergici includevano (1) la definizione di una metodologia di benchmarking per misurare i progressi dei robot autonomi che operano in ambienti non strutturati, (2) l'avanzamento della visione artificiale e quindi la percezione a lungo raggio, e (3) l'aumento del numero di istituzioni e individui in grado di contribuire alla ricerca UGV all'avanguardia.

Invece di concentrarsi su un nuovo hardware, il programma LAGR aveva lo scopo di enfatizzare lo sviluppo di nuove scienze per la percezione e il controllo dei robot. Così, si è deciso di fornire ai ricercatori del LAGR, che erano membri di team concorrenti, una flotta di robot identici e relativamente semplici, consentendo loro di concentrarsi sullo sviluppo di algoritmi. A ogni squadra sono stati forniti due robot di progettazione standard. Hanno creato un nuovo software per questi robot e poi hanno inviato il codice a un team di test governativo, che ha testato il software su robot governativi in diversi corsi di prova. Questi corsi erano sparsi per gli Stati Uniti ed erano precedentemente sconosciuti alle squadre. In questo modo, il codice di tutti i team poteva essere testato in condizioni praticamente identiche. Dopo un primo periodo di lancio, il ciclo di sviluppo/test del codice è stato ripetuto circa una volta al mese.

Il sito ufficiale del National Robotics Engineering Center (CMU NREC) della Carnegie Mellon University ha creato e costruito il robot standard.

I computer dei veicoli sono stati precaricati con un sistema modulare di percezione e navigazione Baseline che era essenzialmente lo stesso sistema che CMU NREC aveva creato per il programma PerceptOR ed è stato considerato rappresentare lo stato dell'arte all'inizio del LAGR.

La modularità del sistema Baseline ha permesso ai ricercatori di sostituire parti del codice Baseline con i propri moduli e di avere comunque un sistema di navigazione completamente funzionante senza dover sviluppare un sistema di navigazione completamente nuovo.

Così, ad esempio, sono stati in grado di confrontare le prestazioni del proprio modulo di rilevamento degli ostacoli con quelle del codice di base, mantenendo costanti tutte le altre variabili.

Il codice Baseline fungeva anche da riferimento costante: in ogni ambiente software e in qualsiasi momento, il codice dei team poteva essere confrontato con il codice Baseline.

Questo ciclo rapido ha fornito al team governativo e ai team di performance un input immediato e ha permesso al team governativo di costruire corsi d'esame che hanno spinto gli esecutori in specifici compiti di percezione e la cui difficoltà si prevedeva sfidasse gli esecutori, ma non dominasse, le attuali capacità degli esecutori.

Ogni test non richiedeva ai team di inviare nuovo codice, ma in genere lo faceva.

Nonostante questa latitudine, alcuni team hanno ritenuto che il ciclo di test rapido fosse dannoso per il loro sviluppo a lungo termine e avrebbero preferito una pausa più lunga tra un test e l'altro.

Per procedere alla Fase II, a ogni team è stato richiesto di modificare il codice di base per superare gli ultimi tre test governativi di Fase I, In media, i robot che eseguivano il codice del team erano almeno il 10% più veloci di quelli che eseguivano il codice di base originale.

Questa metrica Go/No Go piuttosto modesta è stata scelta per consentire ai team di scegliere tecniche rischiose, ma potenziali, che potrebbero non essere completamente sviluppate nei primi 18 mesi del programma.

Ognuna delle otto squadre ha soddisfatto questa statistica, l'obiettivo della Fase II era per alcuni di raggiungere il doppio della velocità della linea di base nei test successivi, e questo è stato raggiunto da pochi.

Si noti che i criteri della Fase I Go/No Go sono stati progettati in modo tale che le squadre non competono per un numero fisso di slot della Fase II: qualsiasi numero di squadre era ammissibile, da otto a zero poteva superare l'esame.

Questo metodo DARPA aveva lo scopo di promuovere la cooperazione e persino lo scambio di codice tra i team.

Nella Fase I, i primi 18 mesi del LAGR, otto squadre sono state identificate come esecutori. I team rappresentavano Applied Perception (PI Mark Ollis), Georgia Tech (PI Tucker Balch), Jet Propulsion Laboratory (PI Larry Matthies), Net-Scale Technologies (PI Uri Muller), NIST (PI James Albus), Stanford University (PI Sebastian Thrun), SRI International (PI Robert Bolles) e l'Università della Pennsylvania (PI Daniel Lee).

Il team di Stanford è partito alla conclusione della Fase I per lavorare alla DARPA Grand Challenge; è stato sostituito dalla squadra dell'Università del Colorado, Boulder (PI Greg Grudic). Sempre durante la Fase II, il team del NIST si è ritirato dalla competizione e si è concentrato sulla combinazione dei migliori componenti software di ciascun team in un'unica soluzione. Roger Bostelman divenne il leader dello sforzo.

Il veicolo LAGR, che aveva all'incirca le dimensioni di un carrello della spesa di un negozio di alimentari, doveva essere facile da usare. Learning Locomotion, un'iniziativa gemella DARPA, ha affrontato il controllo motorio sofisticato. Era alimentato da una batteria e aveva due motori per sedie a rotelle azionati in modo indipendente nella parte anteriore, oltre a due ruote piroettanti nella parte posteriore. Quando le ruote anteriori venivano fatte girare nella stessa direzione, il robot poteva essere spinto in avanti o indietro. Il robot girava quando queste ruote venivano spinte in direzioni diverse.

Il prezzo di 30.000 dollari del veicolo LAGR ha permesso la costruzione di una flotta che poteva essere distribuita a un certo numero di team che hanno ampliato il pool di ricercatori che avevano precedentemente partecipato ai programmi di robotica DARPA. La velocità massima del veicolo di circa 3 miglia all'ora e il peso relativamente modesto di 100 kg significavano che offriva un rischio di sicurezza significativamente inferiore rispetto ai veicoli impiegati nelle passate iniziative di veicoli terrestri autonomi, riducendo così sostanzialmente i finanziamenti necessari a ciascun team per gestire