Auf Bodenfahrzeuge angewendetes Lernen: Verbesserung der Leistung von Bodenfahrzeugen durch Computer Vision Learning

Von Fouad Sabry

Was ist "Auf Bodenfahrzeuge angewendetes Lernen"?

Die Initiative "Auf Bodenfahrzeuge angewendetes Lernen" (LAGR), die von 2004 bis 2008 in Betrieb war, wurde mit der Absicht entwickelt, Folgendes zu erreichen: Beschleunigung der Entwicklung einer autonomen, wahrnehmungsbasierten Offroad-Navigation in unbemannten Roboter-Bodenfahrzeugen (UGVs). DARPA, eine Forschungsagentur des Verteidigungsministeriums der Vereinigten Staaten von Amerika, stellte Mittel für LAGR bereit.

Wie Sie davon profitieren werden

( I) Erkenntnisse und Validierungen zu den folgenden Themen:

Kapitel 1: DARPA LAGR-Programm

Kapitel 2: DARPA

Kapitel 3: Autonomer Roboter

Kapitel 4: Militärroboter

Kapitel 5: DARPA Grand Challenge

Kapitel 6: Unbemanntes Bodenfahrzeug

Kapitel 7: Europäischer Landroboter-Test

Kapitel 8: Mobiler Roboter

Kapitel 9: Brecher (Roboter)

Kapitel 10: National Robotics Engineering Center

(II) Beantwortung der häufigsten öffentlichen Fragen zum Thema Lernen bei Bodenfahrzeugen.

(III) Beispiele aus der Praxis für den Einsatz von Lernen bei Bodenfahrzeugen in vielen Bereichen.

Wer das? Das Buch richtet sich an

Profis, Studenten und Doktoranden, Enthusiasten, Hobbyisten und diejenigen, die über das Grundwissen oder die Informationen hinausgehen möchten, um jegliche Art von Lernen in Bezug auf Bodenfahrzeuge zu erlernen.

• Sprache: Deutsch
• Herausgeber: Eine Milliarde Sachkundig [German]
• Erscheinungsdatum: 5. Mai 2024

Buchvorschau

Kapitel 1: DARPA LAGR-Programm

Das von 2004 bis 2008 laufende Programm Learning Applied to Ground Vehicles (LAGR) zielte darauf ab, die autonome, wahrnehmungsbasierte Offroad-Navigation in unbemannten Bodenfahrzeugen (UGVs) zu beschleunigen. Die DARPA, der Forschungszweig des US-Verteidigungsministeriums, unterstützte LAGR.

Mobile Roboter (z. B. Shakey) gibt es zwar bereits seit den 1960er Jahren, aber die Entwicklung von Robotern, die sich im Freien, im Gelände und auf Gelände mit zahlreichen Hindernissen fortbewegen können, wurde schrittweise vorangetrieben. In Wirklichkeit gab es keine definierten Kriterien zur Überwachung der Fortschritte. Separate Forschungsteams setzten Roboterautos in ungeübten Regierungstests ein, bei denen die Durchschnittsgeschwindigkeit und die Anzahl der erforderlichen Bedienereingriffe entlang einer festgelegten Strecke mit weit auseinander liegenden Wegpunkten überwacht wurden. Diese Tests zeigten die enormen Schwierigkeiten, die mit der Offroad-Navigation verbunden sind. Während die PerceptOR-Fahrzeuge um die Wende zum 21. Jahrhundert mit modernsten Sensoren und Algorithmen ausgestattet waren, führten sie aufgrund der begrenzten Reichweite ihrer Wahrnehmungstechnologie dazu, dass sie in natürlichen Sackgassen strandeten. Darüber hinaus hinderte sie ihre Abhängigkeit von vorgegebenen Verhaltensweisen daran, sich an unvorhergesehene Ereignisse anzupassen. Abgesehen von im Wesentlichen offenem Gelände mit wenigen Hindernissen oder auf unbefestigten Straßen waren die PerceptOR-Fahrzeuge nicht in der Lage, ohne wiederholte und häufige Bedienerhilfe zu navigieren.

Die LAGR-Initiative zielte darauf ab, die PerceptOR-Technik zu erweitern und gleichzeitig die technologischen Probleme anzugehen, die sich aus den PerceptOR-Tests ergaben.

Das Hauptziel von LAGR war es, die Offroad-Navigation von UGVs zu beschleunigen. Zu den weiteren synergetischen Zielen gehörten (1) die Etablierung einer Benchmarking-Methodik zur Messung des Fortschritts autonomer Roboter, die in unstrukturierten Umgebungen operieren, (2) die Weiterentwicklung des maschinellen Sehens und damit die Ermöglichung einer Fernwahrnehmung sowie (3) die Erhöhung der Anzahl von Institutionen und Einzelpersonen, die zur Spitzenforschung im Bereich UGV beitragen können.

Anstatt sich auf neue Hardware zu konzentrieren, sollte das LAGR-Programm die Entwicklung neuer wissenschaftlicher Erkenntnisse für die Wahrnehmung und Steuerung von Robotern in den Vordergrund stellen. Daher wurde beschlossen, den LAGR-Forschern, die Mitglieder konkurrierender Teams waren, eine Flotte identischer, relativ einfacher Roboter zur Verfügung zu stellen, damit sie sich auf die Entwicklung von Algorithmen konzentrieren konnten. Jedem Team wurden zwei Roboter der Standardausführung zur Verfügung gestellt. Sie entwickelten neue Software für diese Roboter und schickten den Code dann an ein Testteam der Regierung, das die Software auf mehreren Testkursen an Regierungsrobotern testete. Diese Kurse waren über die Vereinigten Staaten verstreut und den Teams bisher unbekannt. Auf diese Weise konnte der Code aller Teams unter nahezu identischen Bedingungen getestet werden. Nach einer anfänglichen Einführungsphase wurde der Code-Entwicklungs-/Testzyklus etwa einmal pro Monat wiederholt.

Offizielle Website des National Robotics Engineering Center (CMU NREC) der Carnegie Mellon University hat den Standardroboter entwickelt und gebaut.

Auf den Fahrzeugcomputern war ein modulares Baseline-Wahrnehmungs- und Navigationssystem vorinstalliert, das im Wesentlichen das gleiche System war, das CMU NREC für das PerceptOR-Programm entwickelt hatte und das bei der Einführung von LAGR als Stand der Technik galt.

Die Modularität des Baseline-Systems ermöglichte es den Forschern, Teile des Baseline-Codes durch eigene Module zu ersetzen und dennoch ein voll funktionsfähiges Navigationssystem zu haben, ohne ein völlig neues Navigationssystem entwickeln zu müssen.

So konnten sie beispielsweise die Leistung ihres eigenen Hinderniserkennungsmoduls mit der des Baseline-Codes vergleichen, während alle anderen Variablen konstant blieben.

Der Baseline-Code fungierte auch als konstante Referenz – in jeder Softwareumgebung und zu jeder Zeit konnte der Code der Teams mit dem Baseline-Code verglichen werden.

Dieser schnelle Zyklus lieferte dem Regierungsteam und den Aufführungsteams unmittelbaren Input und ermöglichte es dem Regierungsteam, Prüfungskurse zu erstellen, die die Darsteller in bestimmten Wahrnehmungsaufgaben forderten und deren Schwierigkeit die aktuellen Fähigkeiten der Darsteller herausforderte, aber nicht dominierte.

Bei jedem Test mussten die Teams keinen neuen Code einreichen, dies wurde jedoch häufig getan.

Trotz dieses Spielraums sahen einige Teams den Schnelltestzyklus als nachteilig für ihre langfristige Entwicklung an und hätten sich eine längere Testpause gewünscht.

Um mit Phase II fortzufahren, musste jedes Team den Baseline-Code ändern, um die letzten drei Phase-I-Regierungstests zu bestehen. Im Durchschnitt waren Roboter, die den Code des Teams ausführten, mindestens 10 % schneller als diejenigen, die den ursprünglichen Baseline-Code ausführten.

Diese eher bescheidene Go/No Go-Metrik wurde gewählt, um es den Teams zu ermöglichen, riskante, aber potenzielle Techniken auszuwählen, die in den ersten 18 Monaten des Programms möglicherweise noch nicht vollständig entwickelt sind.

Jedes der acht Teams erfüllte diese Statistik, das Ziel von Phase II war es, dass einige bei späteren Tests die doppelte Geschwindigkeit der Baseline erreichten, und dies wurde von einigen wenigen erreicht.

Beachten Sie, dass die Phase-I-Go/No-Go-Kriterien so konzipiert wurden, dass die Teams nicht um eine festgelegte Anzahl von Phase-II-Slots konkurrieren: Eine beliebige Anzahl von Teams war teilnahmeberechtigt, von acht bis null konnte die Prüfung bestehen.

Diese DARPA-Methode sollte die Zusammenarbeit und sogar den Codeaustausch zwischen den Teams fördern.

In Phase I, den ersten 18 Monaten der LAGR, wurden acht Teams als Performer identifiziert. Die Teams repräsentierten 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) und die University of Pennsylvania (PI Daniel Lee).

Das Stanford-Team verließ das Team am Ende der ersten Phase, um an der DARPA Grand Challenge zu arbeiten. es wurde durch das Team der University of Colorado, Boulder (PI Greg Grudic) ersetzt. Ebenfalls in Phase II zog sich das NIST-Team aus dem Wettbewerb zurück und konzentrierte sich darauf, die besten Softwarekomponenten jedes Teams in einer einzigen Lösung zu kombinieren. Roger Bostelman übernahm die Leitung der Bemühungen.

Das LAGR-Fahrzeug, das in etwa die Größe eines Einkaufswagens eines Lebensmittelgeschäfts hatte, sollte einfach zu bedienen sein. Learning Locomotion, eine Schwesterinitiative der DARPA, befasste sich mit einer ausgeklügelten motorischen Steuerung. Er wurde von einer Batterie angetrieben und verfügte über zwei unabhängig voneinander angetriebene Rollstuhlmotoren vorne sowie zwei Lenkräder hinten. Wenn die Vorderräder in die gleiche Richtung gedreht wurden, konnte der Roboter vorwärts oder rückwärts angetrieben werden. Der Roboter drehte sich, wenn diese Räder in verschiedene Richtungen angetrieben wurden.

Der Preis von 30.000 US-Dollar für das LAGR-Fahrzeug ermöglichte den Aufbau einer Flotte, die auf eine Reihe von Teams verteilt werden konnte, die den Pool von Forschern erweiterten, die zuvor an DARPA-Robotikprogrammen teilgenommen hatten. Die Höchstgeschwindigkeit des Fahrzeugs von etwa 3 Meilen pro Stunde und das relativ bescheidene Gewicht von 100 kg bedeuteten, dass es im Vergleich zu Fahrzeugen, die in früheren autonomen Bodenfahrzeuginitiativen eingesetzt wurden, ein deutlich geringeres Sicherheitsrisiko darstellte, wodurch die für jedes Team erforderlichen Mittel für den Umgang mit seinem Roboter erheblich reduziert wurden.

Trotzdem handelte es sich bei den LAGR-Fahrzeugen um hochmoderne Maschinen. Ihre Sensorsuite bestand aus zwei Sätzen von Stereokameras, einem Beschleunigungsmesser, einem Stoßfängersensor, Radencodern und einem globalen Positionierungssystem. Das Fahrzeug verfügte