Программа DARPA LAGR

Программа Learning Applied to Ground Vehicles (LAGR) , действовавшая с 2004 по 2008 год, имела целью ускорить прогресс в области автономной, основанной на восприятии, навигации по бездорожью в роботизированных беспилотных наземных транспортных средствах (UGV). LAGR финансировался DARPA , исследовательским агентством Министерства обороны США .

История и предыстория

Хотя мобильные роботы существовали с 1960-х годов ( например, Шейки ), прогресс в создании роботов, которые могли бы перемещаться самостоятельно, на открытом воздухе, по бездорожью, по неровной, богатой препятствиями местности , был медленным. Фактически не было четких показателей для измерения прогресса. ^[1] Базовое понимание внедорожных возможностей начало появляться благодаря программе DARPA PerceptOR. ^[2] в ходе которого независимые исследовательские группы использовали роботизированные транспортные средства в неподготовленных правительственных испытаниях, в ходе которых измерялась средняя скорость и количество необходимых вмешательств оператора по фиксированному курсу и на широко разнесенных путевых точках . Эти испытания выявили экстремальные проблемы навигации по бездорожью. Хотя транспортные средства PerceptOR были оснащены датчиками и алгоритмами , которые были самыми современными для начала 21 века, ограниченный диапазон их технологий восприятия заставил их оказаться в ловушке в естественных тупиках . Более того, их зависимость от заранее заданного поведения не позволяла им адаптироваться к неожиданным обстоятельствам. Общий результат заключался в том, что, за исключением практически открытой местности с минимальным количеством препятствий или грунтовых дорог, транспортные средства PerceptOR не могли перемещаться без неоднократного и неоднократного вмешательства оператора.

Программа LAGR была разработана на основе методологии, начатой в PerceptOR, с целью преодоления технических проблем, выявленных в ходе тестов PerceptOR.

цели ЛАГР

Основная цель LAGR заключалась в ускорении прогресса в области навигации UGV. Дополнительные синергетические цели включали (1) создание методологии сравнительного анализа для измерения прогресса автономных роботов, работающих в неструктурированной среде, (2) развитие машинного зрения и, таким образом, обеспечение возможности дальнего восприятия, и (3) увеличение числа учреждений и отдельных лиц, которые были в состоянии внести свой вклад в передовые исследования UGV.

Структура и обоснование программы ЛАГР

Программа ЛАГР была разработана ^[3] сосредоточиться на разработке новой науки для восприятия и управления роботами, а не на новом оборудовании . Таким образом, было решено создать парк идентичных, относительно простых роботов, которые будут поставляться исследователям LAGR, входившим в состав конкурирующих команд, что позволит им сконцентрироваться на разработке алгоритмов. Каждая команда получила по два робота стандартной конструкции. Они разработали новое программное обеспечение для этих роботов, а затем отправили код правительственной группе тестировщиков, которая затем протестировала этот код на правительственных роботах на различных тестовых курсах. Эти поля были расположены по всей территории США и ранее не были известны командам. Таким образом, код всех команд можно было протестировать в практически одинаковых обстоятельствах. После начального периода запуска цикл разработки/тестирования кода повторялся примерно раз в месяц.

Стандартный робот был спроектирован и изготовлен Национальным инженерным центром робототехники Университета Карнеги-Меллона (CMU NREC). В компьютеры транспортных средств была предварительно загружена модульная система восприятия и навигации «Baseline», которая, по сути, была той же системой, которую CMU NREC создал для программы PerceptOR, и на момент создания LAGR считалась самой современной системой. Модульная природа системы Baseline позволила исследователям заменять части кода Baseline собственными модулями и при этом иметь полноценную работающую систему без необходимости создавать целую навигационную систему с нуля. Так, например, они смогли сравнить производительность собственного модуля обнаружения препятствий с производительностью кода Baseline, оставив при этом все остальное неизменным. Базовый код также служил фиксированным эталоном: в любой среде и в любой момент программы код команды можно было сравнить с базовым кодом. Этот быстрый цикл дал правительственной команде и командам исполнителей быструю обратную связь и позволил правительственной команде разработать тестовые курсы, которые бросали вызов исполнителям в конкретных задачах по восприятию и сложность которых могла бросить вызов, но не превзойти текущие способности исполнителей. От команд не требовалось предоставлять новый код для каждого теста, но обычно они это делали. Несмотря на такую свободу действий, некоторые команды обнаружили, что цикл быстрого тестирования отвлекает их от долгосрочного прогресса, и предпочли бы более длительный интервал между тестами.

Фаза II

Чтобы перейти к этапу II, каждая команда должна была изменить базовый код так, чтобы в последних трех тестах этапа I правительственных испытаний роботы, использующие код команды, в среднем были как минимум на 10% быстрее, чем транспортное средство, использующее исходный базовый код. Этот довольно скромный показатель «Да/Нет» был выбран, чтобы позволить командам выбирать рискованные, но многообещающие подходы, которые могут не быть полностью разработаны в течение первых 18 месяцев программы. Все 8 команд достигли этого показателя, причем некоторые из них набрали в два раза большую скорость, чем базовый показатель, на более поздних тестах, что было целью Фазы II. Обратите внимание, что показатель Фаза I «Годен/Не идет» был таков, что команды не заполняли друг друга в течение ограниченного количества мест на Фазе II: любое количество команд, от восьми до нуля, могло пройти в рейтинг. Эта стратегия DARPA была разработана для поощрения сотрудничества и даже совместного использования кода между командами.

Команда ЛАГР

Восемь команд были выбраны в качестве участников этапа I, первых 18 месяцев LAGR. В состав групп входили представители Applied Perception (главный исследователь [PI] Марк Оллис), Технологического института Джорджии (PI Такер Балч), Лаборатории реактивного движения (PI Ларри Мэттис), Net-Scale Technologies (PI Урс Мюллер), NIST (PI Джеймс Альбус ), Стэнфордский университет (ИП Себастьян Трун ), SRI International (ПИ Роберт Боллес) и Пенсильванский университет (ПИ Дэниел Ли).

Команда Стэнфорда ушла в отставку в конце фазы I, чтобы сосредоточить свои усилия на Гранд-вызове DARPA ; ее заменила команда из Университета Колорадо в Боулдере (PI Грег Грудик). Также на этапе II команда NIST приостановила свое участие в соревновании и вместо этого сосредоточилась на сборке лучших элементов программного обеспечения от каждой команды в единую систему. Роджер Бостельман стал главным исполнителем этой работы.

Автомобиль ЛАГР

Транспортное средство LAGR размером с тележку для покупок в супермаркете было спроектировано так, чтобы им было легко управлять. (Сопутствующая программа DARPA Learning Locomotion, ^[4] речь шла о сложном управлении двигателем.) Он работал от аккумулятора и имел два двигателя для инвалидных колясок с независимым приводом спереди и два самоустанавливающихся колеса сзади. Когда передние колеса вращались в одном направлении, робот двигался вперед или назад. Когда эти колеса вращались в противоположных направлениях, робот поворачивал.

Стоимость автомобиля LAGR примерно в 30 000 долларов означала, что можно было построить целый парк и распределить его между несколькими командами, расширяющими область исследований, которые традиционно участвовали в программах робототехники DARPA. Максимальная скорость машины около 3 миль/час и относительно скромный вес около 100 кг означали, что она представляла гораздо меньшую угрозу безопасности по сравнению с транспортными средствами, использовавшимися в предыдущих программах по беспилотным наземным транспортным средствам, и, таким образом, еще больше сокращало бюджет, необходимый для управления каждой командой. его робот.

Тем не менее, машины ЛАГР представляли собой сложные машины. Их набор датчиков включал в себя две пары стереокамер , акселерометр , датчик бампера, энкодеры колес и GPS . В автомобиле также было три компьютера, которые можно было программировать пользователем.

Научные результаты

Краеугольным камнем программы было внедрение в роботов изученного поведения. Кроме того, программа использовала пассивные оптические системы для анализа сцены на большом расстоянии.

Сложность тестирования навигации UGV в неструктурированных условиях бездорожья сделала точное и объективное измерение прогресса сложной задачей. Хотя в LAGR не было определено абсолютного показателя эффективности, относительное сравнение кода команды с базовым кодом на данном курсе показало, достигнут ли прогресс в этой среде. По завершении программы тестирование показало, что многие исполнители добились скачков в производительности. В частности, средняя автономная скорость была увеличена в 3 раза, а полезное визуальное восприятие было расширено до дальности до 100 метров. ^[5]

Хотя LAGR действительно преуспел в расширении полезного диапазона визуального восприятия, в основном это было сделано с помощью анализа цвета или текстуры на основе пикселей или участков. Распознавание объектов напрямую не рассматривалось.

Несмотря на то, что машина LAGR имела GPS WAAS , ее положение никогда не определялось вплоть до ширины машины, поэтому системам было трудно повторно использовать карты препятствий в областях, которые ранее пересекали роботы, поскольку GPS постоянно смещался. Занос был особенно сильным, если был полог леса. Несколько команд разработали алгоритмы визуальной одометрии , которые практически устранили этот дрейф.

Целью LAGR также было расширение числа исполнителей и устранение необходимости в интеграции крупных систем, чтобы ценные технологические самородки, созданные небольшими командами, могли быть признаны и затем приняты более широким сообществом.

Некоторые команды разработали быстрые методы обучения с учителем-человеком: человек мог управлять роботом по радиоуправлению (RC) и подавать сигналы, указывающие «безопасные» и «небезопасные» зоны, а робот мог быстро адаптироваться и перемещаться, следуя той же политике. Это было продемонстрировано, когда робота научили агрессивно ездить по мертвым сорнякам, избегая при этом кустов, или, альтернативно, научили быть робким и ездить только по скошенным дорогам.

Управление LAGR осуществлялось совместно с беспилотной наземной боевой машиной DARPA — программой интеграции PerceptOR (UPI) . Веб-сайт CMU NREC UPI . UPI объединил передовое восприятие с автомобилем чрезвычайной мобильности. Лучшие стереоалгоритмы и визуальная одометрия от LAGR были портированы на UPI. Кроме того, взаимодействие между PI LAGR и командой UPI привело к включению адаптивной технологии в кодовую базу UPI, что привело к повышению производительности роботов UPI «Crusher» .

Управление программой

LAGR находился в ведении Управления технологий обработки информации DARPA. Ларри Джекел придумал программу и был ее менеджером с 2004 по 2007 год. Эрик Кротков, Майкл Першбахер и Джеймс Пиппин внесли свой вклад в концепцию и управление LAGR. Чарльз Салливан сыграл важную роль в тестировании LAGR. Том Вагнер был менеджером программы с середины 2007 года до завершения программы в начале 2008 года.

Ссылки

^ См., в частности, приложение C, Национальный исследовательский совет национальных академий, «Развитие технологий для армейских беспилотных наземных транспортных средств», National Academies Press, Вашингтон, округ Колумбия, 2002.
^ Э. Кротков, С. Фиш, Л. Джекел, М. Першбахер и Дж. Пиппин, «Оценочные эксперименты DARPA PerceptOR». Автономные роботы, 22 (1): страницы 19–35,2007.
^ LD Jackel, Дуглас Хакетт, Эрик Кротков, Майкл Першбахер, Джеймс Пиппин и Чарльз Салливан. «Как DARPA структурирует свои программы робототехники для улучшения передвижения и навигации». Communications of ACM, 50 (11): страницы 55-59, 2007.
^ Джеймс Пиппин, Дуглас Хакетт, Адам Уотсон, «Обзор программы обучения локомоции Агентства перспективных исследовательских проектов Министерства обороны», Международный журнал робототехнических исследований, том 30, номер 2, страницы 141–144, 2011 г.
^ Подробное обсуждение результатов LAGR см. в специальных выпусках журнала Field Robotics, том 23, выпуск 11/12 2006 г. и том 26, выпуск 1/2 2009 г.

[1] См., в частности, приложение C, Национальный исследовательский совет национальных академий, «Развитие технологий для армейских беспилотных наземных транспортных средств», National Academies Press, Вашингтон, округ Колумбия, 2002.

[2] Э. Кротков, С. Фиш, Л. Джекел, М. Першбахер и Дж. Пиппин, «Оценочные эксперименты DARPA PerceptOR». Автономные роботы, 22 (1): страницы 19–35,2007.

[3] LD Jackel, Дуглас Хакетт, Эрик Кротков, Майкл Першбахер, Джеймс Пиппин и Чарльз Салливан. «Как DARPA структурирует свои программы робототехники для улучшения передвижения и навигации». Communications of ACM, 50 (11): страницы 55-59, 2007.

[4] Джеймс Пиппин, Дуглас Хакетт, Адам Уотсон, «Обзор программы обучения локомоции Агентства перспективных исследовательских проектов Министерства обороны», Международный журнал робототехнических исследований, том 30, номер 2, страницы 141–144, 2011 г.

[5] Подробное обсуждение результатов LAGR см. в специальных выпусках журнала Field Robotics, том 23, выпуск 11/12 2006 г. и том 26, выпуск 1/2 2009 г.

[1]

[2]

[3]

[4]

[5]