Aprendizaje Aplicado a Vehículos Terrestres: Mejora del rendimiento de los vehículos terrestres mediante el aprendizaje por visión por computadora

Por Fouad Sabry

Qué es el Aprendizaje Aplicado a Vehículos Terrestres

La iniciativa Aprendizaje Aplicado a Vehículos Terrestres (LAGR), que estuvo en funcionamiento desde 2004 hasta 2008, fue diseñada con la intención de acelerar el desarrollo de la navegación todoterreno autónoma, basada en la percepción, en vehículos terrestres robóticos no tripulados (UGV). DARPA, que es una agencia de investigación dependiente del Departamento de Defensa de los Estados Unidos de América, proporcionó financiación para LAGR.

Cómo se beneficiará

( I) Insights y validaciones sobre los siguientes temas:

Capítulo 1: Programa DARPA LAGR

Capítulo 2: DARPA

Capítulo 3: Robot autónomo

Capítulo 4: Robot militar

Capítulo 5: Gran Desafío DARPA

Capítulo 6: Vehículo terrestre no tripulado

Capítulo 7: Prueba europea de robots terrestres

Capítulo 8: Robot móvil

Capítulo 9: Trituradora (robot)

Capítulo 10: Centro Nacional de Ingeniería Robótica

(II) Respondiendo a las principales preguntas del público sobre el aprendizaje aplicado a vehículos terrestres.

(III) Ejemplos del mundo real para el uso del aprendizaje aplicado a vehículos terrestres en muchos campos.

Quién El libro es para

Profesionales, estudiantes de pregrado y posgrado, entusiastas, aficionados y aquellos que quieran ir más allá del conocimiento o información básica para cualquier tipo de Aprendizaje Aplicado a Vehículos Terrestres.

 

 

• Idioma: Español
• Editorial: Mil Millones De Conocimientos [Spanish]
• Fecha de lanzamiento: 5 may 2024

Vista previa del libro

Capítulo 1: Programa DARPA LAGR

El programa de Aprendizaje Aplicado a Vehículos Terrestres (LAGR, por sus siglas en inglés), que duró de 2004 a 2008, tenía como objetivo acelerar la navegación todoterreno autónoma, basada en la percepción, en vehículos terrestres robóticos no tripulados (UGV, por sus siglas en inglés). DARPA, el brazo de investigación del Departamento de Defensa de los Estados Unidos, apoyó a LAGR.

Si bien los robots móviles (por ejemplo, Shakey) han existido desde la década de 1960, el progreso en el desarrollo de robots que pueden viajar al aire libre, fuera de la carretera y en terrenos con numerosos obstáculos ha sido gradual. En realidad, no existen criterios definidos para supervisar los progresos. Equipos de investigación separados enviaron autos robóticos en pruebas gubernamentales no ensayadas que monitorearon la velocidad promedio y el número de intervenciones requeridas por el operador a lo largo de una pista establecida con puntos de referencia ampliamente espaciados. Estas pruebas revelaron las tremendas dificultades asociadas con la navegación todoterreno. Si bien los vehículos PerceptOR estaban equipados con sensores y algoritmos de vanguardia a principios del siglo XXI, el alcance limitado de su tecnología de percepción hizo que quedaran varados en callejones sin salida naturales. Además, su dependencia de comportamientos predeterminados les impedía adaptarse a eventos imprevistos. Excepto en terrenos esencialmente abiertos con pocas obstrucciones o a lo largo de caminos de tierra, los coches PerceptOR eran incapaces de navegar sin la asistencia repetitiva y frecuente del operador.

La iniciativa LAGR tenía como objetivo ampliar la técnica PerceptOR al tiempo que abordaba los problemas tecnológicos mostrados por las pruebas PerceptOR.

El objetivo principal de LAGR era agilizar la navegación todoterreno de los UGV. Otros objetivos sinérgicos incluían (1) establecer una metodología de evaluación comparativa para medir el progreso de los robots autónomos que operan en entornos no estructurados, (2) avanzar en la visión artificial y, por lo tanto, permitir la percepción a largo plazo, y (3) aumentar el número de instituciones e individuos capaces de contribuir a la investigación de vanguardia sobre UGV.

En lugar de centrarse en el nuevo hardware, el programa LAGR tenía la intención de enfatizar el desarrollo de nueva ciencia para la percepción y el control de los robots. Por lo tanto, se decidió proporcionar a los investigadores de LAGR, que eran miembros de equipos competidores, una flota de robots idénticos y relativamente simples, lo que les permitió concentrarse en el desarrollo de algoritmos. A cada equipo se le proporcionaron dos robots del diseño estándar. Crearon un nuevo software para estos robots y luego enviaron el código a un equipo de pruebas del gobierno, que probó el software en robots del gobierno en varios cursos de prueba. Estos campos estaban dispersos por los Estados Unidos y eran previamente desconocidos para los equipos. De esta manera, el código de todos los equipos podría probarse en condiciones prácticamente idénticas. Después de un período inicial de lanzamiento, el ciclo de desarrollo/prueba del código se repitió aproximadamente una vez al mes.

Sitio web oficial del Centro Nacional de Ingeniería Robótica de la Universidad Carnegie Mellon (CMU NREC) creó y construyó el robot estándar.

Las computadoras de los vehículos estaban precargadas con un sistema modular de percepción y navegación Baseline que era esencialmente el mismo sistema que CMU NREC había creado para el programa PerceptOR y se consideró que representaba el estado del arte en el inicio de LAGR.

La modularidad del sistema Baseline permitió a los investigadores reemplazar partes del código Baseline con sus propios módulos y seguir teniendo un sistema de navegación completamente funcional sin tener que desarrollar un sistema de navegación completamente nuevo.

Así, por ejemplo, pudieron comparar el rendimiento de su propio módulo de detección de obstáculos con el del código de línea de base, manteniendo constantes todas las demás variables.

El código de línea de base también actuaba como una referencia constante: en todos los entornos de software y en cualquier momento, el código de los equipos se podía comparar con el código de línea de base.

Este ciclo rápido proporcionó al equipo del Gobierno y a los equipos de interpretación o ejecución una aportación inmediata y permitió al equipo del Gobierno elaborar cursos de examen que impulsaban a los artistas intérpretes o ejecutantes en tareas específicas de percepción y cuya dificultad se esperaba que desafiara a los artistas intérpretes o ejecutantes, pero no dominara, las capacidades actuales de los artistas intérpretes o ejecutantes.

Cada prueba no exigía que los equipos enviaran un nuevo código, pero comúnmente lo hacían.

A pesar de esta latitud, algunos equipos consideraron que el ciclo de pruebas rápidas era perjudicial para su desarrollo a largo plazo y habrían preferido un descanso más largo entre pruebas.

Para pasar a la Fase II, se requirió que cada equipo modificara el código de la línea de base para pasar las tres pruebas finales de la Fase I del Gobierno, en promedio, los robots que ejecutaron el código del equipo fueron al menos un 10% más rápidos que los que ejecutaron el código de la línea de base original.

Esta métrica bastante modesta de Ir / No Ir se eligió para permitir que los equipos eligieran técnicas arriesgadas, pero potenciales, que pueden no desarrollarse completamente en los primeros 18 meses del programa.

Cada uno de los ocho equipos cumplió con esta estadística, el objetivo de la Fase II era que algunos lograran el doble de velocidad que la línea de base en pruebas posteriores, y esto fue logrado por unos pocos.

Hay que tener en cuenta que los criterios de la Fase I de Go / No Go se diseñaron de tal manera que los equipos no compitieran por un número fijo de plazas de la Fase II: cualquier número de equipos era elegible, de ocho a cero podía aprobar el examen.

Este método de DARPA tenía como objetivo promover la cooperación e incluso el intercambio de códigos entre los equipos.

En la Fase I, los primeros 18 meses de LAGR, se identificaron ocho equipos como artistas. Los equipos representaron a 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), Universidad de Stanford (PI Sebastian Thrun), SRI International (PI Robert Bolles) y la Universidad de Pensilvania (PI Daniel Lee).

El equipo de Stanford partió al final de la Fase I para trabajar en el Gran Desafío de DARPA; fue reemplazado por el equipo de la Universidad de Colorado, Boulder (PI Greg Grudic). También durante la Fase II, el equipo del NIST se retiró de la competencia y se centró en combinar los mejores componentes de software de cada equipo en una sola solución. Roger Bostelman se convirtió en el líder del esfuerzo.

El vehículo LAGR, que tenía aproximadamente el tamaño de un carrito de compras de una tienda de comestibles, estaba destinado a ser fácil de operar. Learning Locomotion, una iniciativa hermana de DARPA, abordó el sofisticado control motor. Funcionaba con una batería y tenía dos motores de silla de ruedas accionados de forma independiente en la parte delantera, así como dos ruedas giratorias en la parte trasera. Cuando las ruedas delanteras giraban en la misma dirección, el robot podía ser propulsado hacia adelante o hacia atrás. El robot giraba cuando estas ruedas eran impulsadas en diferentes direcciones.

El precio de 30.000 dólares del vehículo LAGR permitió la construcción de una flota que podía ser distribuida a una serie de equipos que ampliaban el grupo de investigadores que habían participado previamente en los programas de robótica de DARPA. La velocidad máxima del vehículo de aproximadamente 3 millas por hora y el peso relativamente modesto de 100 kg significaban que ofrecía un riesgo de seguridad significativamente menor en comparación con los vehículos empleados en iniciativas anteriores de vehículos terrestres autónomos, lo que reducía sustancialmente la financiación necesaria para que cada