Aprendizaje aplicado a vehículos terrestres

El programa Aprendizaje Aplicado a Vehículos Terrestres (LAGR, por sus siglas en inglés) , que se desarrolló entre 2004 y 2008, tenía como objetivo acelerar el progreso en la navegación autónoma todoterreno basada en la percepción en vehículos terrestres no tripulados robóticos (UGV). LAGR fue financiado por DARPA , una agencia de investigación del Departamento de Defensa de los Estados Unidos .

Aunque los robots móviles existían desde la década de 1960 ( por ejemplo, Shakey ), el progreso en la creación de robots capaces de navegar de forma autónoma, al aire libre, fuera de la carretera, en terrenos irregulares y con muchos obstáculos , había sido lento. De hecho, no existían métricas claras para medir el progreso. ^{[ 1 ]} Un conocimiento básico de las capacidades todoterreno comenzó a surgir con el programa DARPA PerceptOR ^{[ 2 ]} en el que equipos de investigación independientes desplegaron vehículos robóticos en pruebas gubernamentales no ensayadas que medían la velocidad media y el número de intervenciones necesarias del operador en un recorrido fijo con puntos de referencia muy espaciados . Estas pruebas expusieron los desafíos extremos de la navegación todoterreno. Aunque los vehículos PerceptOR estaban equipados con sensores y algoritmos de última generación para principios del siglo XXI, el alcance limitado de su tecnología de percepción hacía que quedaran atrapados en callejones sin salida naturales . Además, su dependencia de comportamientos preestablecidos no les permitía adaptarse a circunstancias inesperadas. El resultado general fue que, salvo en terrenos prácticamente abiertos con obstáculos mínimos o en caminos de tierra, los vehículos PerceptOR no podían navegar sin la intervención repetida y reiterada del operador.

El programa LAGR se diseñó para aprovechar la metodología iniciada en PerceptOR, al tiempo que buscaba superar los desafíos técnicos que pusieron de manifiesto las pruebas de PerceptOR.

El objetivo principal de LAGR era acelerar el progreso en la navegación de vehículos terrestres no tripulados (UGV) fuera de la red. 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 larga distancia; y (3) aumentar el número de instituciones e individuos que pudieran contribuir a la investigación de vanguardia en UGV.

El programa LAGR fue diseñado ^{[ 3 ]} para centrarse en el desarrollo de nuevos conocimientos científicos para la percepción y el control de robots, en lugar de en nuevo hardware . Por lo tanto, se decidió crear una flota de robots idénticos y relativamente sencillos que se suministrarían a los investigadores de LAGR, miembros de equipos competitivos, lo que les permitió concentrarse en el desarrollo de algoritmos. A cada equipo se le entregaron dos robots del diseño estándar. Desarrollaron nuevo software para estos robots y luego enviaron el código a un equipo de pruebas del gobierno, que lo probó en robots gubernamentales en varios campos de pruebas. Estos campos estaban ubicados en todo Estados Unidos y eran desconocidos para los equipos. De esta manera, el código de todos los equipos podía probarse en circunstancias prácticamente idénticas. Tras un período inicial de puesta en marcha, el ciclo de desarrollo y prueba del código se repetía aproximadamente una vez al mes.

El robot estándar fue diseñado y construido por el Centro Nacional de Ingeniería Robótica de la Universidad Carnegie Mellon (CMU NREC). Los ordenadores de los vehículos venían precargados con un sistema modular de percepción y navegación denominado "Baseline", que era esencialmente el mismo sistema que CMU NREC había creado para el programa PerceptOR y que se consideraba representativo de la tecnología de vanguardia al inicio de LAGR. La naturaleza modular del sistema Baseline permitió a los investigadores reemplazar partes del código Baseline con sus propios módulos y aun así disponer de un sistema completamente funcional sin tener que crear un sistema de navegación desde cero. De este modo, por ejemplo, pudieron comparar el rendimiento de su propio módulo de detección de obstáculos con el del código Baseline, manteniendo todo lo demás fijo. El código Baseline también sirvió como referencia fija: en cualquier entorno y en cualquier momento del programa, el código de los equipos podía compararse con el código Baseline. Este ciclo rápido proporcionó retroalimentación inmediata tanto al equipo gubernamental como a los equipos participantes, y permitió al equipo gubernamental diseñar cursos de prueba que desafiaban a los participantes en tareas de percepción específicas, cuya dificultad probablemente pondría a prueba, pero no sobrepasaría, sus capacidades actuales. No se exigía a los equipos que presentaran código nuevo para cada prueba, aunque generalmente lo hacían. A pesar de esta flexibilidad, algunos equipos consideraron que el ciclo rápido de pruebas distraía su progreso a largo plazo y habrían preferido un intervalo más prolongado entre pruebas.

Ocho equipos fueron seleccionados para participar en la Fase I, los primeros 18 meses de LAGR. Los equipos pertenecían a Applied Perception ( Investigador Principal [IP] Mark Ollis), Georgia Tech (IP Tucker Balch), Jet Propulsion Laboratory (IP Larry Matthies), Net-Scale Technologies (IP Urs Muller), NIST (IP James Albus ), Stanford University (IP Sebastian Thrun ), SRI International (IP Robert Bolles) y University of Pennsylvania (IP Daniel Lee).

El equipo de Stanford renunció al final de la Fase I para centrar sus esfuerzos en el DARPA Grand Challenge ; fue reemplazado por un equipo de la Universidad de Colorado en Boulder (investigador principal: Greg Grudic). Asimismo, en la Fase II, el equipo del NIST suspendió su participación en la competición y se concentró en integrar los mejores elementos de software de cada equipo en un único sistema. Roger Bostelman se convirtió en el investigador principal de este proyecto.

El vehículo LAGR, del tamaño aproximado de un carrito de supermercado, fue diseñado para ser fácil de controlar. (Un programa complementario de DARPA, Learning Locomotion, ^{[ 4 ]} abordó el control motor complejo). Funcionaba con baterías y contaba con dos motores de silla de ruedas delanteros de accionamiento independiente y dos ruedas giratorias traseras. Al girar las ruedas delanteras en la misma dirección, el robot avanzaba o retrocedía. Al girar en direcciones opuestas, el robot giraba.

El coste aproximado de 30 000 dólares del vehículo LAGR permitió construir y distribuir una flota a varios equipos, ampliando así el campo de investigadores que tradicionalmente habían participado en los programas de robótica de DARPA. Su velocidad máxima de unos 5 km/h y su peso relativamente moderado de unos 100  kg redujeron considerablemente el riesgo para la seguridad en comparación con los vehículos utilizados en programas anteriores de vehículos terrestres no tripulados, lo que redujo aún más el presupuesto necesario para que cada equipo gestionara su robot.

No obstante, los vehículos LAGR eran máquinas sofisticadas. Su conjunto de sensores incluía dos pares de cámaras estéreo , un acelerómetro , un sensor de parachoques, codificadores de ruedas y un GPS . El vehículo también contaba con tres ordenadores programables por el usuario.

Un pilar fundamental del programa fue la incorporación de comportamientos aprendidos en los robots. Además, el programa utilizó sistemas ópticos pasivos para realizar análisis de escenas a larga distancia.

La dificultad de probar la navegación de los vehículos terrestres no tripulados (UGV) en entornos todoterreno no estructurados hizo que la medición precisa y objetiva del progreso fuera una tarea compleja. Si bien en LAGR no se había definido una medida absoluta del rendimiento, la comparación relativa del código de un equipo con el código de referencia en un recorrido determinado demostraba si se estaba progresando en ese entorno. Al finalizar el programa, las pruebas mostraron que muchos de los participantes habían logrado avances significativos en su rendimiento. En particular, las velocidades autónomas promedio se triplicaron y la percepción visual útil se extendió a rangos de hasta 100 metros. ^{[ 5 ]}

Si bien LAGR logró ampliar el rango útil de percepción visual, esto se consiguió principalmente mediante análisis de color o textura basados ​​en píxeles o parches. El reconocimiento de objetos no se abordó directamente.

Aunque el vehículo LAGR contaba con un GPS WAAS , su posición nunca se determinó con precisión en cuanto a su anchura, por lo que a los sistemas les resultaba difícil reutilizar los mapas de obstáculos de las zonas que los robots habían recorrido previamente, dado que el GPS presentaba una deriva constante. Esta deriva era especialmente grave en presencia de la cubierta forestal. Algunos equipos desarrollaron algoritmos de odometría visual que prácticamente eliminaron esta deriva.

LAGR también tenía como objetivo aumentar el número de participantes y eliminar la necesidad de una integración de sistemas a gran escala, de modo que las valiosas innovaciones tecnológicas creadas por pequeños equipos pudieran ser reconocidas y posteriormente adoptadas por la comunidad en general.

Algunos equipos desarrollaron métodos rápidos de aprendizaje con la ayuda de un instructor humano: una persona podía controlar el robot por radio (RC) y enviar señales que indicaran las zonas seguras y peligrosas, y el robot podía adaptarse rápidamente y navegar siguiendo la misma estrategia. Esto se demostró al enseñarle al robot a ser agresivo al pasar por encima de maleza seca y evitar arbustos, o bien, a ser tímido y circular únicamente por caminos segados.

LAGR se gestionó en conjunto con el Programa de Integración de Vehículos Terrestres de Combate No Tripulados (UPI) de DARPA (CMU NREC UPI Website) . UPI combinó percepción avanzada con un vehículo de extrema movilidad. Los mejores algoritmos estéreo y la odometría visual de LAGR se transfirieron a UPI. Además, la interacción entre los investigadores principales de LAGR y el equipo de UPI dio como resultado la incorporación de tecnología adaptativa al código fuente de UPI, lo que mejoró el rendimiento de los robots "Crusher" de UPI .

El programa LAGR fue administrado por la Oficina de Tecnología de Procesamiento de Información de DARPA. Larry Jackel concibió el programa y fue su director entre 2004 y 2007. Eric Krotkov, Michael Perschbacher y James Pippine contribuyeron a su concepción y gestión. Charles Sullivan desempeñó un papel fundamental en las pruebas del programa. Tom Wagner fue el director del programa desde mediados de 2007 hasta su finalización a principios de 2008.