《用于自主军用车辆的人工智能和机器学习》美国陆军工程研究和发展中心（ERDC）

美国陆军工程研究与发展中心（ERDC）的研究实验室目前正在开发仿真工具，以协助开发可选择的载人、远程操作和完全自主的车辆，重点是地形与车辆的交互，特别是在冬季地形条件下。其他ERDC实验室与地面车辆系统司令部（GVSC）一起，重点研究保证位置、时间和导航，该司令部正在进行开发可选择的载人和自主平台的研究，主要集中在车辆内部的硬件和软件，很少强调外部安装的地形传感器或冬季操作环境。美国陆军寒冷地区研究和工程实验室（CRREL）在冬季和极端环境下进行车辆机动性研究，这在模拟和开发可选的载人和自主车辆方面是需要的。这项工作的范围是调查人工智能和机器学习对冬季条件下运行的军用车辆的适用性。本文描述了实现这一目标的初步努力。

自主车辆在民用方面的应用正在成为现实。在智能驾驶辅助方面，第三级车辆自主性（智能巡航控制、行人识别、自动刹车、盲区传感器、罕见的交叉交通警报、避免碰撞等）已在商业和私人车辆上使用多年。第四和第五级自主性（有监督的自主性和完全无监督的自主性）目前正在试验中。尽管在民用领域取得了重大进展，但军用车辆的自主性仍然是一项相当具有挑战性的任务。军用自主车辆的主要区别是：非公路运行、未知地形的运行，以及在开放空间完全重新规划路线的可能性。这种环境要求智能自主控制算法和环境感知与工业界的民用应用不同。具体来说，需要解决先进的和当前的地形感知、检测无法通行的路线、确定可通行的替代路线和车辆在空地上的改道，以及针对特定地形条件和车辆的最佳车辆控制等任务。提交的工作描述了在解决其中一些挑战方面的最新进展。结果表明，其中一些挑战可以通过机器学习和人工智能算法成功解决，从而为军用车辆的人工驾驶提供实质性帮助。

研究方法

绝大多数关于自主车辆的文献都是在城市条件下的驾驶。非公路车辆没有道路指引其轨迹，也没有一致的驾驶地面，还必须考虑不平坦的三维地形、三维方向。这主张使用更复杂的人工智能方法，如PilotNet卷积神经网络，最近通过摄像机记录72小时在不同城市条件下的成功驾驶，并使用这些数据作为训练集，来教车辆自我转向（Bojarski等人，2017）。另一方面，在不使用神经网络的情况下，收集了大量关于传统自动车辆控制的知识。例如，DARPA 2005年挑战团队的获胜者没有使用神经网络，而是依靠更传统的自动控制算法来自动控制他们的机器人斯坦利（Thrun等人，2006）。为了利用这些知识，同时又与越野作业的挑战性要求相关，我们建议实施一种混合方法，将人工智能和经典控制方法结合起来。

具体来说，我们建议使用神经网络来持续确定和更新车辆行驶的地形类型，以及车辆的 "临界值"，即车辆沿途必须遵守的行动限制，如允许的最大速度、最大的加速和减速率，以及车辆的范围和最大的转向率。将使用两种人工智能算法。一个用于自动地形分类，另一个用于预测由第一个算法确定的地形类型的关键控制值。通过使用神经网络来预测临界值，车载自主控制系统不需要专门考虑所有的地形类型和方向，而是适当地定制，以便根据当前的驾驶条件实时调整。图3概述了模型的结构。当前的地形估计、地形类型和条件、期望的轨迹和车辆状态将被用来预测速度、最大加速/减速率和转向的关键约束。这些值将作为传统的刹车/油门的比例积分衍生（PID）控制器和转向的模型预测控制（MPC）控制器的目标值。然后，实际的车辆状态将被评估，地形、临界值和路线将被相应地更新，直到车辆到达预期的目的地。