Tekoälyn hyödyntäminen puolustusvoimien lentosimulaattoreissa

Abstract

Tämän opinnäytetyön tarkoitus oli tehdä tutkimus tekoälytekniikasta ja löytää uusia työkaluja tietokoneella tuotettujen olioiden tuottamiseen ilmavoimien lentokoulutussimulaattoreihin. Työn tavoitteena oli kehittää konstruktiivisten olioiden (ohjelmallisesti tuotettu virtuaalinen lentokone, auto jne) käyttäytymistä tekoälytekniikasta löytyvien työkalujen avulla, sekä lisätä kyseisiä olioita tuottavan ympäristön hankintaorganisaatiolle osaamista tekoälytekniikasta. Tavoitteena oli myös tuottaa malli, jonka mukaan konstruktiivisia olioita voitaisiin jatkossa suunnitella ja toteuttaa. Mallilla tarkoitetaan tässä sitä, mitä kaikkea tarvitsee tietää ja mitä kaikkea täytyy olla olemassa, jotta voidaan suunnitella vaatimusmäärittely, jonka pohjalta tekoälytuotetta voidaan alkaa rakentamaan tai päätetään jättää rakentamatta esimerkiksi simulaattorikoulutusvaatimuksiin nähden liian kalliina investointina. Menetelmänä tutkimuksessa käytettiin kirjallista tutkimusta ja sisällönanalyysiä, jonka perusteella arvioitiin tekoälyssä käytettävien tekniikoiden hyötyjä ja puutteita kyseiseen tehtävään, sekä tuotiin tekoälyyn liittyvää yleistietoutta aiheen ympäriltä. Työ rajattiin koskemaan lentosimulaattoreissa käytettävien konstruktiivisten olioiden käyttäytymistä kirjallisuudesta ja internetistä saatavien tietolähteiden perusteella. Lisäksi työn ulkopuolelle rajattiin tiedon kulkusuunta siten, että Puolustusvoimista ei tuotu tähän tutkimukseen sellaista tietoa, jota ei olisi saatavilla julkisista lähteistä. Työn tuloksena syntyi malli, jonka perusteella voitiin koostaa tarvittavat tiedot ja toisaalta nähdään, mitä tietoja ei ole saatavilla.

Tutkimuksen johtopäätöksinä voitiin todeta, että tekoäly ei ole ihmiselle luontaista älykkyyttä, vaikka sana ”äly” on kyseisessä termissä mainittu. Se on mitatun ja tallennetun tiedon hyödyntämistä hakiessa vastauksia ongelmiin. Lisäksi työn johtopäätöksenä voidaan todeta, että tekoälyllä on tulevaisuudessa suuri merkitys myös konstruktiivisten olioiden ohjelmoinnissa ja että alalle on perustettu jo ainakin yksi yritys, joka tekee tuotetta kyseiseen tarpeeseen.

Yhteenvetona voidaan todeta, että tutkimuksen aikana löytyneet tekoälytekniikat ja ennen kaikkea datan hyödyntäminen tekoälyn opettamisessa avaa uusia mahdollisuuksia simulaattoreiden kehittämisessä, kunhan opitaan ensin keräämään, lajittelemaan ja tallentamaan dataa siten, että se on ymmärrettävässä muodossa ja saatavilla. Kehittämisehdotuksia tämän työn tiimoilta voisi ehdottaa Meta Reinforcement Learning- ja Imitation Learning and Inverse -menetelmien jatkotutkimusta, koska ne vaikuttivat soveliailta tulevaisuuden tekniikoilta mm. itseohjautuvia autojen kehityksessä.

Utilization of artificial intelligence in a fighter simulator system. Of most interest is the behavior of the objects produced by the threat environment used in fighter simulators. Simulators have traditionally been used as a teaching tool for type and emergency response training. They have also been able to practice combat situations in the virtual world either with a single simulator or networked with multiple simulators.

In the future, more simulators will be networked with real-world players. Such training involves, for example, real airplanes, simulators, and computer-generated objects. This training is called an LVC training. L stands for live, V stands for simulator, and C stands for computer-generated object.

With LVC training, the demands placed on simulators, and especially on computer-generated objects, increase dramatically so that it makes sense for a real machine to practice networking with simulators. A computer-generated object should behave as naturally as possible so that other members do not recognize it as a computer object.

The work investigates whether there are tools and methods in artificial intelligence that could be applied to the behavior of objects.

The study revealed that there are suitable techniques for this purpose like Deep Reinforcement technigue, Meta Reinforcement Learning technique and Imitation Learning and Inverse-technique.

None of the above techniques will suffice, but the final solution will be some combination of the above combined with traditional programming. In any case, artificial intelligence technology will be a key part of agent behavior programming in the future.