REPOZITORIJ > REZULTATI

Povzetek

Usposabljanje v resničnem okolju za izboljšanje pripravljenosti v specifičnih poklicih (vojska, policija, kirurgi, piloti itd.) je lahko drago, nevarno tako za njih kot za druge in zamudno. Pripravniki se zaradi tega večinoma ne uspejo pripraviti na vse mogoče situacije, ki se lahko pojavijo tekom izvajanja nalog. Poleg tega je potrebno pri obravnavanju ljudi skrbno upoštevati njihovo čustveno in mentalno stanje ter trenutno počutje. Zaradi vseh teh razlogov je obsežno usposabljanje s simulacijami za izboljšanje procesa odločanja postalo ustaljena praksa na številnih področjih in poklicih.
V pričujoči disertaciji predlagamo nov pristop usposabljanja, imenovan PATDS (Performance Analysis of Training through Data-Farming Simulations), ki uvaja iterativen cikel usposabljanja, pri katerem se v vsakem krogu treninga odkrijejo glavne pomanjkljivosti v sposobnostih pripravnika in se na podlagi tega sestavi nov načrt usposabljanja z namenom izboljšanja učinkovitosti pri prepoznanih problematičnih situacijah. To se doseže z izgradnjo simuliranega agenta, virtualno kopijo pripravnika, ki se testira v vseh mogočih okoliščinah in se s tem zagotovi povratna informacija ter podpora pri odločanju za naslednji krog treninga pripravnikov. Glavni koncepti predlaganega postopka so podobni metodologiji »boosting«, s področja strojnega učenja z razliko, da se namesto učnega modela izboljšuje simulirani agent ter pripravnik.
PATDS sestavljajo tri glavne faze: (i) analiza obnašanja; (ii) izbira strateških vzorcev in kloniranje obnašanja; (iii) ovrednotenje uspešnosti in odkrivanje slabosti v znanju pripravnikov. V fazi analize obnašanja se izvaja odkrivanje, izgradnja in opis ustreznih vzorcev obnašanja (strategij), ki jih udeleženci treninga prikažejo v simulacijah. Odkrivanje vzorcev poteka z uporabo algoritma HMASDA, ki generira množico pomembnih strateških vzorcev, pridobljenih iz osnovnih opazovanj. V drugi fazi metode se, z uporabo gručenja, iz celotne množice vzorce pridobi manjša podmnožica ključnih vzorcev, ki opisujejo vedenje opazovanih agentov. Tako pridobljene vzorce preoblikujemo v enega ali več modelov nadomestnih agentov, ki opisujejo opazovane pripravnike s ciljem, da čim bolj verodostojno reproducirajo njihovo obnašanje. Na ta način ustvarimo umetne kopije človeških pripravnikov, ki so sposobni aktivnega delovanja v normalnih pogojih. V zadnji fazi nato ustvarjene nadomestne agente ovrednotimo v obsežnih računalniških na različnih pogojih z namenom odkritja ključnih pomanjkljivosti v znanju pripravnika.
Cilj je odpraviti potrebo po obsežnih usposabljanjih pripravnikov na velikem številu scenarijev, simulacijskih pogojev, ter različnih odzivih nasprotnikov. Avtomatizirani postopek lahko izvede vse te možnosti v sprejemljivem času in zazna okoliščine, kjer so rezultati simulacije slabši. Na ta način se lahko v vsakem naslednjem krogu usposabljanja znanje in sposobnosti pripravnikov izboljšajo glede na ugotovljene dosedanje pomanjkljivosti nadomestnega agenta. Predlagani postopek smo preverili na dveh asimetričnih scenarijih bojevanja v mestnem okolju, kjer se skupina varnostnih sil sooča s sovražnimi množicami v različnih okoliščinah. Najprej pokažemo, da so odkriti vzorci obnašanja semantično dovolj bogati za uspešno reproduciranje opazovanega vedenja pripravnikov. V nadaljevanju pa pokažemo, kako je vrednotenje na podlagi obsežnih računalniških simulacij koristno za izboljšanje pripravljenosti ter sposobnosti pripravnika.