Roboty mogą nauczyć się jeździć bez wychodzenia z garażu

Komputery sterujące samochodami autonomicznymi zdobywają cenną wiedzę o świecie rzeczywistym na kilka zaskakujących sposobów — w tym przeglądanie map online i granie w gry wideo.

Naukowcy z Princeton University niedawno opracowali komputerowy system wizyjny i mapowania, który zbierał przydatne informacje o fizycznych właściwościach dróg, badając Widok ulicy Google oraz porównywanie scen z informacjami dostarczonymi w danych mapowych o otwartym kodzie źródłowym. Dzięki temu mógł na przykład dowiedzieć się, gdzie powinny znajdować się krawędzie skrzyżowania, na podstawie zdjęć zrobionych przez samochody mapujące Google.

W osobnej pracy ujawnili środę naukowcy z Otwórz AI , organizacja non-profit zajmująca się podstawowymi badaniami nad sztuczną inteligencją, stworzyła sposób, aby agenci oprogramowania uczyli się strategii jazdy, eksperymentując w grze wideo Grand Theft Auto V na platformie znanej jako Universe. Niektóre gry wideo są teraz tak realistyczne wizualnie, że mogą pozwolić komputerowej wizji poznać prawdziwy świat (zobacz Samojezdne samochody mogą się wiele nauczyć, grając w Grand Theft Auto ).

Nowe podejścia do szkolenia autonomicznych samochodów mogą pomóc w demokratyzacji technologii i zwiększeniu jej niezawodności. Samojezdne samochody były wszędzie na tegorocznych targach Consumer Electronics Show w Las Vegas, a technologia jest na pierwszym planie podczas North American Auto Show w Detroit, który rozpoczął się w tym tygodniu. Ale nie każdy dysponuje zasobami Forda, Google czy Ubera, a zautomatyzowane pojazdy wciąż mają problemy w wielu sytuacjach (zobacz Co warto wiedzieć, zanim wsiądziesz do autonomicznego samochodu). Dlatego niektórzy badacze wymyślają kreatywne sposoby gromadzenia danych i systemów prowadzenia pociągu. Podejmowane są nawet próby udostępnienia technologii wymaganej do zautomatyzowanej jazdy.

Badacze z Princeton wykorzystali Google Street View i OpenStreetMap dla swoich danych. Elementy dróg na zdjęciach Google Street View są czasami przesłonięte przez pojazd, osobę przechodzącą przez jezdnię lub coś innego, więc system musiał nauczyć się rozpoznawać, a następnie odrzucać takie artefakty. Naukowcy przetestowali swój system na nowych obrazach i odkryli, że może on dość dokładnie rozróżniać cechy dróg. Mówią, że może to zaoferować sposób na załadowanie systemu do samodzielnego prowadzenia z podstawową wiedzą wymaganą do poruszania się po zwykłych drogach. Badacze przeszkolili swój system przy użyciu 150 000 panoram Street View.

Jego dokładność powinna się poprawiać wraz ze wzrostem zestawu danych treningowych, mówi Ari Seff , doktorant w Princeton, który opracował system z Jianxiong Xiao , profesor, który niedawno opuścił uniwersytet, aby założyć startup motoryzacyjny o nazwie AutoX.ai.

Ręczne tworzenie trójwymiarowych map w wysokiej rozdzielczości do autonomicznej jazdy jest żmudne i kosztowne, mówi John Leonard, profesor CSAIL w MIT, który specjalizuje się w mapowaniu i zautomatyzowanej jeździe. Jeśli ten proces można zautomatyzować za pomocą głębokich sieci, które działają na dużych publicznych bazach danych, byłoby to wielką wygraną dla technologii autonomicznej.

Podejście to oferuje również sposób na wytrenowanie systemu rozpoznawania sytuacji, w których prawdziwy samochód autonomiczny może napotkać rzadko, na przykład bardzo złożone skrzyżowanie. Modele te mogłyby potencjalnie zostać wykorzystane jako część systemu kopii zapasowych w pojazdach autonomicznych, potwierdzając informacje dostarczane przez wstępnie zeskanowane mapy 3D. Jednak nie przetestowaliśmy tego jeszcze w prawdziwym pojeździe, mówi Seff.

Naukowcy sugerują również, że ich system może ostrzegać o infrastrukturze drogowej – na przykład, jeśli system uzna, że ​​ulica wygląda na jednokierunkową, podczas gdy tak nie jest, może być konieczne zaktualizowanie oznakowania. Ograniczenia polegają na tym, że system nie może zidentyfikować obiektów, które nie są zidentyfikowane na mapie, takich jak piesi lub inne pojazdy, i nie jest wystarczająco dokładny, aby bardzo precyzyjnie zlokalizować samochód.

Uczenie się tego z Google Street View to dobry pomysł, mówi Craig Quiter, inżynier w Otto, firmie produkującej autonomiczne ciężarówki, która została przejęta przez Ubera w zeszłym roku. Dane wyjściowe nie zawierają wystarczająco dużo, aby jeździć samochodem, ale zdecydowanie są pomocne wraz z innym postrzeganiem jako dane wejściowe dla planisty.

Quiter opracował Grand Theft Auto V, pracując jako wykonawca dla OpenAI w zeszłym roku. Gra może trenować oprogramowanie do rozpoznawania elementów świata rzeczywistego.

GTA V daje naukowcom dostęp do bogatego, zróżnicowanego świata do testowania i rozwijania sztucznej inteligencji, pisze Quiter w poście na blogu opublikowanym przez OpenAI. Jego wyspa jest prawie jedną piątą wielkości Los Angeles, co daje dostęp do szerokiej gamy scenariuszy dla systemów testowych. Dodaj do tego 257 różnych pojazdów, siedem typów rowerów i 14 typów pogody, a za pomocą jednego symulatora możesz odkrywać ogromną liczbę kombinacji.

Za pośrednictwem Universe agent może również opracować strategię prowadzenia, eksperymentując w grze i udoskonalając swoje zachowanie, gdy osiąga określone cele, co jest podejściem znanym jako uczenie się przez wzmacnianie (zobacz Nowe narzędzie, dzięki któremu sztuczna inteligencja może nauczyć się robić prawie wszystko na komputerze ).

W e-mailu głośniej dodano, że udostępniając technologię wymaganą do zautomatyzowanej jazdy, naukowcy i firmy mogą ją zdemokratyzować. Myślę, że o wiele łatwiej było przetestować sztuczną inteligencję autonomicznego samochodu, mówi.

ukryć