Samojezdne samochody mogą wiele się nauczyć, grając w Grand Theft Auto

Spędzanie tysięcy godzin na graniu w Grand Theft Auto może mieć wątpliwe korzyści dla ludzi, ale może sprawić, że komputery staną się znacznie bardziej inteligentne.

Kilka grup badawczych korzysta teraz z niezwykle popularnej gry, w której występują szybkie samochody i różne nikczemne czynności, do trenowania algorytmów, które mogą umożliwić autonomicznemu samochodowi poruszanie się po prawdziwej drodze.

Jest niewielka szansa, że ​​komputer nauczy się złego zachowania, grając w brutalne gry komputerowe. Ale oszałamiająco realistyczna sceneria znaleziona w Grand Theft Auto i innych wirtualnych światach może pomóc maszynie we właściwym postrzeganiu elementów rzeczywistego świata.

Technika znana jako uczenie maszynowe umożliwia komputerom robienie imponujących nowych rzeczy, takich jak identyfikowanie twarzy i rozpoznawanie mowy tak dobrze, jak człowiek. Jednak podejście to wymaga ogromnych ilości wyselekcjonowanych danych, a ich zebranie może być trudne i czasochłonne. Sceneria w wielu grach jest tak fantastycznie realistyczna, że ​​można ją wykorzystać do wygenerowania danych równie dobrych, jak te generowane przy użyciu obrazów ze świata rzeczywistego.

Obraz z Grand Theft Auto, w którym różne elementy zostały automatycznie opatrzone adnotacjami.

Niektórzy badacze już budują symulacje 3D przy użyciu silników gier do generowania danych treningowych dla swoich algorytmów (patrz Aby uzyskać naprawdę mądrość, sztuczna inteligencja może potrzebować grać w więcej gier wideo ). Jednak gotowe gry komputerowe, oferujące wiele godzin fotorealistycznych obrazów, mogą zapewnić łatwiejszy sposób gromadzenia dużych ilości danych treningowych.

Zespół naukowców z Intel Labs i Uniwersytetu Darmstadt w Niemczech opracował sprytny sposób na wyodrębnienie przydatnych danych treningowych z Grand Theft Auto.

Naukowcy stworzyli warstwę oprogramowania, która znajduje się między grą a sprzętem komputerowym, automatycznie klasyfikując różne obiekty w scenach drogowych pokazanych w grze. Zapewnia to etykiety, które można następnie przekazać algorytmowi uczenia maszynowego, co pozwala mu rozpoznawać samochody, pieszych i inne obiekty pokazane w grze lub na prawdziwej ulicy. Według papier opublikowanych niedawno przez zespół, byłoby prawie niemożliwe, aby ludzie ręcznie oznaczyli wszystkie sceny podobnymi szczegółami. Naukowcy twierdzą również, że rzeczywiste obrazy treningowe można poprawić, dodając niektóre obrazy syntetyczne.

Oprogramowanie skanuje scenę drogi i przypisuje nazwy etykiet obiektów (na lewym panelu), takich jak droga, chodnik lub budynek.

Jednym z największych wyzwań w sztucznej inteligencji jest zaspokojenie pragnienia danych wykazywanych przez najpotężniejsze algorytmy uczenia maszynowego. Jest to szczególnie problematyczne w przypadku rzeczywistych zadań, takich jak zautomatyzowana jazda. Tysiące godzin zajmuje zebranie prawdziwych zdjęć ulicy, a tysiące innych, aby oznaczyć wszystkie te zdjęcia. Niepraktyczne jest również przechodzenie przez każdy możliwy scenariusz w prawdziwym życiu, na przykład zderzenie samochodu z ceglaną ścianą z dużą prędkością.

Adnotowanie danych rzeczywistych jest kosztowną operacją, a obecne podejścia nie dają się łatwo skalować, mówi Alireza Shafaei , doktorant na University of British Columbia, który niedawno był współautorem papier pokazanie, w jaki sposób gry wideo mogą być wykorzystywane do trenowania komputerowego systemu wizyjnego, w niektórych przypadkach tak samo jak w przypadku rzeczywistych danych. Razem z Mark Schmidt , adiunkt w UBC, oraz Jim Mały , profesor UBC, Shafaei wykazał, że gry wideo zapewniają również łatwy sposób na zmianę warunków środowiskowych występujących w danych treningowych.

W sztucznych środowiskach możemy bez trudu gromadzić precyzyjnie opatrzone adnotacjami dane na większą skalę, przy znacznym zróżnicowaniu ustawień oświetlenia i klimatu, mówi Shafaei. Pokazaliśmy, że te syntetyczne dane są prawie tak dobre, a czasem nawet lepsze, niż wykorzystanie prawdziwych danych do treningu.

Badacze sztucznej inteligencji już teraz wykorzystują proste gry jako sposób na przetestowanie możliwości uczenia się swoich algorytmów (patrz Google AI Masters Space Invaders i Minecraft to poligon doświadczalny dla współpracy między ludźmi i sztuczną inteligencją). Jednak rośnie zainteresowanie wykorzystaniem scenerii gry do zasilania algorytmów wizualnymi danymi treningowymi. Na przykład grupa z Johns Hopkins University w Baltimore to opracowanie narzędzia które można wykorzystać do połączenia algorytmu uczenia maszynowego z dowolnym środowiskiem zbudowanym przy użyciu popularnego silnika gier Unreal. Obejmuje to gry takie jak KiteRunner i Hellblade, ale także wiele spektakularnych wizualizacji architektonicznych.

Rockstar Games, studio stojące za franczyzą Grand Theft Auto, odmówiło możliwości skomentowania tego artykułu.

ukryć