211service.com
Robotbiler kan lære å kjøre uten å forlate garasjen
Datamaskinene som kontrollerer selvkjørende biler får verdifull kunnskap om den virkelige verden på noen overraskende måter – inkludert å surfe på nettkart og spille videospill.
Forskere ved Princeton University utviklet nylig et datasyn og kartleggingssystem som samlet nyttig informasjon om de fysiske egenskapene til veier ved å studere Google Street View og sammenligne scenene med informasjonen gitt i åpen kildekode-kartdata. Dette tillot den for eksempel å lære hvor kantene på et veikryss skal være basert på bilder tatt av Googles kartleggingsbiler.
I eget arbeid avslørt onsdag, forskere kl OpenAI , en ideell organisasjon med fokus på grunnleggende AI-forskning, skapte en måte å få programvareagenter til å lære seg kjørestrategi ved å eksperimentere i videospillet Grand Theft Auto V, gjennom en plattform kjent som Universe. Noen videospill er nå så visuelt realistiske at de kan la en datasyn lære om den virkelige verden (se Selvkjørende biler kan lære mye ved å spille Grand Theft Auto ).
Nye tilnærminger til opplæring av selvkjørende biler kan bidra til å demokratisere teknologien, og gjøre den mer pålitelig. Selvkjørende biler var overalt på årets Consumer Electronics Show i Las Vegas, og teknologien er i sentrum på den nordamerikanske bilmessen i Detroit, som startet denne uken. Men ikke alle har ressursene til Ford, Google eller Uber, og automatiserte kjøretøy sliter fortsatt i mange situasjoner (se Hva du bør vite før du setter deg i en selvkjørende bil). Så noen forskere kommer opp med kreative måter å samle data og togkjøringssystem på. Det er til og med forsøk på å åpne kildekode teknologien som kreves for automatisert kjøring.
Princeton-forskerne gruvede Google Street View og OpenStreetMap for deres data. Veifunksjoner i Google Street View-bilder er noen ganger blokkert av et kjøretøy, noen som krysser veien eller noe annet, så systemet måtte lære seg å gjenkjenne, og deretter forkaste, slike gjenstander. Forskerne testet systemet deres på nye bilder og fant ut at det kunne skjelne veitrekk ganske nøyaktig. De sier det kan tilby en måte å starte et selvkjørende system med noe av den grunnleggende kunnskapen som kreves for å navigere på vanlige veier. Forskerne trente systemet sitt ved å bruke 150 000 Street View-panoramaer.
Nøyaktigheten bør forbedres etter hvert som treningsdatasettet vokser, sier Ari Seff , en hovedfagsstudent ved Princeton som utviklet systemet med Jianxiong Xiao , en professor som nylig forlot universitetet for å grunnlegge en biloppstart kalt AutoX.ai.
Manuell oppretting av høyoppløselige 3D-kart for autonom kjøring er kjedelig og dyrt, sier John Leonard, professor ved MITs CSAIL, som spesialiserer seg på kartlegging og automatisert kjøring. Hvis denne prosessen kan automatiseres ved hjelp av dype nettverk som opererer på store offentlige databaser, vil dette være en stor gevinst for selvkjørende teknologi.
Tilnærmingen tilbyr også en måte å trene et system til å gjenkjenne situasjoner som en ekte selvkjørende bil bare kan møte sjelden, som et veldig komplekst veikryss. Disse modellene kan potensielt brukes som en del av et sikkerhetskopisystem i autonome kjøretøy, og bekrefter informasjonen gitt av forhåndsskannede 3D-kart. Vi har imidlertid ennå ikke testet dette i et ekte kjøretøy, sier Seff.
Forskerne foreslår også at systemet deres kan gi en advarsel om veiinfrastruktur – for eksempel hvis systemet konkluderer med at en gate ser ut som om den er enveiskjørt når den ikke er det, kan det hende at skiltingen må oppdateres. Begrensningene er at systemet ikke kan identifisere objekter som ikke er identifisert på et kart, som fotgjengere eller andre kjøretøy, og det er ikke nøyaktig nok til å lokalisere en bil veldig nøyaktig.
Å lære dette fra Google Street View er en god idé, sier Craig Quiter, ingeniør hos Otto, et selskap som lager selvkjørende lastebiler og som ble kjøpt opp av Uber i fjor. Utgangene inneholder ikke nok til å kjøre bil med, men er definitivt nyttige sammen med annen oppfatning som input til en planlegger.
Quiter utviklet Grand Theft Auto V mens han jobbet som entreprenør for OpenAI i fjor. Spillet kan trene programvare til å gjenkjenne elementer fra den virkelige verden.
GTA V gir forskere tilgang til en rik, mangfoldig verden for testing og utvikling av AI, skriver Quiter i et blogginnlegg publisert av OpenAI. Øy-innstillingen er nesten en femtedel av størrelsen på Los Angeles, og gir tilgang til et bredt spekter av scenarier for å teste systemer. Legg til det de 257 forskjellige kjøretøyene, syv typer sykler og 14 værtyper, og det er mulig å utforske et stort antall permutasjoner ved å bruke en enkelt simulator.
Gjennom Universe kan en agent også utvikle en drivende strategi ved å eksperimentere i spillet og avgrense sin egen oppførsel etter hvert som den oppnår visse mål, en tilnærming kjent som forsterkende læring (se Et nytt verktøy lar AI lære å gjøre nesten hva som helst på en datamaskin ).
Quiter la til i en e-post at ved å frigjøre teknologien som kreves for automatisert kjøring, kan forskere og bedrifter demokratisere den. Jeg tror det er blitt mye lettere å teste selvkjørende bil-AI, sier han.