Deze AI denkt als een hond

Alle hondenbezitters kunnen getuigen van de krachtige intelligentie van hun viervoeters. Veel honden leveren inderdaad belangrijke diensten, zoals het begeleiden van slechtzienden, het vinden van verdwaalde personen of het opsporen van drugs en andere smokkelwaar.

Deze vaardigheden gaan zelfs de krachtigste kunstmatige intelligentie te boven. En toch hebben AI-onderzoekers er nog geen gebruik van gemaakt bij het trainen van AI-systemen om beter in staat te zijn.

Vandaag verandert dat dankzij het werk van Kiana Ehsani aan de Universiteit van Washington in Seattle en collega's, die een unieke dataset van hondengedrag hebben verzameld en deze hebben gebruikt om een ​​AI-systeem te trainen om hondachtige beslissingen te nemen. Hun aanpak opent een nieuw gebied van AI-onderzoek dat de mogelijkheden van andere intelligente wezens op onze planeet bestudeert.

Het team begint met het bouwen van een database met hondengedrag. Ze doen dit door een enkele hond uit te rusten met traagheidsmeeteenheden op zijn poten, staart en lichaam om hun relatieve hoek en de absolute positie van het dier vast te leggen.

Ze plaatsten ook een GoPro-camera op het hoofd van de hond om de visuele scène op te nemen, gesampled met een snelheid van vijf frames per seconde, en een microfoon op de rug van de hond om geluid op te nemen. De gegevens werden geregistreerd door een Arduino-eenheid op de rug van de hond.

In totaal verzamelde het team zo'n 24.500 videoframes met gesynchroniseerde lichaamshoudings- en bewegingsgegevens. Ze gebruikten 21.000 van deze frames voor AI-training en de rest voor validatie en testen van het AI-systeem.

Het team onderzocht hoe je je als een hond moet gedragen, hoe je kunt plannen als een hond en hoe je van een hond kunt leren.

In de eerste taak was het doel om de toekomstige bewegingen van de hond te voorspellen aan de hand van een reeks afbeeldingen. De AI doet dit door naar videoframes te kijken en te bestuderen wat de hond vervolgens deed.

Door op deze manier te leren, wordt het systeem goed in het nauwkeurig voorspellen van de volgende vijf bewegingen na het zien van een reeks van vijf beelden. Ons model voorspelt de toekomstige hondenbewegingen correct door alleen de beelden te observeren die de hond in de vorige tijdstappen heeft waargenomen, zeggen Ehsani en co.

De planningstaak is iets moeilijker. Het doel hier is om een ​​reeks acties te vinden die de hond tussen de locaties van een bepaald paar afbeeldingen bewegen. De AI leert dit opnieuw door de acties te bestuderen die verband houden met een breed scala aan sequentiële videoframes.

Nogmaals, het systeem presteert goed. Onze resultaten laten zien dat ons model deze basislijnen overtreft in de uitdagende taak om als een hond te plannen, zowel in termen van nauwkeurigheid als verwarring, aldus het team.

De laatste taak is om te leren van hondengedrag. Een ding dat honden leren, is waar ze wel en niet kunnen lopen. Dus het team gebruikt de database om de AI te trainen om te herkennen welke soorten oppervlakken beloopbaar zijn en deze te labelen in nieuwe afbeeldingen.

Dat is interessant werk dat laat zien hoe AI-systemen bepaalde soorten dierprestaties kunnen evenaren. Ons model leert van egocentrische video- en bewegingsinformatie om te handelen en plannen zoals een hond in dezelfde situatie zou doen, zeggen ze.

Natuurlijk is er veel werk aan de winkel. Dit werk verzamelt bijvoorbeeld gegevens van een enkele hond. Daarom wil het team gegevens bestuderen die zijn verzameld van een breed scala aan honden. Dat zou hen in staat stellen hun gedrag te vergelijken en de visuele intelligentie van honden in meer detail te begrijpen.

Maar er is geen reden waarom de aanpak beperkt zou moeten blijven tot honden. Er zou veel te leren zijn door vergelijkbare datasets te verzamelen voor apen, boerderijdieren en allerlei soorten dieren in het wild. Zoals Ehsani en co het uitdrukten: We hopen dat dit werk de weg vrijmaakt voor een beter begrip van visuele intelligentie en van de andere intelligente wezens die onze wereld bewonen.

Referentie: arxiv.org/abs/1803.10827 : Wie laat de honden uit? Hondengedrag modelleren op basis van visuele gegevens

zich verstoppen