211service.com
Wat robots van baby's kunnen leren
Kinderen leren snel voorspellen wat er gebeurt als ze een beker met sap ondersteboven keren. Robots daarentegen hebben geen idee.
Onderzoekers aan de Allen Instituut voor Kunstmatige Intelligentie (Ai2 ) in Seattle hebben een computerprogramma ontwikkeld dat laat zien hoe machines bepalen hoe de objecten die door een camera zijn vastgelegd zich hoogstwaarschijnlijk zullen gedragen. Dit zou kunnen helpen om robots en andere machines minder foutgevoelig te maken en zou zelfrijdende auto's kunnen helpen om veiliger door onbekende scènes te navigeren.
Het systeem, ontwikkeld door Roozbeh Mottaghi en collega's, trekt conclusies over de fysieke eigenschappen van een scène met behulp van een combinatie van machine learning en 3D-modellering. De onderzoekers hebben meer dan 10.000 afbeeldingen omgezet in scènes die in een vereenvoudigd formaat zijn weergegeven met behulp van een 3D-fysica-engine. De 3D-weergaven zijn gemaakt door vrijwilligers via Amazon's Mechanical Turk crowdsourcing-platform.
De onderzoekers voerden de afbeeldingen en hun 3D-representaties in op een computer met een groot diep lerend neuraal netwerk, dat geleidelijk leerde een bepaalde scène te associëren met bepaalde eenvoudige krachten en bewegingen. Toen het systeem vervolgens onbekende afbeeldingen te zien kreeg, kon het wijzen op de verschillende krachten die in het spel zouden kunnen zijn.
Het werkt niet vlekkeloos, maar vaker wel dan niet zal de computer een verstandige conclusie trekken. Voor een afbeelding van een nietmachine die op een bureau zit, kan het programma bijvoorbeeld zien dat de nietmachine over het bureau zou schuiven en dan abrupt op de grond zou vallen. Voor een foto van een salontafel en een bank weet hij dat de tafel over de vloer kan worden geschoven totdat hij de bank bereikt.
Het doel is om de dynamiek van de physics engine te leren, zegt Mottaghi. Je moet alles afleiden op basis van alleen de afbeelding die je ziet.
Het werk kan vooral nuttig zijn voor robots die een scène snel moeten interpreteren en er vervolgens in moeten handelen. Zelfs een robot die is uitgerust met een 3D-scanner zou vaak de fysica moeten afleiden van de scène die hij waarneemt. En het zou onpraktisch zijn om een robot alles met vallen en opstaan te laten leren. Het verzamelen van gegevens hiervoor is erg moeilijk, zegt Mottaghi. Als ik mijn robot naar een winkel breng, kan hij geen objecten duwen en gegevens verzamelen; het zou erg duur zijn.
Dit programma maakt deel uit van een grotere inspanning genaamd Project Plato , gericht op het uitrusten van machines met visuele intelligentie die verder gaat dan eenvoudige objectherkenning en categorisatie. Een verwant project, ook onderdeel van Project Plato, stelt een computer in staat om een fysieke kracht te herkennen die al in het spel is: bijvoorbeeld hoe een skiër van een berg zou afdalen, of hoe een getrapte voetbal door de lucht zou vliegen.
De afgelopen jaren zijn computers veel beter geworden in het ontleden van afbeeldingen, dankzij de vooruitgang in deep learning, krachtigere hardware en grote gelabelde afbeeldingsgegevenssets. Na veel voorbeelden te hebben gekregen, kunnen computers nu vragen over een scène beschrijven of beantwoorden (zie Google's Brain-Inspired Software Describes What It Sees in Complex Images en Facebook App Can Answer Basic Questions About What's In Photos). Maar dit verraadt een zeer oppervlakkig begrip van wat er in een afbeelding gebeurt. Voor een dieper begrip moet een computer begrijpen hoe de fysieke wereld werkt.
Brendenmeer , een onderzoeker aan de New York University die gespecialiseerd is in het modelleren van menselijke cognitieve vermogens, zegt dat het Ai2-werk een belangrijke stap in die richting is.
Echt begrip van de scène vereist veel meer dan alleen het herkennen van objecten, zegt Lake. Wanneer mensen een momentopname van een scène zien, vertellen ze een verhaal: wat zijn de objecten, waarom zijn ze daar en wat zal er gebeuren. Het begrijpen van natuurkunde is een belangrijk onderdeel van het vertellen van dit verhaal.
Volgens Lake is er echter veel meer redenering betrokken bij de menselijke waarneming, iets dat de vooruitgang in robotica en machinevisie nog een tijdje zou kunnen tegenhouden. Hoewel dit een opwindende vooruitgang is, wedijvert het nog niet met ons menselijk vermogen om natuurkunde te begrijpen, zegt hij. Mensen kunnen een veel breder scala aan fysieke gebeurtenissen begrijpen en kunnen fysieke gebeurtenissen nauwkeurig voorspellen in volledig nieuwe soorten scènes.