211service.com
Zelfrijdende auto's kunnen veel leren door Grand Theft Auto te spelen
Duizenden uren besteden aan het spelen van Grand Theft Auto heeft misschien twijfelachtige voordelen voor mensen, maar het kan computers aanzienlijk intelligenter maken.
Verschillende onderzoeksgroepen gebruiken nu het enorm populaire spel, dat snelle auto's en verschillende snode activiteiten bevat, om algoritmen te trainen waarmee een zelfrijdende auto een echte weg kan navigeren.
Er is weinig kans dat een computer slecht gedrag leert door gewelddadige computerspelletjes te spelen. Maar het verbluffend realistische landschap in Grand Theft Auto en andere virtuele werelden kan een machine helpen om elementen van de echte wereld correct waar te nemen.
Een techniek die bekend staat als machine learning, stelt computers in staat om indrukwekkende nieuwe dingen te doen, zoals het identificeren van gezichten en het zo goed mogelijk herkennen van spraak. Maar de aanpak vereist enorme hoeveelheden samengestelde gegevens, en het kan een uitdaging en tijdrovend zijn om genoeg te verzamelen. Het landschap in veel games is zo fantastisch realistisch dat het kan worden gebruikt om gegevens te genereren die net zo goed zijn als de gegevens die worden gegenereerd met behulp van echte beelden.
Een afbeelding van Grand Theft Auto waarin verschillende elementen automatisch zijn geannoteerd.
Sommige onderzoekers bouwen al 3D-simulaties met game-engines om trainingsgegevens voor hun algoritmen te genereren (zie Om echt slim te worden, moet AI mogelijk meer videogames spelen). Kant-en-klare computergames, met uren aan fotorealistische beelden, kunnen echter een eenvoudigere manier bieden om grote hoeveelheden trainingsgegevens te verzamelen.
Een team van onderzoekers van Intel Labs en Darmstadt University in Duitsland heeft een slimme manier ontwikkeld om bruikbare trainingsgegevens uit Grand Theft Auto te halen.
De onderzoekers creëerden een softwarelaag die tussen het spel en de hardware van een computer zit en automatisch verschillende objecten classificeert in de wegscènes die in het spel worden getoond. Dit levert de labels die vervolgens kunnen worden ingevoerd in een machine learning-algoritme, waardoor het auto's, voetgangers en andere objecten kan herkennen, zowel in het spel als in een echte straat. Volgens een krant onlangs door het team is gepost, zou het bijna onmogelijk zijn om mensen alle scènes handmatig te laten labelen met vergelijkbare details. De onderzoekers zeggen ook dat echte trainingsbeelden kunnen worden verbeterd door wat synthetische beelden toe te voegen.
De software scant een wegbeeld en wijst objectlabelnamen toe (in het linkerpaneel), zoals weg, trottoir of gebouw.
Een van de grote uitdagingen bij AI is hoe je de dorst naar gegevens kunt lessen die worden getoond door de krachtigste algoritmen voor machine learning. Dit is vooral problematisch voor taken in de echte wereld, zoals automatisch rijden. Het kost duizenden uren om echte straatbeelden te verzamelen en nog duizenden uren om al die afbeeldingen te labelen. Het is ook onpraktisch om alle mogelijke scenario's in het echte leven te doorlopen, zoals een auto met hoge snelheid tegen een bakstenen muur laten crashen.
Het annoteren van real-world data is een dure operatie en de huidige benaderingen zijn niet gemakkelijk op te schalen, zegt Alireza Shafaei , een promovendus aan de University of British Columbia die onlangs co-auteur was van een krant laat zien hoe videogames kunnen worden gebruikt om een computervisiesysteem te trainen, in sommige gevallen net zo goed als met echte gegevens. Samen met Mark Schmidt , een assistent-professor bij UBC, en Jim Little , een professor aan UBC, Shafaei toonde aan dat videogames ook een gemakkelijke manier bieden om de omgevingscondities in trainingsgegevens te variëren.
Met kunstmatige omgevingen kunnen we moeiteloos nauwkeurig geannoteerde gegevens op grotere schaal verzamelen met een aanzienlijke hoeveelheid variatie in verlichtings- en klimaatinstellingen, zegt Shafaei. We toonden aan dat deze synthetische data bijna net zo goed, of soms zelfs beter, zijn dan het gebruik van echte data voor training.
AI-onderzoekers gebruiken al eenvoudige games om de leermogelijkheden van hun algoritmen te testen (zie Google's AI Masters Space Invaders en Minecraft Is a Testing Ground for Human-AI Collaboration). Maar er is een groeiende belangstelling voor het gebruik van game-scapes om visuele trainingsgegevens van algoritmen te voeden. Een groep aan de Johns Hopkins University in Baltimore is bijvoorbeeld een hulpmiddel ontwikkelen die kan worden gebruikt om een algoritme voor machine learning te verbinden met elke omgeving die is gebouwd met de populaire game-engine Unreal. Denk hierbij aan games als KiteRunner en Hellblade, maar ook aan veel spectaculaire architecturale visualisaties.
Rockstar Games, de studio achter de Grand Theft Auto-franchise, weigerde de mogelijkheid om commentaar te geven op dit stuk.