ويستخدم نموذج الذكاء الاصطناعي البيانات الجوية والأرضية للانتقال إلى المناطق التي يصعب مراقبتها

هل يمكن لنماذج الذكاء الاصطناعي المساعدة في التنقل عبر المناطق (الشوارع) التي لم يتم تدريبهم عليها من قبل، أو التي لم يتم تزويدهم ببيانات التدريب الكافية بشأنها؟ وهذا ما يهتم به العلماء في فريق تطوير الذكاء الاصطناعي في DeepMind. وبعد سنوات عديدة من الحضانة، حقق العلماء أخيرًا نجاحًا في مشروع بحثي يسمى: "تعلم سياسات الرؤية المتقاطعة للملاحة في الشوارع"، والذي تم الكشف عنه مؤخرًا في مقال نُشر على موقع Arxiv.org.

في هذا البحث، يصف علماء ديب مايند تطوير سياسة الذكاء الاصطناعي التي تم تدريبها من مستودع بيانات غني بزوايا عديدة (معظمها صور مأخوذة من الأعلى إلى الأسفل)، تستهدف مناطق مختلفة من المدينة، لتحقيق كفاءة مراقبة أكثر مثلى. ويعتقد الباحثون أن مثل هذا النهج من شأنه أن يؤدي إلى نتائج تعميم أفضل.

• الفرق بين الذكاء الاصطناعي (الذكاء الاصطناعي) والحوسبة الإدراكية (الحوسبة الإدراكية)

في جوهره، هذا البحث مستوحى من حقيقة أن الناس يمكنهم التكيف بسرعة مع التخطيط والبنية الأساسية لمدينة جديدة من خلال فحص خريطة تلك المدينة بعناية عدة مرات.

"تعد القدرة على التنقل من خلال الملاحظات المرئية في البيئات غير المألوفة عنصرًا أساسيًا في دراسة قدرة نماذج الذكاء الاصطناعي على تعلم التنقل. إن قدرة نماذج الذكاء الاصطناعي على التنقل في الشوارع في الحالات التي يوجد فيها نقص في بيانات التدريب محدودة نسبيًا حتى الآن، والاعتماد على نماذج المحاكاة ليس حلاً يمكن أن يكون فعالاً على المدى الطويل. قال ممثل فريق البحث: "فكرتنا الأساسية هي إقران المنظر الأرضي بالمنظر الجوي واستكشاف السياسات المشتركة التي يمكن أن تتيح التبديل بين وجهات النظر".

• جوجل تطلق مستودعًا ضخمًا لبيانات تدريب الذكاء الاصطناعي يضم أكثر من 5 ملايين صورة لـ 200 ألف معلم حول العالم

وبشكل أكثر تحديدًا، فإن الخطوة الأولى التي سيتعين على الباحثين القيام بها هي جمع الخرائط الجوية للمنطقة التي يعتزمون التنقل فيها (جنبًا إلى جنب مع أوضاع مراقبة الشوارع بناءً على الإحداثيات الجغرافية). بعد ذلك، انطلقوا في مهمة نقل آني من ثلاثة أجزاء، تبدأ بالتدريب على البيانات وضبط منطقة المصدر باستخدام عمليات الرصد الجوي للمنطقة، وتنتهي بالتحرك إلى المنطقة المستهدفة باستخدام عمليات الرصد الأرضية.

يحتوي نظام التعلم الآلي الخاص بفريق البحث على مجموعة من 3 وحدات منفصلة، ​​بما في ذلك:

• الوحدة التلافيفية المسؤولة عن الإدراك البصري.
• تعد وحدة الذاكرة طويلة المدى (LSTM) مسؤولة عن استرداد الخصائص الخاصة بالموقع.
• تساعد الوحدة العصبية المتكررة للسياسة في إنشاء أقسام من خلال الإجراءات.

تم نشر نموذج التعلم الآلي هذا في StreetAir - وهي بيئة شوارع خارجية متعددة وجهات النظر - مبنية على قمة StreetLearn. (StreetLearn هي أول مجموعة تفاعلية من الصور البانورامية المستخرجة من Google Street View وGoogle Maps).

• يستخدم الذكاء الاصطناعي التغريدات لمساعدة الباحثين على تحليل حالات الفيضانات

في StreetAir وStreetLearn، يتم ترتيب الصور الجوية التي تحتوي على مناظر بانورامية لمدينة نيويورك (بما في ذلك وسط مدينة نيويورك ووسط مدينة نيويورك) وبيتسبرغ (حرمي كلية أليغيني وجامعة كارنيجي ميلون) بحيث ترجع البيئة جوية عند كل درجة إحداثية وخط طول. الصور بحجم 84 × 84 وهو نفس حجم الصور من الأرض.

سيتم تكليف نظام الذكاء الاصطناعي، بعد خضوعه للتدريب، بتعلم كيفية تحديد موقع مخطط صور بانورامي للتجوّل الافتراضي والتنقل فيه مع إحداثيات خطوط الطول والعرض للوجهة.

تغطي الصور البانورامية مناطق تتراوح مساحتها من 2 إلى 5 كم على الجانب، ومسافة حوالي 10 أمتار، وسيُسمح للمركبات (التي يتم التحكم فيها بواسطة الذكاء الاصطناعي) بأداء 1 من 5 إجراءات في كل منعطف: التحرك للأمام، أو الانعطاف يسارًا أو يمينًا 22.5 درجة، أو انعطاف يسارًا أو يمينًا 67.5 درجة. درجات.

عند الاقتراب من الموقع المستهدف على مسافة 100-200 متر، ستحصل هذه المركبات على "مكافآت" لتشجيعها على تحديد التقاطعات وعبورها بسرعة ودقة.

• يمكن لنموذج الذكاء الاصطناعي التابع لمعهد ماساتشوستس للتكنولوجيا التقاط العلاقات بين الأشياء من تلقاء نفسه باستخدام الحد الأدنى من بيانات التدريب

في التجارب، حققت المركبات التي استغلت الصور الجوية للتكيف مع البيئات الجديدة مقاييس مكافأة قدرها 190 عند 100 مليون خطوة و280 عند 200 مليون خطوة، وكلاهما أعلى بكثير مقارنة بالمركبات التي تستخدم بيانات المراقبة الأرضية فقط (50 عند 100 مليون خطوة و200 عند 200 خطوة). مليون خطوة). ووفقا للباحثين، أظهرت النتائج أن أسلوبهم يحسن بشكل كبير قدرة المركبات على اكتساب المعرفة بشكل أكثر فعالية حول مناطق متعددة من المدينة المستهدفة.