Model AI menggunakan data udara dan darat untuk menavigasi ke kawasan yang sukar untuk diperhatikan

Bolehkah model kecerdasan buatan membantu menavigasi melalui kawasan (jalan) yang mereka tidak pernah dilatih sebelum ini, atau yang mereka tidak diberi data latihan yang mencukupi? Itulah yang dibimbangkan oleh saintis di pasukan pembangunan kecerdasan buatan DeepMind. Dan selepas bertahun-tahun inkubasi, saintis akhirnya mencapai kejayaan dalam projek penyelidikan yang dipanggil: "Pembelajaran Dasar Pandangan Silang untuk Navigasi Jalan", baru-baru ini didedahkan dalam artikel yang diterbitkan di Arxiv.org.

Dalam penyelidikan ini, saintis DeepMind menerangkan pembangunan dasar AI yang dilatih daripada gudang data yang kaya dengan banyak sudut (kebanyakannya imej diambil dari atas ke bawah), Menyasarkan kawasan bandar yang berbeza, untuk kecekapan pemerhatian yang lebih optimum. Para penyelidik percaya bahawa pendekatan sedemikian akan membawa kepada hasil generalisasi yang lebih baik.

• Perbezaan antara AI (Kecerdasan Buatan) dan Pengkomputeran Kognitif (Pengkomputeran Kognitif)

Pada dasarnya, penyelidikan ini diilhamkan oleh fakta bahawa orang ramai boleh dengan cepat menyesuaikan diri dengan susun atur dan struktur asas bandar baharu dengan teliti memeriksa peta bandar itu berkali-kali.

“Keupayaan untuk menavigasi daripada pemerhatian visual dalam persekitaran yang tidak dikenali adalah komponen teras dalam mengkaji keupayaan model AI untuk mempelajari navigasi. Keupayaan model AI untuk menavigasi jalanan dalam kes di mana terdapat kekurangan data latihan setakat ini agak terhad, dan bergantung pada model simulasi bukanlah penyelesaian yang boleh berkesan dalam jangka panjang. Idea teras kami adalah untuk menggandingkan pandangan darat dengan pandangan udara dan meneroka dasar biasa yang boleh membolehkan pertukaran antara pandangan," kata wakil pasukan penyelidik itu.

• Google mengeluarkan gudang data latihan AI yang besar dengan lebih daripada 5 juta foto 200,000 tanda tempat di seluruh dunia

Lebih khusus lagi, langkah pertama yang perlu dilakukan oleh penyelidik ialah mengumpul peta udara bagi kawasan yang mereka ingin navigasi (digabungkan dengan mod cerapan jalan berdasarkan koordinat geografi). sebab yang sepadan). Seterusnya, mereka memulakan misi teleportasi tiga bahagian, bermula dengan latihan mengenai data dan menyesuaikan kawasan sumber menggunakan pemerhatian udara di kawasan tersebut, dan berakhir dengan pergerakan ke kawasan sasaran menggunakan pemerhatian tanah.

Sistem pembelajaran mesin pasukan penyelidik mengandungi satu set 3 modul berasingan, termasuk:

• Modul konvolusi, bertanggungjawab untuk persepsi visual.
• Modul ingatan jangka pendek panjang (LSTM) bertanggungjawab untuk mendapatkan semula ciri khusus lokasi.
• Modul saraf berulang dasar membantu mewujudkan pembahagian melalui tindakan.

Model pembelajaran mesin ini digunakan dalam StreetAir - persekitaran jalan luar berbilang perspektif - dibina di atas StreetLearn. (StreetLearn ialah koleksi interaktif pertama foto panorama yang diekstrak daripada Google Street View dan Peta Google).

• AI menggunakan tweet untuk membantu penyelidik menganalisis situasi banjir

Dalam StreetAir dan StreetLearn, imej udara yang mengandungi pemandangan panoramik New York City (termasuk Downtown NYC dan Midtown NYC) dan Pittsburgh (kampus Allegheny College dan Carnegie Mellon University) disusun supaya pada setiap latitud menyelaras darjah dan longitud, persekitaran mengembalikan udara imej pada saiz 84 x 84, saiz yang sama dengan imej dari tanah.

Sistem AI, selepas menjalani latihan, akan ditugaskan untuk mempelajari cara menyetempatkan dan menavigasi carta imej Street View panoramik dengan koordinat longitud dan latitud destinasi.

Panorama meliputi kawasan dari 2-5km di sebelah, jarak kira-kira 10m, dan kenderaan (dikawal AI) akan dibenarkan melakukan 1 daripada 5 tindakan setiap pusingan: bergerak ke hadapan, belok kiri atau kanan 22.5 darjah atau belok kiri atau kanan 67.5 darjah.

Apabila menghampiri lokasi sasaran dalam lingkungan 100-200 meter, kenderaan ini akan menerima "ganjaran" untuk menggalakkan mengenal pasti dan melepasi persimpangan dengan cepat dan tepat.

• Model AI MIT boleh menangkap hubungan antara objek dengan sendirinya dengan data latihan yang minimum

Dalam eksperimen, kenderaan yang mengeksploitasi imej udara untuk menyesuaikan diri dengan persekitaran baharu mencapai metrik ganjaran sebanyak 190 pada 100 juta langkah dan 280 pada 200 juta langkah, kedua-duanya jauh lebih tinggi berbanding kenderaan yang hanya menggunakan data pemerhatian darat (50 pada 100 juta langkah dan 200 pada 200 langkah. juta langkah). Menurut para penyelidik, keputusan menunjukkan bahawa kaedah mereka meningkatkan keupayaan kenderaan untuk memperoleh pengetahuan dengan lebih berkesan tentang pelbagai kawasan di bandar sasaran.