โมเดลปัญญาประดิษฐ์สามารถช่วยนำทางผ่านพื้นที่ (ถนน) ที่ไม่เคยได้รับการฝึกอบรมมาก่อน หรือไม่ได้รับข้อมูลการฝึกอบรมเพียงพอหรือไม่ นั่นคือสิ่งที่นักวิทยาศาสตร์จากทีมพัฒนาปัญญาประดิษฐ์ DeepMind กังวล และหลังจากการบ่มเพาะเป็นเวลาหลายปี ในที่สุด นักวิทยาศาสตร์ก็ประสบความสำเร็จในโครงการวิจัยชื่อ "Cross-View Policy Learning for Street Navigation" ซึ่งเพิ่งเปิดเผยในบทความที่เผยแพร่บน Arxiv.org
ในการวิจัยนี้ นักวิทยาศาสตร์ของ DeepMind บรรยายถึงการพัฒนานโยบาย AI ที่ได้รับการฝึกอบรมจากคลังข้อมูลที่หลากหลายซึ่งมีหลายมุม (ส่วนใหญ่เป็นภาพที่ถ่ายจากบนลงล่าง) โดยกำหนดเป้าหมายไปยังพื้นที่ต่างๆ ของเมือง เพื่อประสิทธิภาพในการสังเกตที่เหมาะสมที่สุด นักวิจัยเชื่อว่าแนวทางดังกล่าวจะนำไปสู่ผลลัพธ์โดยรวมที่ดีขึ้น

โดยพื้นฐานแล้ว งานวิจัยนี้ได้รับแรงบันดาลใจจากความจริงที่ว่าผู้คนสามารถปรับตัวให้เข้ากับรูปแบบและโครงสร้างพื้นฐานของเมืองใหม่ได้อย่างรวดเร็วโดยการตรวจสอบแผนที่ของเมืองนั้นอย่างรอบคอบหลายครั้ง
“ความสามารถในการนำทางจากการสังเกตด้วยภาพในสภาพแวดล้อมที่ไม่คุ้นเคยเป็นองค์ประกอบหลักในการศึกษาความสามารถของโมเดล AI ในการเรียนรู้การนำทาง จนถึงขณะนี้ ความสามารถของโมเดล AI ในการนำทางไปตามท้องถนนในกรณีที่ขาดข้อมูลการฝึกอบรมยังค่อนข้างจำกัดและการพึ่งพาโมเดลจำลองไม่ใช่วิธีแก้ปัญหาที่จะมีประสิทธิภาพในระยะยาว แนวคิดหลักของเราคือการจับคู่มุมมองพื้นดินกับมุมมองทางอากาศและสำรวจนโยบายทั่วไปที่สามารถสลับระหว่างมุมมองได้” ตัวแทนของทีมวิจัยกล่าว
โดยเฉพาะอย่างยิ่ง ขั้นตอนแรกที่นักวิจัยต้องทำคือการรวบรวมแผนที่ทางอากาศของพื้นที่ที่พวกเขาตั้งใจจะนำทาง (รวมกับโหมดการสังเกตถนนตามพิกัดทางภูมิศาสตร์) เหตุผลที่เกี่ยวข้อง) ต่อไป พวกเขาเริ่มภารกิจเคลื่อนย้ายมวลสารสามส่วน โดยเริ่มจากการฝึกอบรมข้อมูลและการปรับพื้นที่ต้นทางโดยใช้การสังเกตการณ์ทางอากาศของพื้นที่ และจบลงด้วยการเคลื่อนที่ไปยังพื้นที่เป้าหมายโดยใช้การสังเกตการณ์ภาคพื้นดิน
ระบบการเรียนรู้ของเครื่องของทีมวิจัยประกอบด้วยชุดโมดูลแยกกัน 3 โมดูล ได้แก่:
- โมดูล Convolutional รับผิดชอบในการรับรู้ทางสายตา
- โมดูลหน่วยความจำระยะสั้นยาว (LSTM) มีหน้าที่ในการดึงข้อมูลลักษณะเฉพาะของตำแหน่ง
- โมดูลประสาทที่เกิดซ้ำของนโยบายช่วยสร้างความแตกแยกผ่านการกระทำ
โมเดลการเรียนรู้ของเครื่องนี้ถูกนำไปใช้ใน StreetAir ซึ่งเป็นสภาพแวดล้อมบนท้องถนนกลางแจ้งแบบหลายมุมมอง ซึ่งสร้างขึ้นบน StreetLearn (StreetLearn เป็นคอลเลกชันภาพถ่ายพาโนรามาเชิงโต้ตอบชุดแรกที่ดึงมาจาก Google Street View และ Google Maps)
ใน StreetAir และ StreetLearn ภาพถ่ายทางอากาศที่มีทิวทัศน์มุมกว้างของนครนิวยอร์ก (รวมถึงตัวเมือง NYC และ Midtown NYC) และ Pittsburgh (วิทยาเขตของ Allegheny College และ Carnegie Mellon University) ได้รับการจัดเรียงเพื่อให้ในแต่ละพิกัดละติจูด องศาและลองจิจูด สภาพแวดล้อมจะส่งกลับทางอากาศ ภาพที่ขนาด 84 x 84 ซึ่งเป็นขนาดเดียวกับภาพจากพื้นดิน
หลังจากผ่านการฝึกอบรม ระบบ AI จะได้รับมอบหมายให้เรียนรู้วิธีแปลและนำทางแผนภูมิภาพ Street View แบบพาโนรามาพร้อมพิกัดลองจิจูดและละติจูดของจุดหมายปลายทาง
ภาพพาโนรามาครอบคลุมพื้นที่ด้านข้างตั้งแต่ 2-5 กม. ห่างกันประมาณ 10 ม. และยานพาหนะ (ควบคุมด้วย AI) จะได้รับอนุญาตให้ดำเนินการ 1 ใน 5 การกระทำต่อเทิร์น: เดินหน้า เลี้ยวซ้ายหรือขวา 22.5 องศา หรือเลี้ยวซ้ายหรือขวา 67.5 องศา
เมื่อเข้าใกล้สถานที่เป้าหมายภายในระยะ 100-200 เมตร ยานพาหนะเหล่านี้จะได้รับ "รางวัล" เพื่อกระตุ้นให้ระบุและผ่านทางแยกได้อย่างรวดเร็วและแม่นยำ
ในการทดลอง ยานพาหนะที่ใช้ประโยชน์จากภาพถ่ายทางอากาศเพื่อปรับให้เข้ากับสภาพแวดล้อมใหม่ ได้รับตัวชี้วัดรางวัลที่ 190 ที่ 100 ล้านขั้น และ 280 ที่ 200 ล้านขั้น ซึ่งสูงกว่าอย่างมากเมื่อเทียบกับยานพาหนะที่ใช้เพียงข้อมูลการสังเกตภาคพื้นดินเท่านั้น (50 ที่ 100 ล้านขั้น และ 200 ที่ 200 ล้านก้าว) ตามที่นักวิจัย ผลการวิจัยแสดงให้เห็นว่าวิธีการของพวกเขาช่วยเพิ่มความสามารถของยานพาหนะในการรับความรู้เกี่ยวกับพื้นที่ต่างๆ ของเมืองเป้าหมายได้อย่างมีประสิทธิภาพมากขึ้น

