Robotu automašīnas var iemācīties braukt, neizejot no garāžas

Datori, kas kontrolē pašbraucošas automašīnas, iegūst vērtīgas zināšanas par reālo pasauli dažos pārsteidzošos veidos, tostarp pārlūkojot tiešsaistes kartes un spēlējot videospēles.

Prinstonas universitātes pētnieki nesen izstrādāja datorredzes un kartēšanas sistēmu, kas apkopoja noderīgu informāciju par ceļu fizikālajām īpašībām, pētot Google ielas attēls un ainu salīdzināšana ar informāciju, kas sniegta atvērtā koda kartēšanas datos. Tas ļāva tai, piemēram, uzzināt, kur krustojuma malām jābūt balstītām uz attēliem, kas uzņemti ar Google kartēšanas automašīnām.

Atsevišķā darbā atklājās trešdien, pētnieki plkst OpenAI , bezpeļņas organizācija, kas koncentrējas uz fundamentālu AI izpēti, radīja veidu, kā programmatūras aģentiem apgūt braukšanas stratēģiju, eksperimentējot videospēlē Grand Theft Auto V, izmantojot platformu, kas pazīstama kā Universe. Dažas videospēles tagad ir tik vizuāli reālistiskas, ka tās var ļaut datora redzei uzzināt par reālo pasauli (skatiet sadaļu Pašpiedziņas automašīnas var daudz iemācīties, spēlējot Grand Theft Auto ).

Jaunas pieejas pašbraucošo automašīnu apmācībai var palīdzēt demokratizēt tehnoloģiju un padarīt to uzticamāku. Pašpiedziņas automašīnas bija visur šī gada plaša patēriņa elektronikas izstādē Lasvegasā, un tehnoloģija ir priekšplānā Ziemeļamerikas autoizstādē Detroitā, kas sākās šonedēļ. Taču ne visiem ir pieejami Ford, Google vai Uber resursi, un automatizētie transportlīdzekļi joprojām saskaras ar grūtībām daudzās situācijās (skatiet Kas jāzina pirms iekāpšanas pašbraucošā automašīnā ). Tāpēc daži pētnieki izstrādā radošus veidus, kā apkopot datus un apmācīt braukšanas sistēmas. Pat tiek mēģināts atvērt koda tehnoloģiju, kas nepieciešama automatizētai braukšanai.

Prinstonas pētnieki ieguva Google Street View un OpenStreetMap par saviem datiem. Ceļa elementus Google Street View attēlos dažreiz aizsedz kāds transportlīdzeklis, kāds, kas šķērso ceļu, vai kas cits, tāpēc sistēmai bija jāiemācās atpazīt un pēc tam izmest šādus artefaktus. Pētnieki pārbaudīja savu sistēmu ar jauniem attēliem un atklāja, ka tā var diezgan precīzi noteikt ceļa iezīmes. Viņi saka, ka tas varētu piedāvāt veidu, kā palaist pašpiedziņas sistēmu ar dažām pamatzināšanām, kas nepieciešamas, lai pārvietotos pa parastajiem ceļiem. Pētnieki apmācīja savu sistēmu, izmantojot 150 000 Ielas attēla panorāmas.

Tā precizitātei vajadzētu uzlaboties, pieaugot apmācības datu kopai, saka Āri Sefs , Prinstonas absolvents, kurš izstrādāja sistēmu ar Jianxiong Xiao , profesors, kurš nesen pameta universitāti, lai nodibinātu automobiļu jaunuzņēmumu AutoX.ai.

Augstas izšķirtspējas 3-D karšu manuāla izveide autonomai braukšanai ir nogurdinoša un dārga, saka Džons Leonards, MIT CSAIL profesors, kurš specializējas kartēšanā un automatizētā braukšanā. Ja šo procesu var automatizēt, izmantojot dziļos tīklus, kas darbojas lielās publiskās datubāzēs, tas būtu liels ieguvums pašbraucošajai tehnoloģijai.

Šī pieeja piedāvā arī veidu, kā apmācīt sistēmu, lai tā atpazītu situācijas, ar kurām īsts pašbraucošs auto var saskarties reti, piemēram, ļoti sarežģītā krustojumā. Šos modeļus varētu izmantot kā rezerves sistēmas daļu autonomos transportlīdzekļos, apstiprinot informāciju, ko sniedz iepriekš skenētas 3-D kartes. Tomēr mēs vēl neesam to pārbaudījuši īstā transportlīdzeklī, saka Sefs.

Pētnieki arī ierosina, ka viņu sistēma varētu sniegt brīdinājumu par ceļu infrastruktūru, piemēram, ja sistēma secina, ka iela izskatās tā, it kā tā būtu vienvirziena, bet tā nav, tad, iespējams, būs jāatjaunina apzīmējumi. Ierobežojumi ir tādi, ka sistēma nevar identificēt objektus, kas nav identificēti kartē, piemēram, gājējus vai citus transportlīdzekļus, un tā nav pietiekami precīza, lai ļoti precīzi noteiktu automašīnu.

Ir laba ideja mācīties to no Google Street View, saka Kreigs Kviters, Otto inženieris, uzņēmums, kas ražo pašpiedziņas kravas automašīnas un kuru Uber iegādājās pagājušajā gadā. Izvadi nesatur pietiekami daudz, lai vadītu automašīnu, bet noteikti ir noderīgi kopā ar citu uztveri kā ievadi plānotājam.

Quiter izstrādāja Grand Theft Auto V, strādājot par darbuzņēmēju OpenAI pagājušajā gadā. Spēle var apmācīt programmatūru atpazīt reālās pasaules elementus.

GTA V sniedz pētniekiem piekļuvi bagātai, daudzveidīgai pasaulei AI testēšanai un izstrādei, OpenAI publicētajā emuāra ierakstā raksta Quiter. Tās salas atrašanās vieta ir gandrīz viena piektā daļa no Losandželosas lieluma, nodrošinot piekļuvi plašam scenāriju klāstam, lai pārbaudītu sistēmas. Pievienojiet tam 257 dažādus transportlīdzekļus, septiņu veidu velosipēdus un 14 laikapstākļu veidus, un, izmantojot vienu simulatoru, ir iespējams izpētīt milzīgu skaitu permutāciju.

Izmantojot Visumu, aģents var arī izstrādāt braukšanas stratēģiju, eksperimentējot spēles ietvaros un pilnveidojot savu uzvedību, sasniedzot noteiktus mērķus. Šo pieeju sauc par pastiprināšanas mācīšanos (skatiet Jauns rīks, kas ļauj AI iemācīties darīt gandrīz jebko datorā ).

Quiter e-pastā piebilda, ka, izlaižot automatizētai braukšanai nepieciešamo tehnoloģiju, pētnieki un uzņēmumi var to demokratizēt. Es domāju, ka ir kļuvis daudz vieglāk pārbaudīt pašbraucošu automašīnu AI, viņš saka.

paslēpties