211service.com
Hvad robotter kan lære af babyer
Børn lærer hurtigt at forudsige, hvad der vil ske, hvis de vender en kop fyldt med juice på hovedet. Robotter har på den anden side ikke en anelse.
Forskere ved Allen Institute for Artificial Intelligence (Ai2 ) i Seattle har udviklet et computerprogram, der viser, hvordan maskiner bestemmer, hvordan de objekter, der fanges af et kamera, højst sandsynligt vil opføre sig. Dette kan hjælpe med at gøre robotter og andre maskiner mindre tilbøjelige til at fejle og kan hjælpe selvkørende biler med at navigere mere sikkert i ukendte scener.
Systemet, udviklet af Roozbeh Mottaghi og kolleger, drager konklusioner om de fysiske egenskaber af en scene ved hjælp af en kombination af maskinlæring og 3-D-modellering. Forskerne konverterede mere end 10.000 billeder til scener gengivet i et forenklet format ved hjælp af en 3-D fysikmotor. 3D-gengivelserne blev skabt af frivillige gennem Amazons Mechanical Turk crowdsourcing-platform.
Forskerne fodrede billederne såvel som deres 3-D-repræsentationer ind i en computer, der kørte et stort dybt læringsneuralt netværk, som gradvist lærte at forbinde en bestemt scene med visse simple kræfter og bevægelser. Når systemet så blev vist ukendte billeder, kunne det antyde de forskellige kræfter, der kunne være i spil.
Det fungerer ikke upåklageligt, men oftest vil computeren drage en fornuftig konklusion. For et billede af en hæftemaskine siddende på et skrivebord, for eksempel, kan programmet fortælle, at hæftemaskinen ville glide hen over skrivebordet og derefter brat falde til gulvet. For et billede af et sofabord og en sofa ved den, at bordet kunne skubbes hen over gulvet, indtil det nåede sofaen.
Målet er at lære dynamikken i fysikmotoren, siger Mottaghi. Du skal udlede alt baseret på kun det billede, du ser.
Værket kan især være nyttigt for robotter, der hurtigt skal fortolke en scene og derefter agere i den. Selv en robot udstyret med en 3-D-scanner vil ofte skulle udlede fysikken i den scene, den opfatter. Og det ville være upraktisk at få en robot til at lære at gøre alt gennem forsøg og fejl. Dataindsamling til dette er meget vanskelig, siger Mottaghi. Hvis jeg tager min robot med til en butik, kan den ikke skubbe genstande og indsamle data; det ville være meget dyrt.
Dette program er en del af en større indsats kaldet Projekt Platon , rettet mod at udstyre maskiner med visuel intelligens, der rækker ud over simpel genkendelse og kategorisering af objekter. Et relateret projekt, som også er en del af Project Plato, giver en computer mulighed for at genkende en fysisk kraft, der allerede er i spil: for eksempel hvordan en skiløber ville bevæge sig ned ad et bjerg, eller hvordan en sparket fodbold ville flyve gennem luften.
I de senere år er computere blevet meget bedre til at analysere billeder takket være fremskridt inden for deep learning, mere kraftfuld hardware og store mærkede billeddatasæt. Efter at være blevet fodret med mange eksempler, kan computere nu beskrive eller besvare spørgsmål om en scene (se Googles hjerne-inspirerede software beskriver, hvad den ser i komplekse billeder og Facebook-appen kan besvare grundlæggende spørgsmål om, hvad der er på billeder). Men dette røber en meget overfladisk forståelse af, hvad der sker i et billede. For en dybere forståelse er en computer nødt til at forstå, hvordan den fysiske verden fungerer.
Brenden Sø , en forsker ved New York University, der har specialiseret sig i modellering af menneskelige kognitive evner, siger, at Ai2-arbejdet er et vigtigt skridt i den retning.
Ægte sceneforståelse kræver meget mere end blot at genkende objekter, siger Lake. Når folk ser et snapshot af en scene, fortæller de en historie: hvad er objekterne, hvorfor er de der, og hvad vil der ske næste gang. At forstå fysik er en vigtig del af at fortælle denne historie.
Ifølge Lake er der imidlertid meget mere ræsonnement involveret i menneskelig perception, noget der kan holde fremskridt inden for robotteknologi og maskinsyn tilbage i et stykke tid endnu. Selvom dette er spændende fremskridt, konkurrerer det endnu ikke med vores menneskelige evne til at forstå fysik, siger han. Folk kan forstå en langt bredere vifte af fysiske begivenheder og kan præcist forudsige fysiske begivenheder i helt nye typer scener.