Selvkørende biler kan lære meget ved at spille Grand Theft Auto

At bruge tusindvis af timer på at spille Grand Theft Auto kan have tvivlsomme fordele for mennesker, men det kan hjælpe med at gøre computere væsentligt mere intelligente.

Adskillige forskergrupper bruger nu det enormt populære spil, som byder på hurtige biler og forskellige uhyggelige aktiviteter, til at træne algoritmer, der kan gøre det muligt for en selvkørende bil at navigere på en rigtig vej.

Der er lille chance for, at en computer lærer dårlig opførsel ved at spille voldelige computerspil. Men det forbløffende realistiske landskab, der findes i Grand Theft Auto og andre virtuelle verdener, kunne hjælpe en maskine med at opfatte elementer i den virkelige verden korrekt.

En teknik kendt som maskinlæring gør det muligt for computere at gøre imponerende nye ting, som at identificere ansigter og genkende tale så godt som en person kan. Men tilgangen kræver enorme mængder kuraterede data, og det kan være udfordrende og tidskrævende at indsamle nok. Landskabet i mange spil er så fantastisk realistisk, at det kan bruges til at generere data, der er lige så gode som dem, der genereres ved at bruge billeder fra den virkelige verden.

Et billede fra Grand Theft Auto, hvor forskellige elementer automatisk er blevet kommenteret.

Nogle forskere bygger allerede 3D-simuleringer ved hjælp af spilmotorer til at generere træningsdata til deres algoritmer (se For at blive rigtig smart, skal AI muligvis spille flere videospil). Imidlertid kunne hyldevare-computerspil, der byder på timevis af fotorealistiske billeder, give en lettere måde at indsamle store mængder træningsdata på.

Et team af forskere fra Intel Labs og Darmstadt Universitet i Tyskland har udviklet en smart måde at udtrække nyttige træningsdata fra Grand Theft Auto.

Forskerne skabte et softwarelag, der sidder mellem spillet og en computers hardware, og klassificerer automatisk forskellige objekter i de vejbilleder, der vises i spillet. Dette giver de etiketter, der derefter kan føres til en maskinlæringsalgoritme, så den kan genkende biler, fodgængere og andre genstande, der vises, enten i spillet eller på en rigtig gade. Ifølge et papir postet af holdet for nylig, ville det være næsten umuligt at få folk til at mærke alle scenerne med lignende detaljer manuelt. Forskerne siger også, at rigtige træningsbilleder kan forbedres med tilføjelse af nogle syntetiske billeder.

Softwaren scanner et vejbillede og tildeler objekter etiketnavne (på venstre panel), såsom vej, fortov eller bygning.

En af de store udfordringer i kunstig intelligens er, hvordan man slukker tørsten efter data udstillet af de mest kraftfulde maskinlæringsalgoritmer. Dette er især problematisk for opgaver i den virkelige verden som automatisk kørsel. Det tager tusindvis af timer at indsamle ægte gadebilleder, og tusindvis mere at mærke alle disse billeder. Det er også upraktisk at gennemgå alle mulige scenarier i det virkelige liv, som at styrte en bil ind i en mur med høj hastighed.

At kommentere data fra den virkelige verden er en dyr operation, og de nuværende tilgange opskaleres ikke let, siger Alireza Shafaei , en ph.d.-studerende ved University of British Columbia, som for nylig var medforfatter et papir viser, hvordan videospil kan bruges til at træne et computervisionssystem, i nogle tilfælde såvel som rigtige data kan. Sammen med Mark Schmidt , en adjunkt ved UBC, og Jim Lille , en professor ved UBC, Shafaei viste, at videospil også giver en nem måde at variere de miljøforhold, der findes i træningsdata.

Med kunstige miljøer kan vi ubesværet samle præcist annoterede data i større skala med en betydelig mængde variation i belysning og klimaindstillinger, siger Shafaei. Vi viste, at disse syntetiske data er næsten lige så gode, eller nogle gange endda bedre, end at bruge rigtige data til træning.

AI-forskere bruger allerede simple spil som en måde at teste deres algoritmers indlæringsevner på (se Googles AI Masters Space Invaders og Minecraft er en testplads for menneske-AI-samarbejde). Men der er stigende interesse for at bruge spillandskaber til at fodre algoritmer med visuelle træningsdata. En gruppe på Johns Hopkins University i Baltimore er for eksempel udvikle et værktøj der kan bruges til at forbinde en maskinlæringsalgoritme til ethvert miljø bygget ved hjælp af den populære spilmotor Unreal. Dette inkluderer spil som KiteRunner og Hellblade, men også mange spektakulære arkitektoniske visualiseringer.

Rockstar Games, studiet bag Grand Theft Auto-franchisen, afslog muligheden for at kommentere dette stykke.

skjule