211service.com
Selbstfahrende Autos können viel lernen, indem sie Grand Theft Auto spielen
Tausende von Stunden mit dem Spielen von Grand Theft Auto zu verbringen, mag für Menschen fragwürdige Vorteile haben, aber es könnte dazu beitragen, Computer erheblich intelligenter zu machen.
Mehrere Forschungsgruppen verwenden jetzt das äußerst beliebte Spiel, das schnelle Autos und verschiedene ruchlose Aktivitäten beinhaltet, um Algorithmen zu trainieren, die es einem selbstfahrenden Auto ermöglichen könnten, auf einer echten Straße zu navigieren.
Es besteht kaum eine Chance, dass ein Computer schlechtes Verhalten lernt, indem er gewalttätige Computerspiele spielt. Aber die atemberaubend realistische Szenerie von Grand Theft Auto und anderen virtuellen Welten könnte einer Maschine helfen, Elemente der realen Welt richtig wahrzunehmen.
Eine Technik, die als maschinelles Lernen bekannt ist, versetzt Computer in die Lage, beeindruckende neue Dinge zu tun, wie Gesichter zu identifizieren und Sprache so gut zu erkennen, wie es eine Person kann. Aber der Ansatz erfordert riesige Mengen an kuratierten Daten, und es kann schwierig und zeitaufwändig sein, genug zu sammeln. Die Szenerie in vielen Spielen ist so fantastisch realistisch, dass sie verwendet werden kann, um Daten zu generieren, die so gut sind wie die, die durch die Verwendung von Bildern aus der realen Welt generiert werden.
Ein Bild aus Grand Theft Auto, in dem verschiedene Elemente automatisch kommentiert wurden.
Einige Forscher erstellen bereits 3-D-Simulationen mit Spiel-Engines, um Trainingsdaten für ihre Algorithmen zu generieren (siehe Um wirklich intelligent zu werden, muss die KI möglicherweise mehr Videospiele spielen). Handelsübliche Computerspiele mit stundenlangen fotorealistischen Bildern könnten jedoch eine einfachere Möglichkeit bieten, große Mengen an Trainingsdaten zu sammeln.
Ein Team von Forschern der Intel Labs und der Universität Darmstadt in Deutschland hat eine clevere Methode entwickelt, um nützliche Trainingsdaten aus Grand Theft Auto zu extrahieren.
Die Forscher erstellten eine Softwareschicht, die sich zwischen dem Spiel und der Hardware eines Computers befindet und automatisch verschiedene Objekte in den im Spiel gezeigten Straßenszenen klassifiziert. Dies liefert die Labels, die dann einem maschinellen Lernalgorithmus zugeführt werden können, der es ihm ermöglicht, Autos, Fußgänger und andere gezeigte Objekte zu erkennen, entweder im Spiel oder auf einer echten Straße. Gemäß ein Papier kürzlich vom Team gepostet, wäre es fast unmöglich, alle Szenen manuell mit ähnlichen Details zu beschriften. Die Forscher sagen auch, dass echte Trainingsbilder durch das Hinzufügen einiger synthetischer Bilder verbessert werden können.
Die Software scannt eine Straßenszene und weist Objekten Beschriftungsnamen (im linken Bereich) wie Straße, Bürgersteig oder Gebäude zu.
Eine der großen Herausforderungen in der KI besteht darin, den Datendurst der leistungsfähigsten maschinellen Lernalgorithmen zu stillen. Dies ist besonders problematisch für reale Aufgaben wie das automatisierte Fahren. Es dauert Tausende von Stunden, um echte Straßenbilder zu sammeln, und Tausende weitere, um all diese Bilder zu kennzeichnen. Es ist auch unpraktisch, alle möglichen Szenarien im wirklichen Leben durchzugehen, wie zum Beispiel ein Auto mit hoher Geschwindigkeit gegen eine Mauer zu krachen.
Das Annotieren von Daten aus der realen Welt ist ein teurer Vorgang, und die aktuellen Ansätze lassen sich nicht leicht skalieren, sagt er Alireza Shafaei , ein Doktorand an der University of British Columbia, der kürzlich Co-Autor war ein Papier zeigt, wie Videospiele zum Trainieren eines Computer-Vision-Systems verwendet werden können, in einigen Fällen so gut wie echte Daten. Zusammen mit Markus Schmidt , Assistenzprofessor an der UBC, und Jim Little , Professor an der UBC, zeigte Shafaei, dass Videospiele auch eine einfache Möglichkeit bieten, die in den Trainingsdaten gefundenen Umgebungsbedingungen zu variieren.
Mit künstlichen Umgebungen können wir mühelos präzise kommentierte Daten in größerem Maßstab mit einer beträchtlichen Variation der Beleuchtungs- und Klimaeinstellungen sammeln, sagt Shafaei. Wir haben gezeigt, dass diese synthetischen Daten fast genauso gut oder manchmal sogar besser sind als die Verwendung echter Daten für das Training.
KI-Forscher nutzen bereits einfache Spiele, um die Lernfähigkeit ihrer Algorithmen zu testen (siehe Googles AI Masters Space Invaders und Minecraft Is a Testing Ground for Human-AI Collaboration). Es besteht jedoch ein wachsendes Interesse daran, Spielszenerien zu verwenden, um Algorithmen mit visuellen Trainingsdaten zu versorgen. Eine Gruppe an der Johns Hopkins University in Baltimore zum Beispiel ist es ein Werkzeug entwickeln Das kann verwendet werden, um einen maschinellen Lernalgorithmus mit jeder Umgebung zu verbinden, die mit der beliebten Spiele-Engine Unreal erstellt wurde. Dazu gehören Spiele wie KiteRunner und Hellblade, aber auch viele spektakuläre Architekturvisualisierungen.
Rockstar Games, das Studio hinter der Grand Theft Auto-Franchise, lehnte die Gelegenheit ab, sich zu diesem Stück zu äußern.