211service.com
Los coches autónomos pueden aprender mucho jugando a Grand Theft Auto
Pasar miles de horas jugando Grand Theft Auto puede tener beneficios cuestionables para los humanos, pero podría ayudar a que las computadoras sean significativamente más inteligentes.
Varios grupos de investigación ahora están utilizando el juego enormemente popular, que presenta autos rápidos y varias actividades nefastas, para entrenar algoritmos que podrían permitir que un automóvil autónomo navegue por una carretera real.
Hay pocas posibilidades de que una computadora aprenda el mal comportamiento al jugar juegos de computadora violentos. Pero el escenario asombrosamente realista que se encuentra en Grand Theft Auto y otros mundos virtuales podría ayudar a una máquina a percibir elementos del mundo real correctamente.
Una técnica conocida como aprendizaje automático permite que las computadoras hagan cosas nuevas e impresionantes, como identificar rostros y reconocer el habla tan bien como una persona. Pero el enfoque requiere grandes cantidades de datos seleccionados, y puede ser un desafío y llevar mucho tiempo recopilar suficientes. El escenario en muchos juegos es tan fantásticamente realista que puede usarse para generar datos que son tan buenos como los generados usando imágenes del mundo real.
Una imagen de Grand Theft Auto en la que se han anotado automáticamente diferentes elementos.
Algunos investigadores ya construyen simulaciones en 3D utilizando motores de juegos para generar datos de entrenamiento para sus algoritmos (ver Para ser realmente inteligente, la IA podría necesitar jugar más videojuegos). Sin embargo, los juegos de computadora disponibles en el mercado, con horas de imágenes fotorrealistas, podrían proporcionar una forma más fácil de recopilar grandes cantidades de datos de entrenamiento.
Un equipo de investigadores de Intel Labs y la Universidad de Darmstadt en Alemania ha desarrollado una forma inteligente de extraer datos de entrenamiento útiles de Grand Theft Auto.
Los investigadores crearon una capa de software que se encuentra entre el juego y el hardware de una computadora, clasificando automáticamente diferentes objetos en las escenas de carreteras que se muestran en el juego. Esto proporciona las etiquetas que luego se pueden alimentar a un algoritmo de aprendizaje automático, lo que le permite reconocer automóviles, peatones y otros objetos que se muestran, ya sea en el juego o en una calle real. De acuerdo a un papel publicado recientemente por el equipo, sería casi imposible que las personas etiquetaran manualmente todas las escenas con detalles similares. Los investigadores también dicen que las imágenes reales de entrenamiento se pueden mejorar con la adición de algunas imágenes sintéticas.
El software escanea una escena de carretera y asigna nombres de etiquetas de objetos (en el panel izquierdo) como carretera, acera o edificio.
Uno de los grandes desafíos de la IA es cómo saciar la sed de datos que exhiben los algoritmos de aprendizaje automático más poderosos. Esto es especialmente problemático para tareas del mundo real como la conducción automatizada. Se necesitan miles de horas para recopilar imágenes reales de la calle y miles más para etiquetar todas esas imágenes. Tampoco es práctico pasar por todos los escenarios posibles en la vida real, como estrellar un automóvil contra una pared de ladrillos a alta velocidad.
Anotar datos del mundo real es una operación costosa y los enfoques actuales no se amplían fácilmente, dice Alireza Shafaei , un estudiante de doctorado en la Universidad de Columbia Británica que recientemente fue coautor un papel mostrando cómo se pueden usar los videojuegos para entrenar un sistema de visión por computadora, en algunos casos tan bien como los datos reales. Juntos con marca schmidt , profesor asistente en la UBC, y Jim poco , profesor de la UBC, Shafaei demostró que los videojuegos también brindan una manera fácil de variar las condiciones ambientales que se encuentran en los datos de entrenamiento.
Con entornos artificiales, podemos recopilar sin esfuerzo datos anotados con precisión a mayor escala con una cantidad considerable de variación en la configuración de iluminación y clima, dice Shafaei. Mostramos que estos datos sintéticos son casi tan buenos, o incluso mejores, que usar datos reales para el entrenamiento.
Los investigadores de IA ya usan juegos simples como una forma de probar las capacidades de aprendizaje de sus algoritmos (consulte AI Masters Space Invaders de Google y Minecraft Is a Testing Ground for Human-AI Collaboration). Pero hay un interés creciente en usar escenarios de juegos para alimentar algoritmos con datos de entrenamiento visual. Un grupo de la Universidad Johns Hopkins en Baltimore, por ejemplo, está desarrollando una herramienta que se puede usar para conectar un algoritmo de aprendizaje automático a cualquier entorno creado con el popular motor de juego Unreal. Esto incluye juegos como KiteRunner y Hellblade, pero también muchas visualizaciones arquitectónicas espectaculares.
Rockstar Games, el estudio detrás de la franquicia Grand Theft Auto, declinó la oportunidad de comentar para este artículo.