Gumagamit ang Intel Labs ng 'Grand Theft Auto' upang Trenin ang mga Self-Driving Cars

Sa lahat ng mga video game na gusto mong ipakita sa isang tao sa driver ng ed, Grand Theft Auto maaaring hindi sa tuktok ng listahan na iyon. Ngunit isang koponan sa Intel Labs at Darmstadt University sa Alemanya ay natagpuan na ang paggamit ng mga laro ng video ay nagbibigay ng isang walang kapantay na antas ng katumpakan kapag kinikilala ang mga bagay.

Ang koponan, na naglathala ng mga natuklasan nito sa papel na ito ay napansin na ang laro ay nagbigay ng tumpak na simulation ng mga sitwasyon sa pagmamaneho ng real-world. Ang data na ito ay maaaring gamitin ng mga self-driving na sasakyan sa tunay na mundo upang magmaneho sa paligid at mag-navigate nang ligtas.

Ang mga self-driving na kotse ay gumagamit ng data ng pagkilala ng bagay upang matulungan ang "matuto" kung paano makilala ang mga bagay tulad ng mga pedestrian, lamppost at dingding kapag nagmamaneho sa kalye. Karaniwan, ang mga gumagawa ng kotse ay lumikha ng data na ito mula sa naitala na video mula sa dashboard ng kotse. Sila ay pumunta sa pamamagitan ng at kilalanin ang mga bagay nang manu-mano, sa sistema ng paggamit ng pag-aaral ng makina upang tuluyang bumuo ng isang mas malawak na ideya kung ano ang hitsura ng bawat bagay.

Paggamit Grand Theft Auto, bagaman, ang koponan ay nakapag-automate ng prosesong ito nang mas epektibo. Ang koponan ay maaaring magtala ng mga katulad na video na in-game, ngunit nakilala ang mga asset nang mas mabilis na kinakatawan ang mga parehong mga bagay sa kalye. Ang photorealistic virtual world ay nangangahulugang ang mga bagay na nakilala ay nagbibigay sa sistema ng parehong tumpak na mga ideya kung ano ang magiging hitsura ng mga bagay sa real-mundo.

Ang computer ay maaaring awtomatikong makilala ang mga bagay sa ilang mga segundo, isang proseso na karaniwang tumatagal ng halos dalawang oras bawat imahe na may naitala na video. Narito ang proseso sa pagkilos:

"Sa pamamagitan ng mga artipisyal na kapaligiran, maaari kaming walang kahirap-hirap na magtipon ng tumpak na annotated data sa mas malaking antas na may isang malaking halaga ng pagkakaiba-iba sa mga setting ng pag-iilaw at klima," Alireza Shafaei, isang Ph.D. aaral sa University of British Columbia, sinabi Review ng MIT Technology.

Inilathala ng Shafaei ang kanyang pananaliksik sa isang papel na nagpapakita kung paano ang mga video game ay maaaring magsanay ng mga computer upang makatulong na makita ang mundo. "Ipinakita namin na ang gawaing ito ng sintetiko ay halos kasing ganda, o kung minsan ay mas mahusay kaysa sa paggamit ng tunay na data para sa pagsasanay," sabi niya.

Ang mga self-driving na sasakyan ay gumagamit ng isang malaking halaga ng data, at ang mga pamamaraan tulad ng mga ito ay mahalaga upang panatilihin sa tuktok ng mga bagay. Sinimulan na ng AT & T ang trialing ng isang bagong 5G cellular network, na idinisenyo sa mga nagmamaneho sa sarili na mga kotse, na maaaring mag-prioritize ng misyon-kritikal na data upang maiwasan ang mga walang driver na mga sasakyan na naghihirap mula sa latency. Ang lahat ng data na ito ay dumating sa isang gastos, bagaman, bilang mga mananaliksik ay binigyan ng babala na ang mga kotse ay maaaring madaling kapitan sa pag-hack. Ang mga driverless na sasakyan ay nagbubukas ng mga bagong posibilidad para sa malalaking hanay ng data, ngunit ang tanong kung paano haharapin ang lahat ng ito ay magiging pangunahing priyoridad.