211service.com
Denna AI tänker som en hund
Alla hundägare kan vittna om den kraftfulla intelligensen hos sina fyrbenta vänner. Faktum är att många hundar tillhandahåller viktiga tjänster, som att guida personer som är synskadade, hitta förlorade individer eller sniffa upp droger och annat smuggelgods.
Dessa förmågor är bortom även den mest kraftfulla artificiella intelligensen. Och ändå har AI-forskare ännu inte utnyttjat dem för att träna AI-system för att bli mer kapabla.
Idag förändras det tack vare arbetet av Kiana Ehsani vid University of Washington i Seattle och kollegor, som har samlat in en unik datauppsättning av hundbeteende och använt den för att träna ett AI-system för att fatta hundliknande beslut. Deras tillvägagångssätt öppnar upp ett nytt område av AI-forskning som studerar förmågan hos andra intelligenta varelser på vår planet.
Teamet börjar med att bygga en databas över hundbeteende. De gör detta genom att utrusta en enda hund med tröghetsmåttenheter på dess ben, svans och kropp för att registrera deras relativa vinkel och djurets absoluta position.
De monterade också en GoPro-kamera på hundens huvud för att spela in den visuella scenen, samplade med en hastighet av fem bilder per sekund, och en mikrofon på hundens rygg för att spela in ljud. Uppgifterna registrerades av en Arduino-enhet på hundens rygg.
Totalt samlade teamet cirka 24 500 videorutor med synkroniserad kroppsposition och rörelsedata. De använde 21 000 av dessa ramar för AI-träning och resten för validering och testning av AI-systemet.
Teamet undersökte hur man agerar som en hund, hur man planerar som en hund och hur man lär sig av en hund.
I den första uppgiften var målet att förutsäga hundens framtida rörelser givet en sekvens av bilder. AI gör detta genom att titta på videoramar och studera vad hunden gjorde sedan.
Genom att lära sig på detta sätt blir systemet bra på att exakt förutsäga de kommande fem rörelserna efter att ha sett en sekvens av fem bilder. Vår modell förutsäger de framtida hundrörelserna korrekt genom att endast observera de bilder som hunden observerat i de tidigare tidsstegen, säger Ehsani och co.
Planeringsuppgiften är lite svårare. Målet här är att hitta en sekvens av åtgärder som flyttar hunden mellan platserna för ett givet par bilder. AI:n lär sig återigen detta genom att studera de åtgärder som är associerade med ett brett utbud av sekventiella videoramar.
Återigen fungerar systemet bra. Våra resultat visar att vår modell överträffar dessa baslinjer i den utmanande uppgiften att planera som en hund både när det gäller noggrannhet och förvirring, säger teamet.
Den sista uppgiften är att lära av hundens beteende. En sak som hundar lär sig är var de kan och inte kan gå. Så teamet använder databasen för att träna AI:n att känna igen vilka typer av ytor som är gångbara och för att märka dessa i nya bilder.
Det är intressant arbete som visar hur AI-system kan matcha vissa typer av djurprestanda. Vår modell lär sig från egocentrerad video och rörelseinformation att agera och planera som en hund skulle göra i samma situation, säger de.
Naturligtvis finns det mycket arbete framför oss. Till exempel samlar detta arbete in data från en enda hund. Så teamet skulle vilja studera data som samlats in från ett brett spektrum av hundar. Det skulle tillåta dem att jämföra sitt beteende och förstå hundens visuella intelligens mer i detalj.
Men det finns ingen anledning till att tillvägagångssättet skulle begränsas till hundar. Det skulle finnas mycket att lära genom att samla in liknande datamängder för apor, husdjur och alla sorters djur i det vilda. Som Ehsani och co uttryckte det: Vi hoppas att detta arbete banar väg för bättre förståelse av visuell intelligens och andra intelligenta varelser som bebor vår värld.
Ref: arxiv.org/abs/1803.10827 : Vem släppte ut hundarna? Modellera hundbeteende från visuella data