Självkörande bilar kan lära sig mycket genom att spela Grand Theft Auto

Att spendera tusentals timmar på att spela Grand Theft Auto kan ha tvivelaktiga fördelar för människor, men det kan hjälpa till att göra datorer betydligt mer intelligenta.

Flera forskargrupper använder nu det enormt populära spelet, som innehåller snabba bilar och olika otrevliga aktiviteter, för att träna algoritmer som kan göra det möjligt för en självkörande bil att navigera på en riktig väg.

Det finns liten chans att en dator lär sig dåligt beteende genom att spela våldsamma datorspel. Men det fantastiskt realistiska landskapet som finns i Grand Theft Auto och andra virtuella världar kan hjälpa en maskin att uppfatta delar av den verkliga världen korrekt.

En teknik som kallas maskininlärning är att göra det möjligt för datorer att göra imponerande nya saker, som att identifiera ansikten och känna igen tal så bra som en person kan. Men tillvägagångssättet kräver enorma mängder kurerad data, och det kan vara utmanande och tidskrävande att samla in tillräckligt. Landskapet i många spel är så fantastiskt realistiskt att det kan användas för att generera data som är lika bra som den som genereras genom att använda verkliga bilder.

En bild från Grand Theft Auto där olika element har annoterats automatiskt.

Vissa forskare bygger redan 3D-simuleringar med hjälp av spelmotorer för att generera träningsdata för sina algoritmer (se För att bli riktigt smart kan AI behöva spela fler videospel). Däremot kan datorspel från hyllan, med timmar av fotorealistiska bilder, vara ett enklare sätt att samla in stora mängder träningsdata.

Ett team av forskare från Intel Labs och Darmstadt University i Tyskland har utvecklat ett smart sätt att extrahera användbar träningsdata från Grand Theft Auto.

Forskarna skapade ett mjukvarulager som sitter mellan spelet och en dators hårdvara, och klassificerar automatiskt olika objekt i vägscenerna som visas i spelet. Detta ger etiketterna som sedan kan matas till en maskininlärningsalgoritm, vilket gör att den kan känna igen bilar, fotgängare och andra föremål som visas, antingen i spelet eller på en riktig gata. Enligt ett papper postat av teamet nyligen, skulle det vara nästan omöjligt att låta folk märka alla scener med liknande detaljer manuellt. Forskarna säger också att riktiga träningsbilder kan förbättras med tillägg av några syntetiska bilder.

Programvaran skannar en vägscen och tilldelar objektetikettnamn (på den vänstra panelen) som väg, trottoar eller byggnad.

En av de stora utmaningarna inom AI är hur man släcker törsten efter data som visas av de mest kraftfulla maskininlärningsalgoritmerna. Detta är särskilt problematiskt för verkliga uppgifter som automatiserad körning. Det tar tusentals timmar att samla in riktiga gatubilder och tusentals till att märka alla dessa bilder. Det är också opraktiskt att gå igenom alla möjliga scenarier i verkligheten, som att köra in en bil i en tegelvägg i hög hastighet.

Att kommentera verklig data är en dyr operation och de nuvarande tillvägagångssätten skalar inte upp lätt, säger Alireza Shafaei , en doktorand vid University of British Columbia som nyligen var medförfattare ett papper visar hur tv-spel kan användas för att träna ett datorseendesystem, i vissa fall liksom verklig data kan. Tillsammans med Mark Schmidt , en biträdande professor vid UBC, och Jim Little , professor vid UBC, Shafaei visade att videospel också ger ett enkelt sätt att variera de miljöförhållanden som finns i träningsdata.

Med artificiella miljöer kan vi enkelt samla in exakt kommenterad data i större skala med en avsevärd variation i belysning och klimatinställningar, säger Shafaei. Vi visade att denna syntetiska data är nästan lika bra, eller ibland till och med bättre, än att använda riktiga data för träning.

AI-forskare använder redan enkla spel som ett sätt att testa inlärningsförmågan hos sina algoritmer (se Googles AI Masters Space Invaders och Minecraft Is a Testing Ground for Human-AI Collaboration). Men det finns ett växande intresse för att använda spellandskap för att mata algoritmer med visuell träningsdata. En grupp vid Johns Hopkins University i Baltimore är till exempel utveckla ett verktyg som kan användas för att ansluta en maskininlärningsalgoritm till vilken miljö som helst som byggs med den populära spelmotorn Unreal. Detta inkluderar spel som KiteRunner och Hellblade, men också många spektakulära arkitektoniska visualiseringar.

Rockstar Games, studion bakom Grand Theft Auto-serien, tackade nej till möjligheten att kommentera detta stycke.

Dölj