Intel Labs verwendet "Grand Theft Auto", um selbstfahrende Autos zu trainieren

Von allen Videospielen, die Sie in der Fahrersprache gezeigt haben, schwerer Kraftfahrzeugdiebstahl steht möglicherweise nicht ganz oben auf dieser Liste. Ein Team von Intel Labs und der Universität Darmstadt in Deutschland hat jedoch herausgefunden, dass die Verwendung von Videospielen eine beispiellose Genauigkeit bei der Identifizierung von Objekten bietet.

Das Team, das seine Ergebnisse in diesem Artikel veröffentlichte, stellte fest, dass das Spiel eine exakte Simulation realer Fahrszenarien ermöglichte. Diese Daten können von selbstfahrenden Autos in der realen Welt zum Fahren und sicheren Navigieren verwendet werden.

Selbstfahrende Autos verwenden Objektidentifizierungsdaten, um zu „lernen“, wie Objekte, Fußgänger, Laternenpfähle und Wände beim Fahren auf der Straße erkannt werden. Normalerweise erstellen Automobilhersteller diese Daten aus aufgezeichneten Videos vom Armaturenbrett eines Autos. Sie gehen durch und identifizieren Objekte manuell, wobei das System maschinelles Lernen verwendet, um schließlich eine umfassendere Vorstellung davon zu erhalten, wie jedes Objekt aussieht.

Verwenden schwerer Kraftfahrzeugdiebstahl Das Team konnte diesen Prozess jedoch wesentlich effektiver automatisieren. Das Team konnte ähnliche Videos im Spiel aufnehmen, konnte jedoch Assets schneller identifizieren, die dieselben Straßenobjekte darstellten. Die fotorealistische virtuelle Welt bedeutet, dass die identifizierten Objekte dem System die gleichen Vorstellungen davon geben, wie Objekte in der realen Welt aussehen werden.

Der Computer kann Objekte in Sekundenschnelle automatisch identifizieren. Dies dauert normalerweise fast zwei Stunden pro Bild, wenn das Video aufgenommen wird. Hier ist der Prozess in Aktion:

„Mit künstlichen Umgebungen können wir mühelos präzise kommentierte Daten in einem größeren Maßstab mit erheblichen Variationen in den Licht- und Klimabedingungen erfassen.“ Dr. Alireza Shafaei, Ph.D. Student an der University of British Columbia, erzählte MIT Technology Review.

Shafaei veröffentlichte seine Forschungsergebnisse in einem Artikel, in dem detailliert beschrieben wird, wie Videospiele Computer trainieren können, um die Welt zu sehen. "Wir haben gezeigt, dass diese synthetischen Daten fast genauso gut oder manchmal sogar besser sind als die Verwendung realer Daten für das Training", sagte er.

Selbstfahrende Autos verbrauchen eine große Datenmenge, und Techniken wie diese werden entscheidend sein, um den Überblick zu behalten. AT & T hat mit dem Testen eines neuen 5G-Mobilfunknetzes begonnen, das auf selbstfahrende Autos ausgelegt ist und geschäftskritische Daten priorisieren kann, um fahrerlose Autos zu vermeiden, die an Wartezeiten leiden. All diese Daten sind jedoch mit Kosten verbunden, da Forscher davor gewarnt haben, dass Autos anfällig für Hackerangriffe sein könnten. Fahrerlose Fahrzeuge eröffnen neue Möglichkeiten für große Datensätze, aber die Frage, wie sie damit umgehen sollen, wird oberste Priorität haben.