Исследователи из Университета Мичигана в Энн-Арбор (США) сравнили по эффективности обучение беспилотных авто на реальном автопробеге собучением их же с помощью игры Grand Theft Auto (GTA) V. Оказалось, результат отзанятийв обоих случаях практически одинаков. При этом использованиеигры требует несопоставимо меньших затрат денег и времени. С текстом соответствующего исследования можно ознакомиться на сервере препринтов Корнелльского университета.
Исследователи использовали глубокое машинное обучение, чтобы научить ПО беспилотного авто выявлять машины на улицах города. При этом один и тот же набор программ использовали как для обучения на материале видеоигры GTA V, так и для обучения на опыте реального вождения по улицам. Как и следовало предполагать, в компьютерной игре разнообразие ситуаций, в которых следовало распознать ту или иную машину, оказалось ниже, чем в реальном мире. В видеоматериалахGTA камерам машины реже мешалилинии электропередачи, ветки деревьев, яркиесолнечные блики и тому подобное. Поэтому, чтобы научить искусственный интеллект автомобиля правильно реагировать на эти объекты, пришлось использовать в сто раз больше кадров, чем при его обучении на снимках реальных ситуаций на дороге.
Тем не менее авторы работы отмечают, что на деле из GTA можно получить намного больше кадровв единицу времени, чем из реального автопробега. Полмиллиона скриншотовиз игры можно извлечь за одну ночь, в то время как самостоятельная поездкабеспилотного авто принесёт то же количество снимков за значительно большее время. К тому же такой пробег будет намного более дорогим хотя бы из-за расходатоплива. Всё это означает, что компьютерная игра высокой реалистичности в целом выглядит более предпочтительным средством обучения беспилотных авто распознаванию препятствий, чем реальное вождение.
В классическом машинном обучении самого обучения, по сути, не очень много. Важные экспертные знания (алгоритмы) о том, как классифицировать объекты, вводят вручную.Затем система самостоятельно изучает, какие признаки есть у анализируемого объекта, и относит его к конкретной категории на основании алгоритмов от экспертов. Этот тип машинного обучения широко используется для решения простых задач распознавания объектов.
Однако часто вводимую информацию (т.е. анализируемый объект)не получается отнести к какой-либо категории. Например, изображения незнакомых моделей авто трудно классифицировать в терминах, понятных компьютеру. Поэтому в реальной жизни беспилотные авто могут врезаться в автомобиль, который камеры заметили, ноПО машины распознать не смогло. Для таких случаевтребуется глубокое обучение. В его рамках используется не один простой классификатор, а совокупность более сложных. Группы признаковсвязываются с разными слоями программного обеспечения. На каждом уровне представлены абстрактные признаки, основанные на более простых для анализа признаках предыдущего уровня. При этом компьютер сам находит ключевые черты чего-либо, по которым легче всего отделятьодин класс объектов от другого, и сам структурирует эти признаки по иерархии. Из ряда простых признаков складываются сложные комплексы признаков.
Следует отметить, что к человеку описанное вряд ли относится. В отличие от программы, не обладающей собственным интеллектом и сознанием, людямне нужно специально учиться отличать машины от не-машин. Наличие разума позволяет человеку решать этот вопрос эвристически, а не с использованием формальных признаков классификации. В то же время человеку во время обучения вождению приходится решать задачи, которые не представляют никакойсложности для беспилотных авто. Например, переключение передач и руление в сложных отвлекающих и рассеивающих внимание дорожных условиях для беспилотных авто задаются программно и поэтому не доставляют каких-либо проблем при обучении искусственного интеллекта.
