Le auto a guida autonoma possono imparare molto giocando a Grand Theft Auto

Trascorrere migliaia di ore a giocare a Grand Theft Auto potrebbe avere discutibili vantaggi per gli esseri umani, ma potrebbe aiutare a rendere i computer molto più intelligenti.

Diversi gruppi di ricerca stanno ora utilizzando il gioco estremamente popolare, che presenta auto veloci e varie attività nefaste, per addestrare algoritmi che potrebbero consentire a un'auto a guida autonoma di percorrere una strada reale.

Ci sono poche possibilità che un computer impari un cattivo comportamento giocando a giochi per computer violenti. Ma lo scenario incredibilmente realistico che si trova in Grand Theft Auto e in altri mondi virtuali potrebbe aiutare una macchina a percepire correttamente gli elementi del mondo reale.

Una tecnica nota come apprendimento automatico consente ai computer di fare nuove cose impressionanti, come identificare i volti e riconoscere il parlato, così come una persona. Ma l'approccio richiede enormi quantità di dati curati e può essere difficile e dispendioso in termini di tempo raccoglierne una quantità sufficiente. Lo scenario in molti giochi è così incredibilmente realistico che può essere utilizzato per generare dati buoni come quelli generati utilizzando immagini del mondo reale.

Un'immagine di Grand Theft Auto in cui diversi elementi sono stati annotati automaticamente.

Alcuni ricercatori creano già simulazioni 3D utilizzando motori di gioco per generare dati di addestramento per i loro algoritmi (vedi Per diventare veramente intelligenti, l'IA potrebbe aver bisogno di giocare a più videogiochi). Tuttavia, i giochi per computer standard, con ore di immagini fotorealistiche, potrebbero fornire un modo più semplice per raccogliere grandi quantità di dati di allenamento.

Un team di ricercatori di Intel Labs e dell'Università di Darmstadt in Germania ha sviluppato un modo intelligente per estrarre dati di allenamento utili da Grand Theft Auto.

I ricercatori hanno creato uno strato software che si trova tra il gioco e l'hardware di un computer, classificando automaticamente diversi oggetti nelle scene stradali mostrate nel gioco. Ciò fornisce le etichette che possono quindi essere inviate a un algoritmo di apprendimento automatico, consentendogli di riconoscere auto, pedoni e altri oggetti mostrati, sia nel gioco che su una strada reale. Secondo un documento postato dal team di recente, sarebbe quasi impossibile che le persone etichettino manualmente tutte le scene con dettagli simili. I ricercatori affermano anche che le immagini di allenamento reali possono essere migliorate con l'aggiunta di alcune immagini sintetiche.

Il software esegue la scansione di una scena stradale e assegna nomi di etichette agli oggetti (sul pannello di sinistra) come strada, marciapiede o edificio.

Una delle grandi sfide dell'IA è come soddisfare la sete di dati mostrata dai più potenti algoritmi di apprendimento automatico. Ciò è particolarmente problematico per le attività del mondo reale come la guida automatizzata. Occorrono migliaia di ore per raccogliere immagini di strade reali e altre migliaia per etichettare tutte quelle immagini. È anche impraticabile affrontare ogni possibile scenario nella vita reale, come sbattere un'auto contro un muro di mattoni ad alta velocità.

Annotare i dati del mondo reale è un'operazione costosa e gli approcci attuali non sono facilmente scalabili, afferma Alireza Shafaei , uno studente di dottorato presso l'Università della British Columbia che è stato recentemente coautore un documento mostrando come i videogiochi possono essere utilizzati per addestrare un sistema di visione artificiale, in alcuni casi così come i dati reali possono. Insieme a Marco Schmidt , un assistente professore alla UBC, e Jim Piccolo , professore all'UBC, Shafaei ha dimostrato che i videogiochi forniscono anche un modo semplice per variare le condizioni ambientali presenti nei dati di allenamento.

Con gli ambienti artificiali possiamo raccogliere facilmente dati annotati con precisione su scala più ampia con una notevole variazione nell'illuminazione e nelle impostazioni climatiche, afferma Shafaei. Abbiamo dimostrato che questi dati sintetici sono quasi altrettanto buoni, o talvolta anche migliori, dell'utilizzo di dati reali per l'allenamento.

I ricercatori di intelligenza artificiale utilizzano già semplici giochi come un modo per testare le capacità di apprendimento dei loro algoritmi (vedi AI Masters Space Invaders di Google e Minecraft Is a Testing Ground for Human-AI Collaboration). Ma c'è un crescente interesse nell'uso dello scenario di gioco per alimentare i dati di training visivo degli algoritmi. Un gruppo alla Johns Hopkins University di Baltimora, per esempio, lo è sviluppare uno strumento che può essere utilizzato per connettere un algoritmo di apprendimento automatico a qualsiasi ambiente creato utilizzando il popolare motore di gioco Unreal. Ciò include giochi come KiteRunner e Hellblade, ma anche molte spettacolari visualizzazioni architettoniche.

Rockstar Games, lo studio dietro il franchise di Grand Theft Auto, ha rifiutato l'opportunità di commentare questo pezzo.

nascondere