Grand Theft Auto: Τα αυτοκινούμενα οχήματα μαθαίνουν από το παιχνίδι

Το να ξοδέψεις πολλές ώρες να παίζεις Grand Theft Auto, ίσως και να μην έχει κάποιο θετικό αποτέλεσμα για τον άνθρωπο, αλλά σύμφωνα με πολλούς ερευνητές, το παιχνίδι αυτό μπορεί να βοηθήσει να κάνουμε πιο έξυπνους τους υπολογιστές μας.

Πολλά ερευνητικά γκρουπ χρησιμοποιούν το διάσημο παιχνίδι, για να εξασκήσουν αλγόριθμους που έχουν στόχο να οδηγήσουν ένα αυτόνομο όχημα στον πραγματικό κόσμο. Η οδήγηση απεικονίζεται αρκετά ρεαλιστικά στο Grand Theft Auto και η εξάσκηση ενός αλγόριθμου αλγόριθμου θα τον βοηθήσει στο να την αντιλαμβάνεται καλύτερα.

Αυτό γίνεται αξιοποιώντας τεχνικές machine learning, οι οποίες εκτός των άλλων χρησιμοποιούνται σε αλγόριθμους που αναγνωρίζουν πρόσωπα, φωνή και άλλα, όπως θα έκανε και ένας άνθρωπος. Η «εκπαίδευση» αυτών των αλγόριθμων απαιτεί τεράστια σετ δεδομένων, τα οποία θα έπαιρναν πολύ χρόνο για να συλλεχθούν, γι αυτό ένας virtual κόσμος μπορεί να κάνει την διαδικασία πιο εύκολη και γρήγορη.

Μια ομάδα ερευνητών από των Intel Labs και το Πανεπιστήμιο Darmstadt στην Γερμανία, ανέπτυξαν έναν έξυπνο τρόπο για να εξάγουν χρήσιμα δεδομένα από το Grand Theft Auto. Δημιούργησαν ένα ειδικό λογισμικό που «βρίσκεται» ανάμεσα στο παιχνίδι και το hardware, το οποίο αυτόματα κατηγοριοποιεί τα διάφορα αντικείμενα στον κόσμο του παιχνιδιού. Με αυτό τον τρόπο, αφού κατηγοριοποιήσει τα δεδομένα, τα δίνει στον machine learning αλγόριθμο, ο οποίος αναλαμβάνει την αναγνώριση αμαξιών, πεζών και άλλων αντικειμένων, που θα συναντούσε κανείς στην πραγματικότητα.

Αν χρειαζόταν να συλλέξεις αυτά τα δεδομένα στην πραγματικότητα, θα χρειαζόσουν χιλιάδες ώρες υλικού και επιπλέον χιλιάδες ώρες για να κατηγοριοποιήσεις αυτά τα δεδομένα. Επίσης δεν θα ήταν εύκολο να αναπαράγεις όλες τις περιπτώσεις που μπορούν να συμβούν στην πραγματικότητα, όπως το να τρακάρει ένα αμάξι με μεγάλη ταχύτητα σε έναν τοίχο.

Ο διδακτορικός φοιτητής Alizera Shafaei, αναφέρει ότι «Το να κατηγοριοποιήσεις δεδομένα του πραγματικού κόσμου είναι αρκετά κοστοβόρο, με τις σημερινές προσεγγίσεις να μην διευκολύνουν στο να γίνει αυτό. Με την χρήση τεχνητού περιβάλλονος, μπορούμε χωρίς κόπο να κατηγοριοποιήσουμε τα δεδομένα σε μεγαλύτερη κλίμακα, έχοντας επιπλέον την ευκολία να προσαρμόσουμε τον φωτισμό και τις κλιματολογικές συνθήκες. Καταφέραμε να δείξουμε ότι αυτά τα συνθετικά δεδομένα είναι καλά και κάποιες φορές καλύτερα από τα πραγματικά δεδομένα”.

Πηγή