Игра Grand Theft Auto оказалась эффективным средством обучения беспилотных авто

Исследователи из Университета Мичигана в Энн-Арбор (США) сравнили по эффективности обучение беспилотных авто на реальном автопробеге с обучением их же с помощью игры Grand Theft Auto (GTA) V. Оказалось, результат от "занятий" в обоих случаях практически одинаков. При этом использование игры 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 видеоматериалах GTA камерам машины реже мешали линии электропередачи, ветки деревьев, яркие солнечные 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 кадров в единицу времени, чем из реального автопробега. Полмиллиона скриншотов из игры можно извлечь за одну ночь, в то время как самостоятельная поездка беспилотного авто принесёт то же количество снимков за значительно большее время. К тому же такой пробег будет намного более дорогим хотя бы из-за расхода топлива. 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, но ПО машины распознать не смогло. Для таких случаев требуется глубокое обучение. В его рамках используется не один простой классификатор, а совокупность более сложных. Группы признаков связываются 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 отделять один 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, людям не 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 никакой сложности 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.