标注产品
联系我们

地址:北京市通州区长城国际写字楼7层703室

电话:010-56218858

邮编:101100

当前页面:

AI不用地图标注和GPS也能认路?

2018-04-05

是的,谷歌DeepMind又在搞作业。
这次,是用深度强化学习和神经网络来树立导航系统。无需标示好的地图标注指引,AI只是依托街景相片的图画识别就能抵达目的地。类似于AlphaGo Zero的没有棋谱,也能学会下棋。
留意,这无关乎驾驭,只是关乎导航——穿越实在城市,抵达指定的经纬度坐标。整个过程不触及交通数据(周围有没有车和人),也没有对车辆操控建模。
但这现已满足杂乱了。在曼哈顿的5个区域、伦敦和巴黎市中心,AI能成功穿过杂乱的穿插路口、人行道、地道和各种拓扑结构。

地图标注

3月31号,DeepMind在ArXiv上发布了相关论文:Learning to Navigate in Cities Without a Map。大数据文摘大众号后台回复“导航”即可下载这篇论文。
DeepMind随后宣布的一篇博客文章称,AI做的这件事类似于一个小孩怎么记住周边的环境。小孩并不需求看一张地图,只需记住大街的视觉外观并沿途转向,就能前往朋友家、校园或杂货店。而且会越走越娴熟。假如走失了,他可以通过要害地标乃至太阳的朝向来认路。
这是人类的导航系统。
导航是一项重要的认知使命,有导航系统的人类和动物可以在杂乱的国际中远间隔穿行,而无需地图。一起,可以自我定位(“我在这儿”)和表述方针(“我要去那里”)。
那么,AI怎么学习在没有地图的城市中进行导航?
一个利器是谷歌街景视图(Google Street View)。这些图画数据是现成的。这样,AI不必真的到某个城市里穿行,只需在街景里游荡就可以了。运用街景视图建模的优势在于,这些相片以人眼视角拍摄,也就是说,假如一个人站在相同的地理方位,他看到的图画就和模型看到的相同。
依托街景图画而不是地图
研讨人员树立了一个根据神经网络的人工智能体,学习运用视觉信息(来自街景图画的像素)在多个城市中导航。当AI抵达方针目的地(例如,指定的经纬度坐标)时,该AI就会得到奖赏。
比如一个7×24小时无限循环作业的快递员,要不断地抵达指定地点,可是又没有地图可以看。
跟着时刻的推移,AI学习以这种办法跨过整个城市。通过在多个城市的练习和学习,在习惯新的城市时AI的体现非常好。
AI在巴黎街景中练习。街景图画与城市地图叠加,显现方针方位(赤色),署理方位和视界(绿色)。请留意,AI不会看到地图,只能看到方针方位的纬度/经度坐标。
与传统的依赖清晰映射和探究的办法(例如试图本地化并一起绘制地图)相反,DeepMind让AI只运用视觉观察,而不运用地图、GPS定位或其他辅佐工具。
用到的技能是,构建了一个神经网络署理,用于输入从环境中观察到的图画,并预测它应该在该环境中履行的下一个操作。运用深度强化学习进行端对端练习,类似于此前关于学习穿越杂乱3D迷宫,以及用无监督辅佐使命进行强化学习来玩游戏的研讨,可是运用到的数据规划比小型模仿迷宫环境要大得多。
神经网络由三部分组成:
可以处理图画并提取视觉特征的卷积网络
特定场所的循环神经网络,其隐含使命是记住环境,并学习“这儿“(署理的当时方位)和”那里“(方针的方位)
产生关于署理行为的导航战略的场所不变循环网络。特定于言语环境的模块被规划为可交换,而且如其称号所示,对于署理导航的每个城市都是唯一的,而视觉模块和战略模块可以是言语环境不变的。
CityNav (a)
MultiCityNav特定城市建模 (b)
练习和转移到新城市 (c)
就像在Google Street View界面中相同,AI署理可以在恰当的方位旋转,或许在可能的情况下前进到下一个街景。与谷歌地图标注和街景环境不同,AI不会看到小箭头,本地或全球地图,或闻名的Pegman:它需求学习区别敞开道路和人行道。方针可能在实在国际中间隔数公里,AI要通过数百个街景图才干抵达。
Pegman,谷歌街景视图中的虚拟小人
值得留意的是,这是一个可以转移到新城市的模块化神经网络架构。与人类相同,当AI访问一个新的城市时,我们会希望它有必要学习一组新的地标,但不必重新学习其视觉体现或其行为(例如,沿着大街向前走或在穿插路口处转向)。因而,运用MultiCity体系结构,DeepMind首先在许多城市进行练习,然后冻住战略网络和视觉卷积网络,并在一个新城市中只树立一个新的特定区域途径。这种办法使AI可以取得新的常识,而不会忘掉它现已学到了什么,类似于渐进式神经网络架构。
导航系统是研讨和开发人工智能的根底,也对了解人类的生物导航系统有协助。

010-56218858
售前咨询
进度查询
售后服务