Интел Лабс користи 'Гранд Тхефт Ауто' за обуку аутомобила који возе само-вожњу

Од свих видео игара, показали бисте некоме у возачком издању, Гранд Тхефт Ауто можда није на врху те листе. Међутим, тим из Интел Лабс-а и Универзитета у Дармштату у Њемачкој открио је да кориштење видео игара пружа неуспоредиву разину точности при идентификацији објеката.

Тим, који је објавио своје налазе у овом раду, примијетио је да је игра пружила прецизну симулацију сценарија вожње у стварном свијету. Ови подаци се могу користити у аутомобилима који се сами возе у стварном свијету како би се возили около и пловили сигурно.

Аутомобили који сами возе користе идентификационе податке о објекту како би помогли “научити” како да препознају објекте као што су пешаци, светиљке и зидови приликом вожње на улици. Произвођачи аутомобила обично креирају ове податке са снимљеног видеа са контролне табле аутомобила. Они ручно пролазе и идентификују објекте, а систем помоћу машинског учења коначно ствара ширу идеју о томе како сваки објекат изгледа.

Користећи Гранд Тхефт Ауто међутим, тим је био у могућности да аутоматизује овај процес много ефикасније. Тим је могао да сними сличне видео записе у игри, али је био у могућности да брже идентификује средства која су представљала исте улице. Фотореалистички виртуелни свет значи да идентификовани објекти дају систему исте прецизне идеје о томе како ће изгледати објекти стварног света.

Рачунар може аутоматски да идентификује објекте у само неколико секунди, процес који обично траје скоро два сата по слици са снимљеним видео записом. Ево процеса у акцији:

„Са вештачким окружењима, можемо без напора прикупити прецизно анотиране податке на већој скали са значајним варијацијама у осветљењу и климатским условима“, каже Алиреза Схафаеи, Пх.Д. студент на Универзитету Британске Колумбије, изјавио је за МИТ Тецхнологи Ревиев.

Схафаеи је објавио своје истраживање у раду који детаљно описује како видео игре могу обучити компјутере да помогну да се види свет. "Показали смо да су ови синтетички подаци скоро једнако добри, или понекад чак и бољи, него да се користе стварни подаци за обуку", рекао је он.

Аутомобили који сами возе користе велику количину података, а технике попут ових бит ће од виталног значаја за одржавање ствари. АТ&Т је почео да испробава нову 5Г целуларну мрежу, дизајнирану са возилом за самостално вођење у возилу, који може дати приоритет критичним подацима како би се избегли аутомобили без возача који пате од кашњења. Међутим, сви ови подаци долазе по цијену, јер су истраживачи упозорили да би аутомобили могли бити подложни хакирању. Возила без возача отварају нове могућности за велике скупове података, али питање како све то ријешити биће главни приоритет.