Νέα Τεχνική Βοηθά το AI να Αναγνωρίζει Αντικείμενα 3D

Μια νέα τεχνική που αναπτύχθηκε από ερευνητές στο Πανεπιστήμιο της Βόρειας Καρολίνας βελτιώνει την ικανότητα των προγραμμάτων τεχνητής νοημοσύνης (AI) να αναγνωρίζουν αντικείμενα 3D. Η τεχνική, που ονομάζεται MonoCon, βοηθά επίσης το AI να μάθει πώς τα αντικείμενα 3D σχετίζονται μεταξύ τους στο χώρο χρησιμοποιώντας εικόνες 2D.

Η MonoCon μπορεί να έχει eine ευρεία γκάμα εφαρμογών, συμπεριλαμβανομένης της βοήθειας των αυτόνομων οχημάτων να πλοηγηθούν γύρω από άλλα οχήματα χρησιμοποιώντας εικόνες 2D που λαμβάνονται από μια κάμερα στο οχήμα. Μπορεί επίσης να παίξει ένα ρόλο στη βιομηχανία και τη ρομποτική.

Ο Tianfu Wu είναι ο συγγραφέας της ερευνητικής εργασίας και αναπληρωτής καθηγητής ηλεκτρικής και υπολογιστικής μηχανικής στο Πανεπιστήμιο της Βόρειας Καρολίνας.

«Ζούμε σε ένα 3D κόσμο, αλλά όταν παίρνουμε μια φωτογραφία, καταγράφει τον κόσμο σε μια 2D εικόνα», λέει ο Wu.

«Τα προγράμματα AI λαμβάνουν οπτική είσοδο από κάμερες. Έτσι, αν θέλουμε το AI να αλληλεπιδράσει με τον κόσμο, πρέπει να διασφαλίσουμε ότι μπορεί να ερμηνεύσει τι μπορεί να μας πει μια 2D εικόνα για τον 3D χώρο. Σε αυτή την έρευνα, εστιάζουμε σε ένα μέρος αυτής της πρόκλησης: πώς μπορούμε να κάνουμε το AI να αναγνωρίζει ακριβώς αντικείμενα 3D – όπως άνθρωποι ή αυτοκίνητα – σε εικόνες 2D και να τα τοποθετήσει στον χώρο», συνεχίζει ο Wu.

Αυτόνομα Οχήματα

Τα αυτόνομα οχήματα συχνά βασίζονται σε lidar για να πλοηγηθούν στον 3D χώρο. Το lidar, που χρησιμοποιεί laser για να μετρήσει την απόσταση, είναι ακριβό, γεγονός που σημαίνει ότι τα αυτόνομα συστήματα δεν περιλαμβάνουν πολλή ανακλαστικότητα. Η τοποθέτηση δεκάδων αισθητήρων lidar σε ένα μαζικά παραγόμενο αυτοκίνητο χωρίς οδηγό θα ήταν εξαιρετικά ακριβό.

«Αλλά αν ένα αυτόνομο όχημα μπορούσε να χρησιμοποιήσει οπτικές εισόδους για να πλοηγηθεί στον χώρο, θα μπορούσε να χτιστεί ανακλαστικότητα», λέει ο Wu. «Επειδή οι κάμερες είναι σημαντικά φθηνότερες από το lidar, θα ήταν οικονομικά εφικτό να περιλαμβάνονται πρόσθετες κάμερες – χτίζοντας ανακλαστικότητα στο σύστημα και κάνωντας το ασφαλέστερο και πιο ανθεκτικό.

«Αυτή είναι μια πρακτική εφαρμογή. Ωστόσο, είμαστε επίσης ενθουσιασμένοι με την θεμελιώδη πρόοδο αυτής της εργασίας: ότι είναι δυνατό να ληφθούν δεδομένα 3D από αντικείμενα 2D».

Εκπαίδευση του AI

Η MonoCon μπορεί να αναγνωρίσει αντικείμενα 3D σε εικόνες 2D πριν τα τοποθετήσει σε ένα «περιοριστικό κουτί», το οποίο λέει στο AI τις εξωτερικές άκρες του αντικειμένου.

«Τι μας διακρίνει είναι το πώς εκπαιδεύουμε το AI, το οποίο βασίζεται σε προηγούμενες τεχνικές εκπαίδευσης», λέει ο Wu. «Όπως και οι προηγούμενες προσπάθειες, τοποθετούμε αντικείμενα σε 3D περιοριστικά κουτιά κατά την εκπαίδευση του AI. Ωστόσο, εκτός από το να ζητήσουμε από το AI να προβλέψει την απόσταση κάμερας-αντικειμένου και τις διαστάσεις των περιοριστικών κουτιών, ζητάμε επίσης από το AI να προβλέψει τις θέσεις κάθε ενός από τα οκτώ σημεία του κουτιού και την απόστασή του από το κέντρο του περιοριστικού κουτιού σε δύο διαστάσεις. Αυτό το ονομάζουμε «βοηθητικό контέκστ» και βρήκαμε ότι βοηθά το AI να αναγνωρίσει και να προβλέψει αντικείμενα 3D με βάση εικόνες 2D με μεγαλύτερη ακρίβεια.

«Η προτεινόμενη μέθοδος είναι εμπνευσμένη από ένα γνωστό θεώρημα στη θεωρία μέτρησης, το θεώρημα Cramér-Wold. Είναι επίσης πιθανό να εφαρμοστεί σε άλλες εργασίες πρόβλεψης με δομημένα αποτελέσματα στην υπολογιστική όραση».

Η MonoCon δοκιμάστηκε με ένα ευρέως χρησιμοποιούμενο σύνολο δεδομένων που ονομάζεται KITTI.

«Στην εποχή που υποβεβληθήκαμε αυτή την εργασία, η MonoCon εκτελέστηκε καλύτερα από οποιοδήποτε άλλο πρόγραμμα AI που είχε ως στόχο την εξαγωγή δεδομένων 3D για αυτοκίνητα από εικόνες 2D», λέει ο Wu.

Η ομάδα θα αναζητήσει να κλιμακωθεί η διαδικασία με μεγαλύτερα σύνολα δεδομένων.

«Προχωρώντας, κλιμακώνουμε αυτή τη διαδικασία και εργαζόμαστε με μεγαλύτερα σύνολα δεδομένων για να αξιολογήσουμε και να βελτιώσουμε τη MonoCon για χρήση σε αυτόνομη οδήγηση», λέει ο Wu. «Θέλουμε επίσης να εξερευνήσουμε εφαρμογές στη βιομηχανία, για να δούμε αν μπορούμε να βελτιώσουμε την απόδοση εργασιών όπως η χρήση ρομποτικών βραχιόνων».