Ihmisaivojen valonkäsittelykyky voisi johtaa parempaan robottitunnistukseen

Ihmisaivot toimivat usein tekoälyn (AI) inspiraationa, ja näin on jälleen kerran, kun armeijan tutkijoiden ryhmä on onnistunut parantamaan robottitunnistusta tarkastelemalla, kuinka ihmisen aivot käsittelevät kirkasta ja kontrastista valoa. Uusi kehitys voi auttaa johtamaan autonomisten tekijöiden ja ihmisten väliseen yhteistyöhön.

Tutkijoiden mukaan on tärkeää, että konetunnistus toimii tehokkaasti muuttuvissa ympäristöissä, mikä johtaa autonomian kehittymiseen.

Tutkimus julkaistiin Vision Journal. 

100,000 1-XNUMX näyttöominaisuus

Andre Harrison on tutkija US Army Combat Capabilities Development Command's Army Research Laboratoryssa. 

"Kun kehitämme koneoppimisalgoritmeja, todelliset kuvat yleensä pakataan kapeammalle alueelle, kuten matkapuhelinkamera tekee, prosessissa, jota kutsutaan sävykartoitukseksi", Harrison sanoi. "Tämä voi osaltaan lisätä konenäköalgoritmien haurautta, koska ne perustuvat keinotekoisiin kuviin, jotka eivät aivan vastaa todellisessa maailmassa näkemiämme malleja." 

Tutkijaryhmä kehitti järjestelmän, jossa on 100,000 1-XNUMX näyttökyky, jonka avulla he saivat käsityksen aivojen laskentaprosessista todellisessa maailmassa. Harrisonin mukaan tämä antoi ryhmälle mahdollisuuden toteuttaa biologista joustavuutta antureissa.

Nykyisillä visioalgoritmeilla on vielä pitkä matka, ennen kuin niistä tulee ihanteellisia. Tämä liittyy rajoitettuun luminanssialueeseen, noin 100-1-suhteeseen, koska algoritmit perustuvat tietokonenäytöillä tehtyihin ihmis- ja eläintutkimuksiin. Suhde 100:1 on vähemmän kuin ihanteellinen todellisessa maailmassa, jossa vaihtelu voi nousta aina 100,000 1:een asti. Tätä korkeaa suhdetta kutsutaan korkeaksi dynaamiseksi alueeksi tai HDR:ksi.

Tri Chou Po Hung on armeijan tutkija. 

”Muutokset ja merkittävät vaihtelut valossa voivat haastaa armeijan järjestelmiä – metsän katoksen alla lentävät droonit voivat hämmentyä heijastuskyvyn muutoksista, kun tuuli puhaltaa lehtien läpi, tai epätasaisessa maastossa ajavat autonomiset ajoneuvot eivät välttämättä tunnista kuoppia tai muita esteitä, koska valaistusolosuhteet ovat hieman erilainen kuin niistä, joista heidän näköalgoritminsa on koulutettu", Hung sanoi. 

Ihmisaivojen puristuskyky

Ihmisaivot pystyvät automaattisesti pakkaamaan 100,000 1-XNUMX syötteen kapeammalle alueelle, ja tämä antaa ihmisille mahdollisuuden tulkita muotoa. Tutkijaryhmä pyrki ymmärtämään tämän prosessin tutkimalla varhaista visuaalista prosessointia HDR:ssä. Tiimi katseli yksinkertaisia ​​ominaisuuksia, kuten HDR-luminanssia. 

"Aivoissa on yli 30 visuaalista aluetta, ja meillä on edelleen vain alkeellinen käsitys siitä, kuinka nämä alueet käsittelevät silmän kuvan 3D-muodon ymmärtämiseksi", Hung jatkoi. "Tuloksemme HDR-luminanssitutkimuksilla, jotka perustuvat ihmisen käyttäytymiseen ja päänahan tallenteisiin, osoittavat, kuinka vähän me todella tiedämme kuinka kuroa umpeen laboratorioympäristön ja todellisen maailman ympäristöt. Mutta nämä havainnot irrottavat meidät tuosta laatikosta osoittaen, että aiemmilla oletuksillamme tavallisista tietokonenäytöistä on rajallinen kyky yleistää todelliseen maailmaan, ja ne paljastavat periaatteet, jotka voivat ohjata mallintamistamme kohti oikeita mekanismeja. 

Kun algoritmit havaitsevat, kuinka valo- ja kontrastireunat ovat vuorovaikutuksessa aivojen visuaalisessa esityksessä, ne pystyvät tehokkaammin rekonstruoimaan 3D-maailman todellisen luminanssin alla. Kun 3D-muotoa arvioidaan 2D-tiedon perusteella, on aina epäselvyyksiä, mutta tämä uusi löytö mahdollistaa niiden korjaamisen.

"Miljoonien vuosien evoluution aikana aivomme ovat kehittäneet tehokkaita pikakuvakkeita 3D:n rekonstruoimiseksi 2D-tiedoista", Hung sanoi. "Se on vuosikymmeniä vanha ongelma, joka haastaa edelleen konenäkötutkijat, vaikka tekoäly on viime aikoina kehittynyt."

Ryhmän löytö on tärkeä myös laajan dynaamisen alueen tunnistusta hyödyntävien tekoälylaitteiden, kuten tutkan ja etäpuheen ymmärtämisen, kehittämisen kannalta. 

"Dynaaminen alue ei ole vain tunnistusongelma", Hung sanoi. "Se voi olla myös yleisempi ongelma aivojen laskennassa, koska yksittäisillä neuroneilla on kymmeniä tuhansia syötteitä. Kuinka rakennat algoritmeja ja arkkitehtuureja, jotka voivat kuunnella oikeita syötteitä eri yhteyksissä? Toivomme, että työskentelemällä tämän ongelman parissa aistinvaraisella tasolla voimme vahvistaa, että olemme oikealla tiellä, jotta meillä on oikeat työkalut, kun rakennamme monimutkaisempia Als.