Ihmisen aivoprosessien valonkäsittelykyky voi johtaa parempaan robottiavistukseen

Ihmisaivot toimivat usein inspiraationa tekoälylle, ja nyt Army-tutkijaryhmä on onnistunut parantamaan robottiavistusta tutkimalla, miten ihmisaivot prosessoi kirkkaita ja kontrastisia valoja. Uusi kehitys voi auttaa johtamaan yhteistyöhön autonomisten agenttien ja ihmisten välillä.

Tutkijoiden mukaan koneavistuksen on oltava tehokasta muuttuvissa ympäristöissä, mikä johtaa autonomian kehitykseen.

Tutkimus julkaistiin Journal of Vision -julkaisussa.

100 000:1 näyttökyky

Andre Harrison on tutkija Yhdysvaltain armeijan taistelukykyjen kehittämiskomennan Army Research Laboratoryssa.

“Kun kehitämme koneoppimisalgoritmeja, maailman kuvat on yleensä pakattu kapeampaan alueeseen, kuten matkapuhelin-kamera tekee, prosessissa nimeltä sävykarttaus”, Harrison sanoi. “Tämä voi vaikuttaa koneavistus-algoritmien haurastumiseen, koska ne perustuvat keinotekoisille kuville, jotka eivät täysin vastaa malleja, joita näemme todellisessa maailmassa.”

Tutkijaryhmä kehitti järjestelmän, jolla on 100 000:1 näyttökyky, mikä mahdollisti heidän saada tietoa aivojen laskentaprosessista todellisessa maailmassa. Harrisonin mukaan tämä mahdollisti tiimin toteuttaa biologista kestävyyttä antureihin.

Nykyiset näköalgoritmit ovat edelleen pitkällä tiellä ennen kuin ne tulevat ihanteellisiksi. Tämä liittyy rajoitettuun valovoimakkuusalueeseen, noin 100:1-suhteeseen, koska algoritmit perustuvat ihmisen ja eläinten tutkimuksiin tietokoneen näytöillä. 100:1-suhteella on vähemmän kuin ihanteellinen todellisessa maailmassa, jossa vaihtelu voi olla jopa 100 000:1. Tätä suhdetta kutsutaan korkeaksi dynaamiseksi alueeksi eli HDR:ksi.

Tohtori Chou Po Hung on armeijan tutkija.

“Valon muutokset ja merkittävät vaihtelut voivat haastaa armeijan järjestelmiä – esimerkiksi drone, joka lentää metsän katveessa, voi olla hämmennys heijastusmuutoksista, kun tuuli puhaltaa lehdille, tai itseohjautuvat ajoneuvot, jotka ajelevat karkealla maastolla, eivät välttämättä tunnista kuoppia tai muita esteitä, koska valaistusolot ovat hieman erilaiset kuin niiden, joiden koulutusvisioalgoritmit on koulutettu”, Hung sanoi.

Ihmisaivojen pakkauskyky

Ihmisaivot pystyvät automaattisesti pakkaamaan 100 000:1 syötteen kapeampaan alueeseen, ja tämä mahdollistaa ihmisille hahmottaa muotoa. Tutkijaryhmä pyrki ymmärtämään tätä prosessia tutkimalla varhaisen visuaalisen prosessoinnin HDR-valovoimakkuutta. Ryhmä tarkasteli yksinkertaisia piirteitä, kuten HDR-valovoimakkuutta.

“Aivoissa on yli 30 visuaalista aluetta, ja meillä on edelleen vain perustavanlaatuinen ymmärrys siitä, miten nämä alueet prosessoi silmän kuvan 3D-muodon ymmärtämiseksi”, Hung jatkoi. “Tuloksemme HDR-valovoimakkuuden tutkimuksista, jotka perustuvat ihmisen käyttäytymiseen ja päänahkaan, osoittavat, kuinka vähän me tiedämme siitä, miten ylittää kuilun laboratoriosta todelliseen maailmaan, ja ne paljastavat periaatteita, jotka voivat ohjata mallinnustamme oikeisiin mekanismeihin.”

Valon ja kontrastireunojen vuorovaikutuksen havaitsemisesta aivojen visuaalisessa edustassa algoritmit voivat olla tehokkaampia 3D-maailman jälleenrakentamisessa todellisissa valaistusolosuhteissa. 3D-muodon arvioimisessa 2D-tiedosta on aina epäselvyyksiä, mutta tämä uusi löytö mahdollistaa niiden korjaamisen.

“Miljoonien vuosien evoluution aikana aivot ovat kehittyneet tehokkaiksi lyhytiksi 3D-rakentamiseksi 2D-tiedosta”, Hung sanoi. “Se on vuosikymmeniä vanha ongelma, joka edelleen haastaa koneavistus-tutkijoita, jopa viimeaikaisilla tekoäly-edistysaskeleilla.”

Tutkijaryhmän löytö on myös tärkeä tekoälylaitteiden kehittämisessä, kuten radar- ja etäpuhelun ymmärtämisessä, jotka hyödyntävät laajaa dynaamista aluetta.

“Dynaamisen alueen ongelma ei ole vain havainto-ongelma”, Hung sanoi. “Se voi olla myös yleisempi ongelma aivojen laskennassa, koska yksittäisillä hermosoluilla on tuhannet syötteet. Miten voit rakentaa algoritmeja ja arkkitehtuureja, jotka voivat kuunnella oikeita syötteitä eri konteksteissa? Toivomme, että työskentelemällä tämän ongelman havaintotasolla voimme vahvistaa, että olemme oikealla tiellä, jotta voimme saada oikeat työkalut, kun rakennamme monimutkaisempia tekoälyjärjestelmiä.”