Kemampuan Pemrosesan Cahaya Otak Manusia Dapat Membuat Pemrosesan Robotik Lebih Baik

Otak manusia sering kali menjadi inspirasi bagi kecerdasan buatan (AI), dan itu adalah kasus lagi sebagai tim peneliti Angkatan Darat telah berhasil meningkatkan kemampuan pemrosesan robotik dengan melihat bagaimana otak manusia memproses cahaya yang terang dan kontras. Pengembangan baru ini dapat membantu memungkinkan kolaborasi antara agen otonom dan manusia.

Menurut para peneliti, penting untuk pemrosesan mesin yang efektif di berbagai lingkungan yang berubah, yang menyebabkan perkembangan dalam otonomi.

Penelitian ini diterbitkan di Journal of Vision.

Kemampuan Tampilan 100.000-ke-1

Andre Harrison adalah seorang peneliti di U.S. Army Combat Capabilities Development Command’s Army Research Laboratory.

“Ketika kita mengembangkan algoritma pembelajaran mesin, gambar dunia nyata biasanya dikompresi ke rentang yang lebih sempit, seperti yang dilakukan kamera ponsel, dalam proses yang disebut tone mapping,” kata Harrison. “Hal ini dapat menyebabkan algoritma visi mesin menjadi rapuh karena mereka didasarkan pada gambar buatan yang tidak sepenuhnya sesuai dengan pola yang kita lihat di dunia nyata.”

Tim peneliti mengembangkan sistem dengan kemampuan tampilan 100.000-ke-1, yang memungkinkan mereka untuk memperoleh wawasan tentang proses komputasi otak di dunia nyata. Menurut Harrison, ini memungkinkan tim untuk mengimplementasikan ketahanan biologis ke sensor.

Algoritma visi saat ini masih memiliki jalan panjang sebelum menjadi ideal. Ini terkait dengan rentang luminansi yang terbatas, sekitar 100-ke-1, karena algoritma didasarkan pada studi manusia dan hewan dengan monitor komputer. Rasio 100-ke-1 ini kurang ideal di dunia nyata, di mana variasi dapat mencapai 100.000-ke-1. Rasio tinggi ini disebut high dynamic range, atau HDR.

Dr. Chou Po Hung adalah seorang peneliti Angkatan Darat.

“Perubahan dan variasi signifikan dalam cahaya dapat menantang sistem Angkatan Darat — drone yang terbang di bawah kanopi hutan dapat bingung oleh perubahan reflektansi ketika angin bertiup melalui daun, atau kendaraan otonom yang mengemudi di medan kasar mungkin tidak mengenali lubang atau hambatan lain karena kondisi pencahayaan sedikit berbeda dari yang digunakan dalam algoritma visi mereka,” kata Hung.

Kemampuan Pemrosesan Otak Manusia

Otak manusia mampu mengompresi input 100.000-ke-1 ke rentang yang lebih sempit, dan ini memungkinkan manusia untuk menafsirkan bentuk. Tim peneliti berusaha untuk memahami proses ini dengan mempelajari pemrosesan visual awal di bawah HDR. Tim melihat fitur sederhana seperti luminansi HDR.

“Otak memiliki lebih dari 30 area visual, dan kita masih memiliki pemahaman yang sangat dasar tentang bagaimana area-area ini memproses gambar mata menjadi pemahaman tentang bentuk 3D,” lanjut Hung. “Hasil kami dengan studi luminansi HDR, berdasarkan perilaku manusia dan rekaman skalp, menunjukkan betapa sedikitnya kita benar-benar memahami bagaimana untuk menghubungkan kesenjangan antara laboratorium dan lingkungan nyata. Namun, temuan ini memungkinkan kita untuk keluar dari kotak, menunjukkan bahwa asumsi sebelumnya dari monitor komputer standar memiliki kemampuan yang terbatas untuk digeneralisasi ke dunia nyata, dan mereka mengungkapkan prinsip yang dapat membimbing pemodelan kita menuju mekanisme yang tepat.”

Dengan menemukan bagaimana cahaya dan tepi kontras berinteraksi dalam representasi visual otak, algoritma akan lebih efektif dalam merekonstruksi dunia 3D di bawah luminansi nyata. Ketika memperkirakan bentuk 3D dari informasi 2D, selalu ada ketidakjelasan, tetapi penemuan baru ini memungkinkan untuk mengoreksi ketidakjelasan tersebut.

“Melalui jutaan tahun evolusi, otak kita telah berkembang menjadi jalan pintas yang efektif untuk merekonstruksi 3D dari informasi 2D,” kata Hung. “Ini adalah masalah yang telah lama membingungkan ilmuwan visi mesin, bahkan dengan kemajuan terbaru dalam AI.”

Penemuan tim juga penting untuk pengembangan perangkat AI seperti radar dan pemahaman ucapan jarak jauh, yang menggunakan pemrosesan dinamis yang luas.

“Masalah rentang dinamis tidak hanya merupakan masalah pemrosesan,” kata Hung. “Mungkin juga merupakan masalah yang lebih umum dalam komputasi otak karena neuron individu memiliki ribuan input. Bagaimana Anda membangun algoritma dan arsitektur yang dapat mendengarkan input yang tepat di berbagai konteks? Kami berharap bahwa dengan bekerja pada masalah ini pada tingkat sensorik, kami dapat memastikan bahwa kami berada di jalur yang tepat, sehingga kami dapat memiliki alat yang tepat ketika kami membangun AI yang lebih kompleks.”