ປັນຍາປະດິດ
AI ໃຊ້ການຮຽນຮູ້ການເສີມສ້າງເພື່ອຄົ້ນຫາມະຫາສະໝຸດ
ວິສະວະກອນຢູ່ Caltech, ETH Zurich, ແລະ Harvard ກໍາລັງເຮັດວຽກກ່ຽວກັບປັນຍາປະດິດ (AI) ທີ່ສາມາດເຮັດໃຫ້ drones ປົກຄອງຕົນເອງເພື່ອນໍາໃຊ້ກະແສມະຫາສະຫມຸດເພື່ອຊ່ວຍນໍາທາງຂອງເຂົາເຈົ້າ. ດ້ວຍວິທີການນີ້, drones ບໍ່ຈໍາເປັນຕ້ອງຕໍ່ສູ້ກັບກະແສນ້ໍາ.
ການຄົ້ນຄ້ວາດັ່ງກ່າວໄດ້ລົງພິມໃນ ການສື່ສານທໍາມະຊາດ ໃນເດືອນທັນວາ 8.
John O. Dabiri ເປັນອາຈານຮ້ອຍປີຂອງ Aeronautics ແລະວິສະວະກໍາກົນຈັກແລະເປັນຫນຶ່ງໃນຜູ້ຂຽນຂອງການຄົ້ນຄວ້າ.
“ເມື່ອພວກເຮົາຕ້ອງການໃຫ້ຫຸ່ນຍົນສຳຫຼວດມະຫາສະໝຸດເລິກ, ໂດຍສະເພາະຝູງຝູງ, ມັນເກືອບເປັນໄປບໍ່ໄດ້ທີ່ຈະຄວບຄຸມພວກມັນດ້ວຍ joystick ຈາກໜ້າດິນ 20,000 ຟຸດ. ພວກເຮົາຍັງບໍ່ສາມາດໃຫ້ຂໍ້ມູນໃຫ້ເຂົາເຈົ້າກ່ຽວກັບກະແສມະຫາສະໝຸດທ້ອງຖິ່ນທີ່ພວກເຂົາຕ້ອງການນຳທາງໄດ້ ເພາະວ່າພວກເຮົາບໍ່ສາມາດກວດພົບພວກມັນຈາກພື້ນຜິວໄດ້. ແທນທີ່ຈະ, ໃນຈຸດໃດຫນຶ່ງທີ່ພວກເຮົາຕ້ອງການ drones ທີ່ເກີດຈາກມະຫາສະຫມຸດເພື່ອສາມາດຕັດສິນໃຈກ່ຽວກັບວິທີການເຄື່ອນທີ່ສໍາລັບຕົວເອງ, "Dabiri ເວົ້າ.
ການທົດສອບ AI ໄດ້
ວິສະວະກອນໄດ້ທົດສອບຄວາມຖືກຕ້ອງຂອງ AI ດ້ວຍການຈໍາລອງຄອມພິວເຕີ, ແລະທີມງານໄດ້ພັດທະນາຫຸ່ນຍົນຂະຫນາດນ້ອຍທີ່ດໍາເນີນການ algorithm ໃນ chip ຄອມພິວເຕີ, ເຊິ່ງສາມາດພະລັງງານ drones ທະເລເທິງໂລກເຊັ່ນດຽວກັນກັບດາວອື່ນໆ. ໃນທີ່ສຸດ, ພວກເຂົາສາມາດພັດທະນາລະບົບເອກະລາດທີ່ຕິດຕາມສະພາບຂອງມະຫາສະຫມຸດຂອງດາວເຄາະ, ແລະມັນຈະເຮັດສິ່ງນີ້ໂດຍການສົມທົບກັບຂາທຽມທີ່ພັດທະນາກ່ອນຫນ້ານີ້ເພື່ອຊ່ວຍໃຫ້ jellyfish ລອຍຕາມຄໍາສັ່ງ.
ສໍາລັບວິທີການເຮັດວຽກນີ້, drones ຕ້ອງໄດ້ຕັດສິນໃຈດ້ວຍຕົນເອງກ່ຽວກັບບ່ອນທີ່ຈະໄປແລະວິທີການໄປເຖິງ. ເຂົາເຈົ້າອາດຈະຕ້ອງອີງໃສ່ຂໍ້ມູນທີ່ເຂົາເຈົ້າເກັບເອົາເອງ, ເຊິ່ງຈະເປັນຂໍ້ມູນກ່ຽວກັບກະແສນ້ຳທີ່ເຂົາເຈົ້າກຳລັງປະສົບຢູ່.
ນັກຄົ້ນຄວ້າໄດ້ນໍາໃຊ້ເຄືອຂ່າຍການຮຽນຮູ້ເສີມເພື່ອແກ້ໄຂບັນຫານີ້, ແລະພວກເຂົາຂຽນຊອບແວທີ່ສາມາດດໍາເນີນການໃນ microcontroller ຂະຫນາດນ້ອຍ.
ທີມງານສາມາດນໍາໃຊ້ການຈໍາລອງຄອມພິວເຕີເພື່ອສອນ AI ໃນການນໍາທາງ. ນັກລອຍນ້ຳຈຳລອງພຽງແຕ່ເຂົ້າເຖິງຂໍ້ມູນກ່ຽວກັບກະແສນ້ຳຢູ່ສະຖານທີ່ທັນທີ, ແຕ່ມັນກໍສາມາດຮຽນຮູ້ວິທີການໝູນໃຊ້ກະແສນ້ຳໃນບໍລິເວນຝັ່ງທະເລໄປສູ່ເປົ້າໝາຍໄດ້ຢ່າງວ່ອງໄວ.
ປະເພດຂອງ naivation ນີ້ແມ່ນທົ່ວໄປໃນບັນດານົກອິນຊີແລະ hawks, ເຊິ່ງຂັບເຄື່ອນຄວາມຮ້ອນໃນອາກາດໃນຂະນະທີ່ສະກັດພະລັງງານຈາກກະແສອາກາດໄປສູ່ maneuver. ນີ້ເຮັດໃຫ້ພວກເຂົາກ້າວໄປສູ່ເປົ້າຫມາຍໃນຂະນະທີ່ປະຫຍັດພະລັງງານ.
ຍຸດທະສາດການນໍາທາງທີ່ມີປະສິດທິພາບ
ອີງຕາມທີມງານ, ວິທີການການຮຽນຮູ້ເສີມຂອງເຂົາເຈົ້າຍັງສາມາດຮຽນຮູ້ຍຸດທະສາດການນໍາທາງທີ່ມີປະສິດທິຜົນຫຼາຍກ່ວາການນໍາໃຊ້ໂດຍປາໃນມະຫາສະຫມຸດ.
"ໃນເບື້ອງຕົ້ນພວກເຮົາພຽງແຕ່ຫວັງວ່າ AI ສາມາດແຂ່ງຂັນກັບຍຸດທະສາດການນໍາທາງທີ່ພົບໃນສັດລອຍນ້ໍາຕົວຈິງ, ດັ່ງນັ້ນພວກເຮົາປະຫລາດໃຈທີ່ເຫັນມັນຮຽນຮູ້ວິທີການທີ່ມີປະສິດທິພາບຫຼາຍຂຶ້ນໂດຍການໃຊ້ການທົດລອງຊ້ໍາຊ້ອນຢູ່ໃນຄອມພິວເຕີ້," Dabiri ເວົ້າ.
ດຽວນີ້ນັກຄົ້ນຄວ້າຈະຊອກຫາການທົດສອບ AI ກ່ຽວກັບແຕ່ລະປະເພດຂອງການລົບກວນການໄຫຼທີ່ມັນຈະພົບຢູ່ໃນມະຫາສະຫມຸດ. ພວກເຂົາເຈົ້າຈະບັນລຸໄດ້ໂດຍການລວມຄວາມຮູ້ຂອງເຂົາເຈົ້າກ່ຽວກັບຟີຊິກນ້ໍາມະຫາສະຫມຸດກັບຍຸດທະສາດການຮຽນຮູ້ເສີມສ້າງ.
Peter Gunnarson ເປັນນັກສຶກສາຈົບການສຶກສາທີ່ Caltech ແລະເປັນຜູ້ນໍາຂອງຜູ້ຂຽນເອກະສານ.
"ບໍ່ພຽງແຕ່ຫຸ່ນຍົນຈະຮຽນຮູ້, ແຕ່ພວກເຮົາຈະຮຽນຮູ້ກ່ຽວກັບກະແສນ້ໍາມະຫາສະຫມຸດແລະວິທີການນໍາທາງຜ່ານພວກມັນ," Gunnarson ເວົ້າ.
