Menneskehjernens lysbehandlingsEVNE kan føre til bedre robotiske sanseorganer

Menneskehjernen tjener ofte som inspirasjon for kunstig intelligens (AI), og det er tilfelle igjen da et team av hærforskere har klart å forbedre robotiske sanseorganer ved å se på hvordan menneskehjernen behandler lys og kontrast. Den nye utviklingen kan hjelpe til å føre til samarbeid mellom autonome agenter og mennesker.

Ifølge forskerne er det viktig at maskin-sanseorganer er effektive over forskjellige miljøer, noe som fører til utvikling av autonomi.

Forskningen ble publisert i Journal of Vision.

100.000 til 1 Visningskapasitet

Andre Harrison er en forsker ved U.S. Army Combat Capabilities Development Command’s Army Research Laboratory.

“Når vi utvikler maskinlæringsalgoritmer, er vanligvis virkelige bilder komprimert til en smalere rekke, som en mobilkamera gjør, i en prosess kalt tonekart,” sa Harrison. “Dette kan bidra til at maskinvisjon-algoritmer er skjøre fordi de er basert på kunstige bilder som ikke helt matcher mønsterene vi ser i den virkelige verden.”

Forskerlaget utviklet et system med 100.000 til 1 visningskapasitet, som gjorde det mulig for dem å få innsikt i hjernens beregningsprosess i den virkelige verden. Ifølge Harrison, gjorde dette det mulig for laget å implementere biologisk motstandskraft i sensorer.

De nåværende visjonsalgoritmer har fortsatt langt igjen før de blir ideelle. Dette har å gjøre med den begrensede rekke i lysstyrke, på rundt 100 til 1 forhold, på grunn av at algoritmene er basert på menneske- og dyrestudier med datamonitorer. 100 til 1 forhold er mindre enn ideelt i den virkelige verden, hvor variasjonen kan gå helt opp til 100.000 til 1. Dette høye forhold kalles høy dynamisk rekke, eller HDR.

Dr. Chou Po Hung er en hærforsker.

“Endringer og betydelige variasjoner i lys kan utfordre hærsystemer — droner som flyr under en skogskrone kan bli forvirret av refleksjonsendringer når vinden blåser gjennom bladene, eller autonome kjøretøy som kjører på ru terreng kan ikke gjenkjenne hull eller andre hindringer fordi lysforholdene er litt forskjellige fra dem som deres visjonsalgoritmer var trent på,” sa Hung.

Menneskehjernens KomprimeringsEVNE

Menneskehjernen er i stand til å automatisk komprimere 100.000 til 1 inndata til en smalere rekke, og dette er hva som gjør det mulig for mennesker å tolke form. Forskerlaget satte ut å forstå denne prosessen ved å studere tidlig visuell prosessering under HDR. Laget så mot enkle trekk som HDR-lysstyrke.

“Hjernen har mer enn 30 visuelle områder, og vi har fortsatt bare en rudimentær forståelse av hvordan disse områdene behandler øyets bilde til en forståelse av 3D-form,” fortsatte Hung. “Våre resultater med HDR-lysstyrke-studier, basert på menneskelig atferd og skalleopptak, viser bare hvor lite vi virkelig vet om hvordan vi kan løse gapet fra laboratorium til den virkelige verden. Men disse funnene bryter oss ut av denne boksen, og viser at våre tidligere antagelser fra standard datamonitorer har begrensede muligheter til å generalisere til den virkelige verden, og de avslører prinsipper som kan guide vår modellering mot de riktige mekanismene.”

Ved å oppdage hvordan lys og kontrastkanter samhandler i hjernens visuelle representasjon, vil algoritmene være mer effektive til å rekonstruere den 3D-verden under virkelige lysforhold. Når man estimerer 3D-form fra 2D-informasjon, er det alltid usikkerheter, men denne nye oppdagelsen gjør det mulig å korrigere dem.

“Gjennom millioner av år med evolusjon, har våre hjerner utviklet effektive kortveier for å rekonstruere 3D fra 2D-informasjon,” sa Hung. “Dette er et tiår gammelt problem som fortsatt utfordrer maskinvisjon-vitenskapsmenn, selv med de nyeste fremgangene i AI.”

Lagets oppdagelse er også viktig for utviklingen av AI-enheter som radar og fjern taleforståelse, som utnytter vid dynamisk rekke-sanseorganer.

“Spørsmålet om dynamisk rekke er ikke bare et sanseproblem,” sa Hung. “Det kan også være et mer generelt problem i hjernecomputering fordi enkeltneuroner har titusenvis av inndata. Hvordan bygger man algoritmer og arkitekturer som kan lytte til de riktige inndata over forskjellige kontekster? Vi håper at, ved å arbeide med dette problemet på et sanse-nivå, kan vi bekrefte at vi er på riktig spor, så vi kan ha de riktige verktøyene når vi bygger mer komplekse AI.”