AI-doorbraak: Autonome navigatie zonder kaarten met kompas, camera en GPS

• Onderzoekers van Facebook AI ontwikkelen een nieuw versterkingsleeralgoritme genaamd DD-PPO.
• Het kan navigeren door complexe omgevingen met alleen kompasdata, RGB-D camera en GPS.

Het ontwikkelen van intelligente machines die slim interageren met de fysieke wereld is een langetermijndoel van de AI-gemeenschap. De grote uitdaging is om deze machines te leren zodat ze efficiënt kunnen navigeren door complexe, onbekende omgevingen zonder enige kaart te gebruiken.

Meestal worden real-world kaarten binnen maanden verouderd, omdat gebouwen en structuren veranderen, en objecten worden verplaatst. Daarom is het noodzakelijk om AI te bouwen voor de fysieke wereld die kan navigeren zonder kaart.

Met deze dingen in gedachten, hebben onderzoekers van Facebook AI een nieuw versterkingsleer (RL) algoritme ontwikkeld dat de point-goal navigatietaak effectief oplost met alleen kompasdata, RGB-D camera en GPS. Dit grootschalige algoritme heet DD-PPO (gedecentraliseerde gedistribueerde proximale beleidsoptimalisatie).

Nieuwe RL Gedistribueerde Architectuur Schaatst Goed

Tegenwoordig zijn machine learning-gebaseerde systemen in staat om menselijke experts te overtreffen in diverse complexe spellen. Maar aangezien deze systemen vertrouwen op een massaal volume aan trainingsamples, is het vrijwel onmogelijk om ze te bouwen zonder grootschalige, gedistribueerde parallelle verwerking.

Huidige gedistribueerde versterkingsleerarchitectuur — duizenden workers (CPU's) en een enkele parameterserver — schaalt niet goed. Daarom hebben onderzoekers een synchrone, gedistribueerde versterkingsleertechniek voorgesteld.

DD-PPO draait over meerdere machines en heeft geen parameterserver. Elke worker (CPU) wisselt af tussen ervaring opdoen in een GPU-geaccelereerde, resource-intensieve gesimuleerde omgeving en het optimaliseren van het model. In een expliciete communicatiestoestand synchroniseren alle workers hun updates naar het model. Met andere woorden, de distributie is synchroon.

Alle workers simuleren een agent die point-goal navigatie uitvoert, en optimaliseren het model en synchroniseren hun updates | Dit is hoe data gedeeld wordt tijdens training met DD-PPO

Met deze benadering vertoonde DD-PPO near-lineaire schaling: het kon een versnelling van 107 keer behalen op 128 GPU's ten opzichte van een seriële implementatie.

Referentie: arXiv:1911.00357 | Facebook AI

Bijna-Perfecte Point-Goal Navigatie

In point-goal navigatie wordt een agent op een willekeurige initiële positie/orientatie in een onbekende omgeving geplaatst en getaakt om te navigeren naar doelcoördinaten zonder enige kaart te gebruiken. Het kan alleen een kompas, GPS, en een RGB of RGB-D camera gebruiken.

Onderzoekers benutten de schaalbaarheid van DD-PPO om de agent te trainen voor 2,5 miljard stappen, wat equivalent is aan 80 jaar menselijke ervaring. In plaats van maanden, werd de training in minder dan drie dagen voltooid met 64 GPU's.

De resultaten toonden aan dat 90% van de piekprestaties behaald werd in de eerste 100 miljoen stappen met minder computebronnen (8 GPU's). Met miljarden stappen ervaring, behaalt de agent een succespercentage van 99,9%. In tegenstelling bereikten eerdere systemen een succespercentage van 92%.

De agent gaat terug na het kiezen van het verkeerde pad om zijn doelpositie te bereiken | Credits: onderzoekers

Toepassingen

Deze AI-agents kunnen mensen in de fysieke wereld helpen. Bijvoorbeeld, ze kunnen relevante informatie tonen aan gebruikers die augmented reality brillen dragen, robots kunnen items ophalen van een bureau bovenaan, en AI-aangedreven systemen kunnen mensen met visuele beperkingen helpen.

De modellen gebouwd in deze studie kunnen werken in gewone instellingen, zoals laboratoria en kantoorgebouwen, waar additionele datapunten (kaarten en GPS-data) niet beschikbaar zijn.

Lees: Facebook Ontwikkelt AI In Staat Om Iemands Stem Te Kopiëren Met Ongeëvenaarde Nauwkeurigheid

Hoewel het model ImageNet pre-getrainde convolutie neurale netwerken overtreedt en kan dienen als universele bron, is er nog veel te doen om systemen te ontwikkelen die leren navigeren door complexe omgevingen. Onderzoekers verkennen momenteel nieuwe benaderingen om RGB-only point-goal navigatie te implementeren.