Как «железу» понять человека?

Искусственный интеллект не перестает быть искусственным. Как компьютеру определить, собирается ли стоящий на обочине пешеход вступить на проезжую часть, или где велосипедист выскочит на дорогу? Кремниевые мозги при всей их гигантской вычислительной способности еще не научились многому из того

Искусственный интеллект не перестает быть искусственным. Как компьютеру определить, собирается ли стоящий на обочине пешеход вступить на проезжую часть, или где велосипедист выскочит на дорогу? Кремниевые мозги при всей их гигантской вычислительной способности еще не научились многому из того, что человеческий разум предугадывает с раннего возраста. Новое поколение электроники должно не только видеть пространство, но и понимать законы его существования.

Программисты стараются научить электронику действовать, как человек в опасных ситуациях и моделируют математические алгоритмы по примеру работы биологических нейронных центров. Еще в 60-е годы на заре искусственного интеллекта были разработаны математические подходы в программировании, которые получили название нейроэлектронных сетей (Deep Neural Networks). Их главное отличие в возможности программы к самостоятельному анализу. Это позволяет вывести электронных помощников, таких как автоматизированное управление, на принципиально новый уровень.

Компания Daimler AG запустила исследовательский проект UR:BAN - "Городское пространство: вспомогательные системы и управление сетью", развивающиеся по пяти направлениям.

Система UR:BAN состоит из нескольких вычислительных модулей. Первый отвечает за визуальную информацию, второй за радиолокационное сканирование, а три других высчитывают намерения пешеходов, машин и водителя.

По словам руководителя отдела перспективных разработок Daimler AG проф. Ральфа Гидо Херртвиха, перед началом работы система прошла многомесячное обучение. Системщики закачивали в память гигантские объемы визуальной и радиолокационной информации, привезенной с живых улиц городов. Исследователи отдела „Мониторинга окружающей обстановки“ распределили все объекты на 25 классов и типологизировали их поведение, выделив шаблоны для автомобилей, велосипедистов, пешеходов, колясок, улиц, тротуаров, зданий, столбов и деревьев. Система стала понимать, что ожидать от каждого. Причем, по принципу действия радары похожи на доплеровские измерители, использующиеся в авиации и космонавтике. Поэтому аппаратно-программный комплекс работает даже при плохой погоде, в туман, в ночной снег и дождь.

После типологизации пространства следующим шагом стало обучение UR:BAN предвидению. Система анализировала пешеходов и по положению головы рук, ног и туловища научилась прогнозировать их поведение. К примеру, если человек смотрит в сторону, держит телефон у уха и уверенно приближается к переходу, то большая вероятность, что он вступит на зебру, не осмотревшись. Автомобиль с автопилотом должен сбросить скорость и приготовиться к экстренному маневру.

Другой модуль вычисляет намерения транспортных средств в потоке. Компьютер видит, насколько загружен трафик, и моделирует сотни ситуаций в секунду, предлагая для каждой варианты избежания ДТП.

Последний модуль контролирует водителя за рулем. Если человек ведет себя неадекватно, кивает носом или, наоборот, часто вертит головой, то машина должна приготовиться перехватить управление.

В общем, система UR:BAN незаменима для разработки автопилотов следующего поколения, способных не только поддерживать дистанцию и подруливать в полосе, но и ориентироваться на улицах городов.

Фото: Daimler

Читайте также