Computermodel matcher mennesker til at forudsige, hvordan objekter bevæger sig

>Der er udviklet en ny computermodel, der kan matche menneskers evne til at forudsige, hvordan objekter vil bevæge sig. Modellen kunne bruges til at forbedre sikkerheden i selvkørende biler og andre autonome systemer, samt til at simulere objekter i videospil og film.

> Mennesker forudsiger objektbevægelser ved at trække på visuel og fysisk viden samt sund fornuft. Computermodellen, der er udviklet af forskere ved Stanford University, kombinerer maskinlæring og fysikbaseret simulering for at opnå menneskelignende ydeevne på en række opgaver, herunder at forudsige, hvordan en bold vil hoppe fra et bord, eller hvordan en væske vil flyde ind i et glas .

> "Vores model kan simulere verden omkring os på en måde, der er intuitiv for mennesker," sagde Peter Abbeel, professor i datalogi ved Stanford og direktør for Stanford Artificial Intelligence Laboratory. "Dette åbner op for en bred vifte af muligheder for nye applikationer, der er afhængige af nøjagtig objektforudsigelse, såsom selvkørende biler og videospil."

> Computermodellen bruger en kombination af konvolutionelle neurale netværk (CNN'er), som er kunstige neurale netværk, der kan behandle rumlig information, og en fysikbaseret motor til at simulere objekters bevægelse. CNN'erne bruges til at udtrække funktioner fra det visuelle input, såsom formen og teksturen af ​​et objekt, og den fysikbaserede motor bruges til at simulere, hvordan objektet vil bevæge sig baseret på disse funktioner.

> Modellen blev trænet på et stort datasæt af menneskelig bevægelsesfangst-data, som gjorde det muligt for den at lære, hvordan mennesker forudsiger bevægelse af objekter. Forskerne fandt ud af, at modellen kunne opnå menneskelignende præstationer på en række opgaver, herunder at forudsige en bolds vej, en væskes bane og bevægelsen af ​​en menneskelig hånd.

> "Vi håber, at vores model kan hjælpe med at bygge bro mellem menneskelig intuition og maskinlæring," sagde Abbeel. "Ved at kombinere det bedste fra begge verdener kan vi skabe autonome systemer, der er mere sikre, effektive og brugervenlige."