วันจันทร์ที่ 5 กันยายน พ.ศ. 2565

หุ่นยนต์สุนัขเรียนรู้ที่จะเดินบนสภาพแวดล้อมที่ยากลำบากได้ใน 20 นาที

robot-dog
ภาพจาก New Scientist

นักวิจัยจาก University of California, Berkeley (UC Berkeley) ได้พัฒนาอัลกอริทึมการเรียนรู้ของเครื่อง (machine learning) ที่ช่วยให้สุนัขหุ่นยนต์เรียนรู้ที่จะเดินทางในภูมิประเทศที่ยากลำบากในเวลาเพียง 20 นาที

อัลกอริทึม Q-learning ไม่ต้องการตัวแบบของภูมิประเทศเป้าหมาย Sergey Levine จาก UC Berkeley กล่าวว่า ผลที่ได้คือ "เราไม่จำเป็นต้องเข้าใจว่าสภาพแวดล้อมกายภาพเป็นอย่างไร เราเพียงแค่ปล่อยหุ่นยนต์เข้าไปในสภาพแวดล้อมและเปิดใช้งาน"  อัลกอริทึมจะสอนหุ่นยนต์โดยให้รางวัลสำหรับการกระทำที่ประสบความสำเร็จแต่ละครั้งจนกว่าจะถึงเป้าหมายสูงสุด 

นักวิจัยแสดงให้เห็นว่าหุ่นยนต์สามารถเดินบนภูมิประเทศที่ไม่เคยพบมาก่อน รวมทั้งหญ้า ชั้นเปลือกไม้ ที่นอนเมมโมรี่โฟม และเส้นทางเดินป่า หลังจากให้ฝึกในพื้นที่แต่ละแบบประมาณ 20 นาที

อ่านข่าวเต็มได้ที่: New Scientist

วันอาทิตย์ที่ 4 กันยายน พ.ศ. 2565

PetTrack ช่วยให้เจ้าของรู้ว่าสุนัขอยู่ที่ไหน

dog-with-PetTrack
ภาพจาก Georgia Tech Research

ระบบ PetTrack ที่พัฒนาโดยนักวิจัยของ Georgia Institute of Technology (Georgia Tech) ใช้เซ็นเซอร์ร่วมกันเพื่อบอกเจ้าของสัตว์เลี้ยงว่าสัตว์ของพวกเขาอยู่ที่ไหนในแบบเรียลไทม์ "PetTrack ประกอบด้วยสองอย่าง: หนึ่งคือการรู้ตำแหน่งภายในบ้านของสัตว์เลี้ยง และสองพยายามที่จะเข้าใจว่าพวกมันทำอะไรอยู่" Ashutosh Dhekne จาก Georgia Tech กล่าว

อุปกรณ์ที่สามารถติดเข้ากับปลอกคอของสัตว์เลี้ยงได้นั้นมีเซ็นเซอร์ไร้สายที่ใช้คลื่นวิทยุอัลตร้าไวด์แบนด์เพื่อระบุตำแหน่งของสัตว์ในระยะห่างสูงสุด 100 ฟุต รวมถึง แอคเซเลโรมิเตอร์ (accelerometer๗ เพื่อบอกว่ามันยืน นั่ง หรือพักอยู่ ผู้ใช้สามารถดูข้อมูลนี้ผ่านแอปพลิเคชันสมาร์ตโฟน

Dhekne กล่าวว่า "เมื่อรวมเอาข้อมูลที่บอกว่าสัตว์เลี้ยงอยู่ที่ไหน และเข้าใจว่ามันกำลังทำอะไร เราสามารถสร้างแผนที่สรุปว่าสัตว์เลี้ยงอยู่ที่ไหนในระหว่างวัน และกิจกรรมที่สัตว์เลี้ยงกำลังทำอยู่"

อ่านข่าวเต็มได้ที่: Georgia Tech Research


วันเสาร์ที่ 3 กันยายน พ.ศ. 2565

การจำลองการขับรถที่เหมือนในชีวิตจริงมากขึ้น

drive-simulator
ภาพจาก Ohio State News

นักวิจัยจาก Ohio State University (OSU) ได้ฝึกอบรม Generative Adversarial Network (GAN) เพื่อสร้างฉากสามมิติที่เหมือนจริงจากการสุ่มภาพถ่ายเพื่อใช้จำลองการขับขี่ นักวิจัยสร้างโปรแกรมจำลองของพวกเขาจากเครื่องมือเปิดเผยต้นฉบับ (open source)  CARLA จากนั้นจึงใช้โปรแกรมสังเคราะห์รูปภาพที่ใช้ GAN เพื่อเรนเดอร์ (render) และรวมองค์ประกอบพื้นหลังเข้ากับวัตถุที่ถูกเรนเดอร์ไว้แล้ว

 นักวิจัยระบุว่าการรวมวัตถุพื้นหน้าแยกจากฉากหลังทำให้ได้ภาพที่เหมือนจริงมากขึ้น Ekim Yurtsever จาก OSU กล่าวว่า "เราไม่สามารถแทนที่การทดสอบในโลกจริงได้ แต่ถ้าเราสามารถทำให้การจำลองดีขึ้นอีกเล็กน้อย เราก็จะได้รับข้อมูลเชิงลึกที่ดีขึ้นเกี่ยวกับวิธีการปรับปรุงระบบขับขี่อัตโนมัติและวิธีที่เราโต้ตอบกับพวกมัน"

อ่านข่าวเต็มได้ที่: Ohio State News

วันศุกร์ที่ 2 กันยายน พ.ศ. 2565

AI เรียนแบบรูปของภาษามนุษย์ได้

AI-Learn-Language
ภาพจาก MIT News

นักวิจัยจาก Massachusetts Institute of Technology, Cornell University, และ McGill University  ได้พัฒนาแบบจำลองปัญญาประดิษฐ์ (artificial intelligence) ที่สามารถเรียนรู้กฎเกณฑ์และแบบรูป (pattern) ของภาษามนุษย์ได้โดยอัตโนมัติ โดยไม่ต้องอาศัยคำแนะนำโดยเฉพาะเจาะจงจากมนุษย์

แบบจำลองนี้ได้รับการฝึกอบรมและทดสอบปัญหาจากตำราภาษาศาสตร์ใน 58 ภาษาที่เกี่ยวข้องกับการเปลี่ยนแปลงรูปแบบคำ นักวิจัยตั้งข้อสังเกตว่าตัวแบบสามารถกำหนดชุดกฎที่ถูกต้องเพื่ออธิบายการเปลี่ยนแปลงรูปแบบคำจาก 60% ของปัญหา

Kevin Ellis จาก Cornell กล่าวว่า "สิ่งหนึ่งที่น่าประหลาดใจที่สุดคือเราสามารถเรียนรู้ข้ามภาษาได้ แต่ดูเหมือนจะไม่สร้างความแตกต่างมากนัก นั่นบอกเราสองสิ่ง บางทีเราอาจต้องการวิธีการที่ดีกว่าสำหรับการเรียนรู้ข้ามปัญหา และบางที ถ้าเราไม่สามารถคิดวิธีการเหล่านั้นได้ งานนี้อาจช่วยให้เราตรวจสอบแนวคิดต่าง ๆ ที่เรามีเกี่ยวกับความรู้ที่จะแบ่งปันข้ามปัญหาได้"

อ่านข่าวเต็มได้ที่: MIT News

วันพฤหัสบดีที่ 1 กันยายน พ.ศ. 2565

การรู้จำใบหน้าอาจมีปัญหาในการรู้จำใบหน้าของเราถ้าเราแก่ขึ้นห้าปี

face-aging
ภาพจาก New Scientist

การทดสอบที่ออกแบบโดย Marcel Grimmer แห่งมหาวิทยาลัยวิทยาศาสตร์และเทคโนโลยีแห่งนอร์เวย์ และเพื่อนร่วมงานพบว่าอัลกอริธึมการจดจำใบหน้าเริ่มประสบปัญหาในการระบุตัวบุคคลหลังจากที่บุคคลมีอายุเพิ่มขึ้น 5 ปี 

นักวิจัยใช้โปรแกรมเปิดเผยโค้ดต้นฉบับของเครื่องมือจดจำใบหน้าที่ต่างจากตำรวจและผู้ผลิตสมาร์ทโฟนใช้ และสังเคราะห์ภาพคนที่มีอายุเพิ่มขึ้นด้วยปัญญาประดิษฐ์ (artificial intelligence) จำนวน 50,000 ภาพ 

Grimmer กล่าวว่าความแม่นยำของเครื่องมือลดลงอย่างต่อเนื่องนับจากจุดที่ภาพอ้างอิงเริ่มถูกปรับเปลี่ยน อัลกอริทึมที่ใช้ในการทำให้ใบหน้าแก่โดยสังเคราะห์จากภาพอ้างอิงยังได้รับการพิสูจน์ว่ามีประสิทธิภาพมากกว่าเมื่อเป้าหมายอยู่ระหว่าง 20 ถึง 40 ปี เมื่อเทียบกับเด็กและผู้สูงอายุ ความหมายก็คือ รูปภาพใหม่ ๆ อาจต้องถูกใช้บ่อยขึ้นเพื่อรักษาความถูกต้องและความปลอดภัย

อ่านข่าวเต็มได้ที่: New Scientist