ITU-forsker i prestigefyldt tidsskrift: Spilteknologi kan forbedre fremtidens robotter
ITU-professor Sebastian er medskribent på en artikel i tidsskriftet Nature Machine Intelligence. Artiklen viser, at man kan skabe bedre robotter ved at træne dem med teknologi, som oprindeligt er udviklet til videospil.
Skrevet 4. august 2020 12:38
En udbredt teknologi, der er udviklet til at skabe indhold til videospil, kan bruges til at lære robotter at løse nye opgaver. Det skriver professor ved IT-Universitetet Sebastian Risi i en artikel, der mandag blev udgivet i det anerkendte videnskabelige tidsskrift Nature Machine Learning.
Risi har skrevet artiklen i samarbejde med den tidligere ITU-forsker Julian Togelius, der i dag er lektor på New York University. Ifølge forfatterne kan såkaldt Procedural Content Generation (PCG), gøre det lettere at træne robotters evner til at løse en given opgave i en computersimulation.
”Vi håber, at PCG vil blive mere mainstream i arbejdet med kunstig intelligens. Det kan både spare mange penge, og på lang sigt kan det være med til at skabe robotter, der kan løse flere forskellige og mere komplekse opgaver,” siger han.
Spilteknologi skal gøres mainstream i kunstig intelligens
I spilindustrien har man længe gjort brug af PCG. Grundlæggende betyder teknologien, at computeren selv genererer indhold, eksempelvis i form af levels, kort, karakterer osv. Dette gør det muligt at skabe spil, der ændrer sig for hver gang man spiller.
Ifølge Sebastian Risi er flere begyndt at bruge PCG i arbejdet med kunstig intelligens, men i stedet for at skabe indhold til spil, genereres der træningsdata til robotterne. Træningsdata er afgørende i udviklingen af robotteknologi: Hvis en robot skal kunne løse en opgave, er man nødt til at lære den det i en computersimulation først. Men hvis virkeligheden afviger bare en smule fra den data, som man har brugt i simulationen, så kan robotten ikke løse opgaven. Den skal derfor have yderligere træning, hvilket er meget dyrt.
Sebastian Risi mener, at man kan løse en del af dette problem med PCG, da computeren kan generere mere træningsdata. Nogle virksomheder er begyndt at bruge PCG til deres arbejde med kunstig intelligens, og et firma har blandt andet lært en robot at læse en rubriks terning: Ved hjælp af PCG kan computersimulationen genererer forskellige teksturer, størrelser, former osv. Så der er større chance for at robotten kan løse opgaven i virkeligheden.
”Ved at lade computeren generere træningssæt kan vi sætte tempo på udviklingen og sænke udgifterne. På den lange bane kan PCG være et vigtigt skridt mod at skabe mere robust og generel kunstig intelligens. Evolutionen har lært os mennesker at håndtere nye opgaver konstant, så vi er gode til at tilpasse os. Den evne vil vi gerne give robotterne, så de kan løse opgaver, de ikke har fået før,” siger Sebastian Risi.