Ett team av forskare vid University of California Los Angeles (UCLA), under överinseende av prof. Song-Chun Zhu, har utvecklat en interaktiv 3D virtuell miljö för utbildning och utvärdering av AI-system. Deras plattform, kallas VRKitchen, presenterades nyligen i en tidning som förpublicerats på arXiv.

"Det är dyrt att träna robotar i den verkliga världen, långsam och knappast reproducerbar, "Tianmin Shu, en Ph.D. student vid UCLA som genomförde studien, berättade för TechXplore. "På grund av detta, de senaste åren, vi har sett stora framsteg i att bygga fysikaktiverade virtuella 3D-plattformar (t.ex. AI2-THOR, House3D) där förkroppsligade AI-agenter kan gå runt och hitta ett målobjekt."

Trots deras många fördelar, de flesta befintliga virtuella plattformar för träning av AI-system möjliggör inte komplexa interaktioner med fysiska objekt, som är mycket vanliga i verkliga situationer. Dessutom, många av dessa plattformar tillåter inte människor att delta i utbildningen av agenter i den virtuella miljön.

"I det här arbetet, vi strävar efter att bygga en mycket interaktiv och realistisk virtuell plattform, tillåta forskare att träna och utvärdera sina AI-agenter i ett stort antal verkliga uppgifter som involverar komplexa objektmanipulationer (t.ex. laga mat), "Shu sa. "Ett ytterligare mål med vår forskning är att bygga VR-gränssnitt som tillåter människor att lära ut AI-agenter genom att ge demonstrationer i samma miljö."

VRKitchen, den virtuella miljön skapad av Shu och hans kollegor, är baserad på Unreal Engine 4, en uppsättning verktyg som vanligtvis används av spelutvecklare för att designa spel eller simuleringar. Jämfört med befintliga virtuella miljöer, VRKitchen har två viktiga fördelar.

Först, i VRKitchen, en AI-agent kan utföra ett brett utbud av matlagningsuppgifter med rika objekttillståndsändringar och sammansättningsmål. Till exempel, om en agent lär sig göra pizza, den virtuella miljön simulerar visuella effekter av osten som rivs, tomater skärs och ingredienserna läggs på degen.

"Vi hoppades verkligen att möjligheten att simulera dessa komplexa matlagningsuppgifter skulle få VRKitchen att sticka ut från andra plattformar, " Xiaofeng Gao, Ph.D. student vid UCLA som genomförde studien, berättade för TechXplore.

En andra fördel med VRKitchen är att den förkroppsligade agenten som navigerar i den virtuella miljön kan styras av både AI-algoritmer och mänskliga användare. Detta tillåter människor att ge demonstrationer för AI-agenter, så att de senare kan få kunskap om hur man slutför en uppgift via observation, snarare än att behöva lära sig uppgiften självständigt.

"Vi byggde tre stora moduler i VRKitchen, " Gao förklarade. "(1) den UE4 (Unreal Engine 4)-baserade fysikmotorn och fotorealistisk renderingsmodul med flera humanoida agenter, och en uppsättning anpassningsbara köksscener bestående av olika möbler, köksutrustning, matingredienser, behållare, och verktyg för matlagningsaktiviteter; (2) en användargränssnittsmodul som tillåter användare eller algoritmer att utföra uppgifter med virtuell verklighetsenhet eller Python API; (3) en Python-UE4-brygga, som överför kommandon på hög nivå till motorstyrsignaler och skickar dem till agenten."

Den virtuella miljön utvecklad av Shu, Gao och deras kollegor kan snart användas för att utbilda agenter som drivs av ett brett utbud av maskininlärningstekniker för komplexa uppgifter som involverar finkornig objektmanipulation. Tillsammans med VRKitchen, forskarna presenterade nya standardiserade riktmärken för utvärdering och datainsamlingsverktyg, som är utformade för att underlätta användningen av deras plattform i forskningsmiljöer.

"Populära tillvägagångssätt i nyare litteratur som fungerar bra i enklare virtuella miljöer misslyckas med att uppnå anständig prestanda på matlagningsuppgifterna som implementeras i vår plattform, införa en ny utmaning för AI-forskning och lyfta fram vikten av att bygga mer realistiska och komplexa virtuella miljöer, "" sa Shu. "Vi planerar nu att öppna källkod för vår plattform och vara värd för standardiserade utmaningar (VR Chef Challenge) för AI-gemenskapen. Vi arbetar också med att bygga AI-agenter som effektivt kan förvärva komplexa färdigheter genom att själva utforska den virtuella världen och genom att lära av människor demonstrationer."

© 2019 Science X Network