パーセプトロン:テレオペレーターロボットとロケットリーグを打ち負かすAIのリスク– TBEN

機械学習とAIの分野での研究は、現在、事実上すべての業界とビジネスの主要なテクノロジーであり、誰もがそれをすべて読むにはあまりにも膨大です。 このコラム、パーセプトロン(以前のディープサイエンス)は、最も関連性の高い最近の発見と論文、特に人工知能に限定されないものをまとめ、それらが重要である理由を説明することを目的としています。

今週のAIで、研究者は、ロボットの通信がエンドツーエンドで暗号化されている場合でも、攻撃者がリモート制御ロボットの動きを追跡できる方法を発見しました。 グラスゴーのストラスクライド大学の共著者は、彼らの研究は、サイバーセキュリティのベストプラクティスを採用するだけでは自律システムへの攻撃を阻止するのに十分ではないことを示していると述べました。

リモートコントロール、つまりテレオペレーションは、オペレーターがさまざまな環境で1台以上のロボットをリモートで誘導できるようにすることを約束します。 Pollen Robotics、Beam、Tortoiseなどの新興企業は、食料品店、病院、オフィスで遠隔操作ロボットの有用性を実証しています。 他の企業は、地雷除去や高照射サイトの監視などのタスクのために遠隔操作ロボットを開発しています。

しかし、新しい調査によると、テレオペレーションは、「安全」と思われる場合でも、監視の影響を受けやすいという点でリスクがあります。 Strathclydeの共著者は、リモート制御ロボットが実行している操作に関する情報を推測するためのニューラルネットワークの使用について論文で説明しています。 ロボットとコントローラー間のTLSで保護されたトラフィックのサンプルを収集し、分析を実行した後、ニューラルネットワークが約60%の時間で動きを識別し、「ウェアハウジングワークフロー」を再構築できることを発見しました。 (例:パッケージの受け取り)「精度」を備えています。

写真クレジット: Shahetal。

グーグルとミシガン大学の研究者による新しい研究は、憂慮すべきものであり、即時性は低い。 この調査では、リスクモデリングAIによって信用が決定される借り手を対象とするインスタント貸付プラットフォームの「財政的にストレスのある」インドのユーザーを調査しました。 共著者によると、ユーザーはインスタントローンの「メリット」と厳しい条件を受け入れ、機密データを過剰に共有し、高額の手数料を支払う義務に対してお世話になっていると感じました。

研究者は、調査結果は、特に金融サービスにおけるAIに関して、より優れた「アルゴリズムの説明責任」の必要性を示していると述べています。 「私たちは、説明責任はプラットフォームとユーザーの力の関係によって形作られると主張し、アルゴリズムの説明責任を促進するために純粋に技術的なアプローチを取るよう政策立案者に促します」と彼らは書いています。 「代わりに、ユーザーエージェンシーを強化し、意味のある透明性を実現し、デザイナーとユーザーの関係を再構成し、説明責任の強化に向けて実務家に批判的な反省を呼び起こす、状況に応じた介入を求めています。」

それほど厳しくない研究では、オランダのTUドルトムント大学、ラインワール大学、およびLIACS大学ライデンの科学者のチームが、ゲームのロケットリーグを「解決」できると主張するアルゴリズムを開発しました。 チームは、ゲームAIを作成するための計算量の少ない方法を見つけることを目的として、「sim-to-sim」転送技術と呼ばれる手法を活用しました。これにより、AIシステムは、ゴールキーピングやリーンでの打撃などのゲーム内タスクを実行するようにトレーニングされました。 、ロケットリーグの合理化されたバージョン。 (ロケットリーグは基本的に屋内サッカーのように見えますが、3人のチームの人間のプレーヤーの代わりに車があります。)

写真クレジット: Pleinesetal。

完璧ではありませんでしたが、研究者のロケットリーグのゲームシステムは、ゴールキーパーで発射されたほぼすべてのショットを保存することができました。 攻撃を仕掛けたとき、システムはなんとかショットの75%を獲得しました。これは、立派な記録です。

人間のモーションシミュレーターも着実なペースで進んでいます。 人間の手足の追跡とシミュレーションに関するMetaの作業は、ARおよびVR製品に明らかな用途がありますが、ロボット工学や具体化されたAIでより広く使用することもできます。 今週発表された研究は、マーク・ザッカーバーグに他ならぬ助言を受けました。

Myosuiteでシミュレートされたスケルトンと筋肉のグループ。

Myosuiteでシミュレートされたスケルトンと筋肉のグループ。

MyoSuiteは、筋肉やスケルトンがオブジェクトやそれ自体と相互作用するときに、それらを3Dでシミュレートします。 エージェントは、オブジェクトを押しつぶしたり落としたりせずにオブジェクトを正しく保持および処理する方法を学ぶことが重要です。また、仮想世界では、オブジェクトはリアルなグリップとインタラクションを提供します。 おそらく、特定のタスクで数千倍高速に実行され、シミュレートされた学習プロセスをはるかに高速に実行できます。 「これらのモデルをオープンソースにして、研究者がそれらを使用して分野を前進させることができるようにします」とザッカーバーグは言います。 そして彼らはやった!

これらのシミュレーションの多くはエージェントベースまたはオブジェクトベースですが、このMITプロジェクトは、自動運転車という独立したエージェントのグローバルシステムをシミュレートすることを目的としています。 道路上にたくさんの車がある場合、衝突を回避するだけでなく、アイドリングやライトでの不必要な停止を回避するために、それらを連携させることができるという考えです。

赤信号の4方向交差点で減速する車のアニメーション。

よく見ると、本当に前の車だけが止まっています。

上のアニメーションでわかるように、v2vプロトコルを使用して通信する自動運転車のセットは、基本的に、最初の車を除くすべての車が徐々に減速することで停止するのを防ぐことができますが、停止するまでにはなりません。 。 この種のハイパーマイリング動作は、ガスやバッテリーをあまり節約できないように見えるかもしれませんが、数千台または数百万台の車に拡張すると、違いが生じます。また、より快適な乗り心地になる可能性もあります。 でも、みんながそのような完璧な間隔の交差点に近づくように頑張ってください。

スイスは、3Dスキャン技術を使用して見栄えが良く長く見えます。 国はLIDARを装備したドローンやその他のツールを使用して巨大な地図を作成していますが、落とし穴があります。ドローンの動き(意図的および偶発的)により、ポイントマップにエラーが発生し、手動で修正する必要があります。 1つの建物だけをスキャンしても問題ありませんが、国全体をスキャンしますか?

幸い、EPFLチームはMLモデルをLIDARキャプチャスタックに直接埋め込み、オブジェクトがさまざまな角度から複数回スキャンされたことを判断し、その情報を使用してポイントマップを単一の一貫したメッシュに位置合わせします。 このニュース記事は特に明るいものではありませんが、付随するドキュメントでさらに詳しく説明されています。 結果のマップの例は、上のビデオで見ることができます。

最後に、予期しないが非常に素晴らしいAIニュースで、チューリッヒ大学のチームが動物の行動を追跡するアルゴリズムを設計したため、動物行動学者は求愛ダンスの2つの例を見つけるために数週間の映像をふるいにかける必要がありません。 これはチューリッヒ動物園とのコラボレーションであり、次のことを考慮すると理にかなっています。「私たちの方法では、ストレス、不安、不快感の兆候など、研究動物の微妙またはまれな行動の変化さえも認識できます」とラボディレクターのMehmetFatihYanikは述べています。

したがって、このツールは、飼育下での行動の学習と追跡、動物園での飼育下の動物の福祉、およびその他の形態の動物研究の両方に使用できます。 彼らはより少ない対象動物を使用し、より少ない時間でより多くの情報を得ることができ、大学院生が夜遅くにビデオファイルをじっと見つめる作業が少なくなりました。 私にはお互いに有利な状況のように聞こえます。

AIによって分析されている木のサルのイラスト。

写真クレジット: エラ・マルシェンコ/ETHチューリッヒ

また、イラストも大好きです。

Leave a Comment

%d bloggers like this: