ระบบหุ่นยนต์ที่ใช้ Deep learning นั้นติดปัญหาคอขวดอยู่ที่การเก็บข้อมูล เนื่องจากต้องใช้ภาพจำนวนหลายแสนภาพในการฝึกระบบการรับรู้ ซึ่งมีค่าใช้จ่ายสูงมาก
แม้ว่าการสร้างข้อมูลจำลองจะทำได้ง่าย แต่เนื่องจากความแตกต่างระหว่างการจำลองกับความเป็นจริง ทำให้ผู้คนมักต้องฝึกโมเดลใหม่ทั้งหมดเมื่อนำไปใช้ในโลกจริง
เราได้แสดงให้เห็นว่า Domain Randomization ซึ่งเป็นแนวคิดที่มีอยู่แล้วสำหรับการทำให้ตัวตรวจจับที่ฝึกจากภาพจำลองสามารถถ่ายโอนไปยังภาพจริงได้นั้น ใช้ได้ผลดีสำหรับฉากที่มีความรกทึบ
วิธีการนี้คือการเปลี่ยนแปลงสี พื้นผิว สภาพแสง และการตั้งค่ากล้องแบบสุ่มในฉากจำลอง ทำให้ชุดข้อมูลที่ได้มีความหลากหลายเพียงพอที่เครือข่ายประสาทเทียมแบบ Deep จะสามารถสรุปผลไปยังความเป็นจริงได้
ศัพท์ที่ควรรู้
- Deep learning – การเรียนรู้เชิงลึก คือการใช้โครงข่ายประสาทเทียมในการฝึกโมเดลให้เรียนรู้จากข้อมูลจำนวนมาก
- Domain randomization – เป็นเทคนิคการสุ่มตัวแปรต่างๆ ในสภาพแวดล้อมจำลองเพื่อให้โมเดลมีความสามารถในการปรับใช้กับโลกจริง
- Perception system – ระบบการรับรู้คือส่วนของ AI ที่ช่วยให้คอมพิวเตอร์เข้าใจข้อมูลจากเซ็นเซอร์ เช่น ภาพ
ที่มา: OpenAI