Mensen hebben het aangeboren vermogen om het effect van botsingen te voorspellen, gewoon hun gezond verstand gebruiken. Vaak, mensen kunnen zelfs de resultaten van soortgelijke botsingen voorspellen in situaties waarin massa, wrijving, of andere factoren variëren. Kunnen machines ook een vergelijkbaar vermogen bereiken?

Onderzoekers van het Robotics Institute van Carnegie Mellon University en van Third Wave Automation hebben onlangs een interpreteerbaar intuïtief natuurkundig model gemaakt om de effecten van botsingen te voorspellen. Hun op machine learning gebaseerde model, gepresenteerd in een paper dat vooraf is gepubliceerd op arXiv, bleek goed te generaliseren, zelfs in situaties waarin vergelijkbare scènes worden gesimuleerd met verschillende onderliggende eigenschappen.

"Als er een aanrijding plaatsvindt, wij mensen kunnen de onderliggende fysica afleiden en deze informatie gebruiken om het effect van de botsing te voorspellen, "Xialong Wang, een van de onderzoekers die het onderzoek heeft uitgevoerd, vertelde TechXplore. "Bijvoorbeeld, we kunnen voorspellen dat een bol terugkaatst als hij botst met een zwaardere doos, terwijl de bol zal blijven bewegen als hij botst met een lichter object. Hierdoor geïnspireerd, ontwierpen we een intuïtief natuurkundig model dat de fysische eigenschappen (wrijving, massa en snelheid) van de objecten door video's van objectbotsingen te bekijken, helpen om de resultaten van botsingen beter te voorspellen."

In het intuïtieve fysica-model ontwikkeld door Wang en zijn collega's, specifieke dimensies in de bottleneck-lagen van het convolutionele neurale netwerk (CNN) komen overeen met verschillende fysieke eigenschappen. Omdat deze eigenschappen vaak van elkaar afhankelijk zijn of met elkaar samenhangen, de onderzoekers introduceerden ook een trainingscurriculum en een gegeneraliseerde verliesfunctie, waarvan werd gevonden dat het beter presteerde dan baseline-benaderingen.

"Ons model is een convolutief neuraal netwerk met encoder-decoderstructuur, Wang legde uit. "De invoer voor het model zijn de videoframes voordat de botsing plaatsvindt en het moment van de botsing. Het model zal de ontwarde representaties van de massa genereren, wrijving en snelheid van de objecten. Deze fysieke representaties worden vervolgens gedecodeerd om het toekomstige frame na botsingen te voorspellen."

In evaluaties die door de onderzoekers zijn uitgevoerd, het model bleek goed te generaliseren over scènes met verschillende onderliggende fysieke eigenschappen of waarin objecten verschillende vormen hadden. In aanvulling, het was in staat om de toekomst effectief te voorspellen in gevallen waarin de fysieke omgeving veranderde.

"Door een interpreteerbaar natuurkundig model te leren, krijgen we een beter begrip van neurale netwerken, Wang zei. "In plaats van naar een neuraal netwerk van een zwarte doos te kijken, we kunnen nu de netwerkrepresentaties manipuleren en besturen om de voorspellingsresultaten te genereren die we willen."

De studie uitgevoerd door Wang en zijn collega's biedt een glimp van hoe ver neurale netwerken zouden kunnen gaan in het repliceren van aangeboren menselijke capaciteiten. In de toekomst, hun model zou een aantal interessante toepassingen kunnen hebben binnen real-life scenario's, het voorspellen van de resultaten van botsingen tussen echte objecten in de ruimte.

"Ons werk is gebaseerd op simulaties, dus we proberen nu onze methode aan te passen aan de echte wereld, Wang zei. "Door de fysieke wereld in te gaan, we laten mensen of robots ook actief communiceren met de objecten om de fysica te begrijpen."

© 2018 Tech Xplore