Exemplo do conjunto de dados em que os pesquisadores trabalharam. Crédito:Wang et al.
Os humanos têm a capacidade inata de prever o efeito das colisões, simplesmente usando seu bom senso. Em muitos casos, os humanos podem até prever os resultados de colisões semelhantes em situações em que a massa, atrito, ou outros fatores variam. As máquinas também poderiam atingir uma capacidade semelhante?
Pesquisadores do Instituto de Robótica da Carnegie Mellon University e da Third Wave Automation criaram recentemente um modelo físico intuitivo interpretável para prever os efeitos das colisões. Seu modelo baseado em aprendizado de máquina, apresentado em um artigo pré-publicado no arXiv, foi encontrado para generalizar bem, mesmo em situações em que cenas semelhantes são simuladas com diferentes propriedades subjacentes.
"Quando ocorre uma colisão, nós, humanos, podemos inferir a física subjacente e usar essas informações para prever o efeito da colisão, "Xiaolong Wang, um dos pesquisadores que realizou o estudo, disse TechXplore. "Por exemplo, podemos prever que uma esfera vai ricochetear ao colidir com uma caixa mais pesada, enquanto a esfera continuará se movendo se estiver colidindo com um objeto mais leve. Inspirado por isso, projetamos um modelo de física intuitivo que pode compreender as propriedades físicas (atrito, massa e velocidade) dos objetos assistindo a vídeos de colisões de objetos, ajudando a prever melhor os resultados das colisões. "
No modelo de física intuitiva desenvolvido por Wang e seus colegas, dimensões específicas nas camadas de gargalo da rede neural convolucional (CNN) correspondem a diferentes propriedades físicas. Como essas propriedades geralmente dependem umas das outras ou estão conectadas, os pesquisadores também introduziram um currículo de treinamento e uma função de perda generalizada, que superou as abordagens de linha de base.
Resultados produzidos pelo modelo. Crédito:Wang et al.
"Nosso modelo é uma rede neural convolucional com estrutura codificador-decodificador, "Wang explicou." As entradas para o modelo são os quadros de vídeo antes da colisão acontecer e o momento da colisão. O modelo irá gerar as representações desemaranhadas da massa, atrito e velocidade dos objetos. Essas representações físicas são então decodificadas para prever o quadro futuro após as colisões. "
Nas avaliações realizadas pelos pesquisadores, descobriu-se que o modelo generaliza bem em cenas com diferentes propriedades físicas subjacentes ou nas quais os objetos têm formas diferentes. Além disso, foi capaz de prever o futuro com eficácia em casos em que o ambiente físico mudou.
"Aprender um modelo de física interpretável nos permite obter uma melhor compreensão das redes neurais, "Disse Wang." Em vez de olhar para uma rede neural de caixa preta, agora podemos manipular e controlar as representações de rede para gerar os resultados de predição que desejamos. "
O estudo realizado por Wang e seus colegas oferece um vislumbre de quão longe as redes neurais podem ir na replicação das capacidades humanas inatas. No futuro, seu modelo pode ter uma série de aplicações interessantes em cenários da vida real, prever os resultados de colisões entre objetos reais no espaço.
“Nosso trabalho é baseado em simulações, então agora estamos tentando adaptar nosso método ao mundo real, "Disse Wang." Indo para o mundo físico, também permitimos que humanos ou robôs interajam ativamente com os objetos para compreender a física. "
© 2018 Tech Xplore
