Exemple tiré de l'ensemble de données sur lequel les chercheurs ont travaillé. Crédit :Wang et al.
Les humains ont la capacité innée de prédire l'effet des collisions, en utilisant simplement leur bon sens. Dans de nombreux cas, les humains peuvent même prédire les résultats de collisions similaires dans des situations où la masse, friction, ou d'autres facteurs varient. Les machines pourraient-elles également atteindre une capacité similaire ?
Des chercheurs de l'Institut de robotique de l'Université Carnegie Mellon et de Third Wave Automation ont récemment créé un modèle physique intuitif interprétable pour prédire les effets des collisions. Leur modèle basé sur l'apprentissage automatique, présenté dans un article pré-publié sur arXiv, s'est avéré bien généraliser, même dans des situations dans lesquelles des scènes similaires sont simulées avec des propriétés sous-jacentes différentes.
« Lorsqu'une collision se produit, nous, les humains, pouvons déduire la physique sous-jacente et utiliser cette information pour prédire l'effet de la collision, " Xiaolong Wang, l'un des chercheurs qui a mené l'étude, a déclaré TechXplore. "Par exemple, nous pouvons prédire qu'une sphère rebondira lorsqu'elle entrera en collision avec une boîte plus lourde, tandis que la sphère continuera à bouger si elle entre en collision avec un objet plus léger. Inspiré par cela, nous avons conçu un modèle physique intuitif qui peut comprendre les propriétés physiques (frottement, masse et vitesse) des objets en regardant des vidéos de collisions d'objets, aider à mieux prédire les résultats des collisions.
Dans le modèle de physique intuitif développé par Wang et ses collègues, des dimensions spécifiques dans les couches de goulot d'étranglement du réseau de neurones convolutifs (CNN) correspondent à différentes propriétés physiques. Comme ces propriétés dépendent souvent les unes des autres ou sont liées, les chercheurs ont également introduit un programme de formation et une fonction de perte généralisée, qui s'est avérée surpasser les approches de base.
Résultats produits par le modèle. Crédit :Wang et al.
"Notre modèle est un réseau de neurones convolutifs à structure encodeur-décodeur, " a expliqué Wang. " Les entrées pour le modèle sont les images vidéo avant la collision et le moment de la collision. Le modèle va générer les représentations démêlées de la masse, friction et vitesse des objets. Ces représentations physiques sont ensuite décodées pour prédire la future trame après les collisions."
Dans les évaluations réalisées par les chercheurs, il s'est avéré que le modèle se généralisait bien à travers des scènes avec différentes propriétés physiques sous-jacentes ou dans lesquelles les objets avaient des formes différentes. En outre, il était capable de prédire efficacement l'avenir dans les cas où l'environnement physique changeait.
"L'apprentissage d'un modèle physique interprétable nous permet de mieux comprendre les réseaux de neurones, " a déclaré Wang. " Au lieu de regarder un réseau de neurones de type boîte noire, nous pouvons maintenant manipuler et contrôler les représentations du réseau pour générer les résultats de prédiction que nous voulons."
L'étude menée par Wang et ses collègues offre un aperçu de jusqu'où les réseaux de neurones pourraient aller pour reproduire les capacités humaines innées. Dans le futur, leur modèle pourrait avoir un certain nombre d'applications intéressantes dans des scénarios réels, prédire les résultats des collisions entre des objets réels dans l'espace.
"Notre travail est basé sur des simulations, nous essayons donc maintenant d'adapter notre méthode au monde réel, " dit Wang. " En entrant dans le monde physique, nous permettons également aux humains ou aux robots d'interagir activement avec les objets pour comprendre la physique."
© 2018 Tech Xplore
