>Un nouveau modèle informatique a été développé pour correspondre à la capacité humaine à prédire la façon dont les objets se déplaceront. Le modèle pourrait être utilisé pour améliorer la sécurité des voitures autonomes et d’autres systèmes autonomes, ainsi que pour simuler des objets dans des jeux vidéo et des films.

> Les humains prédisent le mouvement des objets en s'appuyant sur leurs connaissances visuelles et physiques, ainsi que sur leur bon sens. Le modèle informatique, développé par des chercheurs de l'Université de Stanford, combine l'apprentissage automatique et la simulation basée sur la physique pour atteindre des performances semblables à celles d'un humain dans une série de tâches, notamment prédire comment une balle rebondira sur une table ou comment un liquide s'écoulera dans un verre. .

> "Notre modèle peut simuler le monde qui nous entoure d'une manière intuitive pour les humains", a déclaré Peter Abbeel, professeur d'informatique à Stanford et directeur du laboratoire d'intelligence artificielle de Stanford. "Cela ouvre un large éventail de possibilités pour de nouvelles applications reposant sur une prédiction précise des objets, telles que les voitures autonomes et les jeux vidéo."

> Le modèle informatique utilise une combinaison de réseaux de neurones convolutifs (CNN), qui sont des réseaux de neurones artificiels capables de traiter des informations spatiales, et d'un moteur basé sur la physique pour simuler le mouvement des objets. Les CNN sont utilisés pour extraire des caractéristiques de l'entrée visuelle, telles que la forme et la texture d'un objet, et le moteur basé sur la physique est utilisé pour simuler la façon dont l'objet se déplacera en fonction de ces caractéristiques.

> Le modèle a été entraîné sur un vaste ensemble de données de capture de mouvements humains, ce qui lui a permis d'apprendre comment les humains prédisent le mouvement des objets. Les chercheurs ont découvert que le modèle pouvait atteindre des performances semblables à celles d'un humain dans une série de tâches, notamment prédire la trajectoire d'une balle, la trajectoire d'un liquide et le mouvement d'une main humaine.

> "Nous espérons que notre modèle pourra contribuer à combler le fossé entre l'intuition humaine et l'apprentissage automatique", a déclaré Abbeel. "En combinant le meilleur des deux mondes, nous pouvons créer des systèmes autonomes plus sûrs, plus efficaces et plus conviviaux."