Wavelet Phase Diffusion gør simulation mere virkelig
Metoden Wavelet Phase Diffusion gør simuleret træning mere brugbar i virkeligheden så robotter kan navigere i dit hjem.
Hvad er problemet?
AI'er trænes ofte i computersimulationer, fordi det er billigt og sikkert. Men når de skal bruges i den virkelige verden, opfører den virkelige verden sig anderledes end simulationen. Det kaldes 'sim-to-real-gabet', og det gør træningen spildt.
Den nye løsning
Forskerne bag metoden 'Wavelet Phase Diffusion' har fundet en måde at bygge bro over gabet. Teknikken ændrer billeder fra simulationer, så de både ligner virkeligheden i detaljer og bevarer den oprindelige struktur. Det betyder, at AI'en lærer af realistiske data uden at miste forståelsen.
Hvad kan det bruges til?
Metoden kan gøre en kæmpe forskel for robotter og selvkørende systemer. En robot, der er trænet i en simulation, kan pludselig navigere i dit hjem uden at gå i stå. Teknikken sparer tid og penge, fordi virkelighedstest bliver mindre nødvendige.
- Metoden hedder 'Wavelet Phase Diffusion' og fokuserer på strukturel og semantisk konsistens.
- Den løser 'sim-to-real-gabet', hvor simulationer ikke matcher virkeligheden.
- Teknikken bevarer både detaljer og overordnet forståelse i oversættelsen.
- Forskningen er publiceret på arXiv under emnet AI.
Du får mere pålidelige robotter og selvkørende biler, fordi AI'en ikke længere bliver forvirret af forskellen mellem træning og virkelighed.
Kilder:
arXiv cs.AI →
Genfortalt i egne ord af AI-nyheder.com · Tjek altid originalkilden, før du handler på vigtige oplysninger.