Нейронная сеть заменит трактористов и комбайнеров

Первый шаг к аппаратным ускорителям нейронных сетей для программистов лежит через изучение основ HDL, RTL и лаб на FPGA

Казанский университет Иннополис в порядке эксперимента учит студентов-программистов разработке хардвера.

Причем под разработкой хардвера имеется в виду не программирование микроконтроллеров внутри скажем роботов, а проектирование цифровых схем на уровне регистровых передач (Register Transfer Level — RTL), с использованием языков описания аппаратуры (Hardware Description Language — HDL) и лабораторными занятиями на программируемых логических интегральных схемах (ПЛИС / FPGA — Field Programmable Gate Array). Зачем это нужно программистам? Ведь электронике учат на (гораздо менее массовых) факультетах электроники, где студент сначала изучает физику электричества, аналоговые схемы, делает пару лаб с мультиплексорами, после чего все это забывает и идет работать программистом. Одна из причин, зачем цифровая схемотехника программисту — в последнее время происходит бум нейросетей. Если вы хотите чтобы обучение сложной сети занимало не недели / дни / часы, а часы / минуты / секунды, без аппаратных ускорителей не обойтись. Только специализированный хардвер выполнит параллельно большое количество умножений малой точности с одновременными транзакциями к океану памяти. В будущем нас ждут специализированные ASIC (application-specific integrated circuits) для AI, причем повсюду. В них будет как традиционный процессор, так и большие AI блоки на борту, с возможностью частичной реконфигурации. От Гугла и Микрософта до Сколково и Иннополиса растет понимание, что нужны специалисты, которые могут строить такие сопроцессоры. Они должны владеть хардверной микроархитектурой, одновременно с пониманием софтверной экосистемы и алгоритмов. А владение микроархитектурой стоит на понимании уровня регистровых передач. Как это реализуется сейчас в Иннополисе:
Курс компьютерной архитектуры в Иннополисе разрабатывает его ректор Александр Тормасов, вместе с приглашенными им в Казань иностранными специалистами: итальянским профессором Giancarlo Succi, который работает в Иннополисе деканом, и Muhammad Fahim, который до Иннополиса работал в университетах Южной Кореи и Пакистана. Сам ректор Тормасов до Иннополиса работал завкфедрой информатики МФТИ и возглавлял отдел перспективных разработок SWsoft (позже Parallels), где занимался виртуализацией. Paralells является одной из немногих российских компаний, широко известных в Америке — как минимум пара американских инженеров были удивлены, когда я сказал им, что Parallels является российской компанией, они думали что это американская компания. Кроме этого Тормасов возглавляет российское отделение IEEE Computer Society. Тормасов любил вводить всякие новомодные штучки еще 30 лет назад — тогда он обучал студентов МФТИ использовать Unix, shell, awk итд. Линукса тогда еще не было, а Unix был на австралийских компьютерах Labtam с процессором National Semicondustor NS32000. До Тормасова студенты работали на БЭСМ-6 с Фортраном и перфокартами. Итак, недавно Тормасов попросил меня прочитать по скайпу пару лекций про HDL, RTL и FPGA для его курса компьютерной архитектуры. На эти лекции у него ходит более 200 студентов, так что у эксперимента неплохая выборка. Лекции Тормасов попросил прочитать на английском, по-видимому потому что 1) в Иннополисе есть иностранные студенты 2) Giancarlo Succi и Muhammad Fahim тоже читают на английском и 3) студентам нужно тренировать comprehension, в том числе на мой тяжелый украинский акцент. Целью первой лекции было дать студентам достаточно информации, чтобы они могли симулировать простейшую схему на программном симуляторе, а также синтезировать эту схему и сконфигурировать ею ПЛИС. Также нужно было наглядно показать, что схема — это не программа:

Слайды первой лекции в формате PDF.

Целью второй лекции было дать обзор того, что их ожидает, если они захотят копать тему цифровой логики глубже.

Обратите внимание

Им нужно понять концепцию D-триггера, последовательностной логики, конечного автомата и конвейера.

Тогда они смогут делать интересные схемы, которые повторяют действия, передают информацию с датчиков и т.д. — вплоть до процессорных ядер и дальше.

Слайды второй лекции в формате PDF.

Несколько ключевых слайдов. Разница между схемами и программами. Языки программирования (например Си) компилируются в цепочки инструкция, которые процессор выбирает з памяти.

Языки описания аппаратуры (например Verilog) синтезируется в граф из логических элементов, которые в конечном итоге превращаются в транзисторы и дорожки на микросхеме, которая выпекается на фабрике:Как работает ПЛИС / FPGA — матрица из логических элементов, функцию которых можно менять с помощью мультиплексоров, подсоединенных к битам конфигурационной памяти:Простейшая схема.

Комбинационная логика — кладем на вход некие данные, через некоторое время (с задержкой распространения) получаем на выходе ответ.Модель Хаффмана — удобна для введения последовательностной логики. Комбинационная логика соединяется с регистрами — запоминающими элементами.Последовательностная логика позволяет вычислительным устройствам делать нетривиальные вещи.

Без нее, только на комбинационной логике, мы могли бы только вычислять таблицы функций, значения которых однозначно определяются из аргументами. Последовательностная логика добавляет к схеме текущее состояние, в результате чего мы может считать, ожидать события, повторять операции на основе старых и новых данных и т.д.

Здесь я ссылаюсь на «китайскую комнату» — популярный парадокс, который всплывает при обсуждении темы «может ли машина мыслить?» Китайская комната — это по-сути одна из реализаций модели Хаффмана, обобщения конечного автомата:Главная концепция, которую нужно понять в вводном курсе цифровой схемотехники — это функция D-триггера, базового элемента состояния.

Если логические элементы И-ИЛИ-НЕ можно в принципе объяснить даже детям в детском саду, то с D-триггерами у школьников есть ментальный барьер. И не только у школьников, но и у программистов с опытом, которым мешает понять цифровую логику намертво вросшая в их мозг ментальная модель выполнения программ как цепочек инструкций.

Важно

Вместо этого нужно использовать ментальную модель, в которой много событий просходит одновременно, например одновременная запись в тысячи или миллионы D-триггеров. D-триггер — это устройство, которое хранит 1 бит информации в течение одного цикла тактового сигнала. У него есть три главных внешних сигнала — тактовый сигнал (clock, CLK), вход для записи (D) и выход для чтения (Q).

На выходе Q выводится хранимое состояние D-триггера, а вход D в течении практически всего цикла D-триггер игнорирует. Вход D записывается в текущее состояние в течение короткого мига апертуры (aperture), когда синхронизирующий тактовый сигнал CLK меняется из нуля в единицу.

К моменту апертуры, при правильно выбранной частоте тактового сигнала, на входе D-триггера находится устаканившийся результат вычислений комбинационной логики. А до этого момента на входе может находится всякий мусор, так как вычисления в аппаратуре не происходят мгновенно. Из D-триггеров строятся регистры, хранилища для наборов в нескольких бит.

На выходе регистра целый цикл находится значение, записанное в него в предыдущем цикле. Если поставить регистры один за другим, на выводе из этой комбинации будет значение из пред-предыдущего цикла:Если соединить комбинационный сумматор и регистр, то получится счетчик. На этой анимации X означает «неустаканившееся значение».

Частота тактового сигнала подобрана так, чтобы запись в регистр происходила тогда, когда сложение с единицей гарантированно закончилось, и нужно записать сумму в регистр. Эта сумма будет использована как одно из слагаемых в следующем цикле:Потом идут слайды про конечные автоматы, которые я сделал на основе книжки Цифровая схемотехника и архитектура компьютера. Дэвид М. Харрис, Сара Л. Харрис.

А затем несколько слайдов про принцип конвейерной обработки. Конвейер — это одна из ключевых концепций современной разработки цифровой электроники. Конвейер возникает не только в дизайне процессора (execution pipe), но и в чем угодно: в дизайне арифметического блока, в блоке для транзакций к памяти, в обработке пакетов внутри роутерного чипа, и в шейдерах для трехмерной графики.

Проще всего объяснить базовую идею конвейера на примере арифметического блока, например блока для возведения в степень. Возмем какую-нибудь операцию, которую можно разделить на несколько последовательных шагов. Теперь вместо того, чтобы выполнять все шаги за один цикл, поставим между шагами регистры.

Хотя теперь операция выполняется не за один цикл, а за несколько, но: 1) схема может работать на более высокой тактовой частоте; 2) при этом операнды для нового вычисления можно подавать на вход сразу после первого цикла предыдущего вычисления, не дожидаясь окончания всех циклов предыдущего вычисления; 3) поэтому общая пропускная способность блока будет выше, чем у блока, в котором вычисления выполняются за один цикл:Видео второй лекции: Теперь о платах для лабораторных работ. Так как курс только ввели в порядке эксперимента, бюджета на FPGA платы в Иннополисе не выделили. Я одолжил Иннополису 10 плат, которые я купил на свои деньги, но плат катастрофически не хватает (на курсе 210 студентов). «Дайте больше плат!» — самый частый отзыв студентов на лабы с FPGA. В принципе, преподавателям раздает платы Intel / Altera, реже Xilinx, но в небольшом количестве. Университеты покупают платы у Xilinx и Altera и на свои деньги, но довольно часто это связано с бюрократией и волокитой. Киевский Политехнический Институт в лице Евгения Короткого недавно купил FPGA платы на грант от киевского муниципалитета, для обучения FPGA школьников. Зеленоградское предприятие Элвис-НеоТек, московская компания НауТех, питерский Макро Груп и калифорнийский MIPS выделяли FPGA платы университетам для образовательных нужд (МГУ, МИЭТ, ИТМО, МЭИ, КПИ, и другие). Но для того, чтобы обновить все программы в центральных и региональных университетах и сделать понимание RTL частью общего образования в хайтеке (как это сделано в американских вузах и как это быстро делают китайцы в КНР), нужно на два порядка больше плат. Это с одной стороны проблема, но с другой стороны — возможность региональным компаниям и частным лицам занятся благотворительностью по отношению к своим местным университетам и физматшколам. Массовое владение этими технологиями может иметь далеко идущие последствия для России и других стран региона — примерно как введение информатики в советских школах в 1985 году привело к Яндексам и другим развитым российским софтверным компаниям в 21 веке. Для базовых упражнений в разработке цифровой логики на уровне регистровых передач подходят практически любые платы (Xilinx, Altera, Lattice и т.д.) В Иннополисе мы сейчас используем плату Terasic DE10-Lite. Она недорогая и годится даже для синтеза небольших промышленных процессорных ядер (если вам хочется с этим поэкспериментировать — это следущий уровень):Но если закупать платы сотнями в условиях нехватки денег, то одно из решений — брать платы с али экспресс с не самыми последними FPGA. Правда для некоторых из них прийдется использовать и не самую свежую версию софтвера для синтеза, но по большому счету это неважно. Также на них не самые удобные переключатели и их мало, но зато стоят в районе двадцати долларов (тысячи рублей). К платам c Intel / Altera FPGA нужен адаптер USB Blaster, и его лучше покупать отдельно — некоторые USB Blaster на AliExpress работают с последним софтвером Intel Quartus, версии 17.1, но другие совместимы только с версией 13.0sp1 2013 года.Еще дешевле — покупать FPGA платы без периферийных устройств. Это может быть интересным для руководителей кружков школьников, особенно если у них есть завалы всяких сенсоров, дальномерок, светодиодных матриц, динамиков и других устройств, которые можно подключить к FPGA плате и сделать на ней привлекательные проекты. Для школьников может быть интересно сделать один и тот же проект сначала с микросхемами малой степени интеграции, потом с ПЛИС, потом с микроконтроллером.Наконец, помимо Terasic, Digilent и других азиатских, американских и европейских производителей плат есть и российские: Марсоход и завод по изготовлению ПЛИС в Воронеже. На сайте Марсохода есть неплохие инструкции для образовательных проектов. Они могут развиться в один из центров российского коммьюнити в этой области. ПЛИС-ы из Воронежа дорогие, но если воронежский завод будет их раздавать университетам, то на них тоже можно делать все эти упражнения.

Читайте также:  Audi будет использовать роботов в своих сервис-центрах

Только зарегистрированные пользователи могут участвовать в опросе. Войдите, пожалуйста.

Источник: https://habr.com/post/349750/

Боги из машины. Как нейронные сети работают, учатся и готовятся менять наш мир – Технологии Onliner

О нейросетях сегодня не говорит только ленивый.

Искусственная нейронная сеть обыгрывает сильнейших игроков в го в мире, пишет музыку как Скрябин и тексты как «Гражданская оборона», умеет по фотографии твоей бывшей находить похожих порноактрис.

Это круто, модно и крайне непонятно для обывателя. Вместе с белорусским специалистом по анализу данных пытаемся доходчиво объяснить, как функционирует нейросеть.

Для стороннего наблюдателя искусственная нейронная сеть является синонимом некоей магической коробочки (Deus ex machina), способной преобразовывать банальную фотографию в стилизованную картину какого-нибудь художника. Мы же попробуем на простом примере объяснить, как работает нейросеть и из чего она состоит.

Из чего состоит нейросеть?

У каждой нейросети есть входной слой, несколько скрытых и выходной. Входной слой получает информацию, скрытые слои ее обрабатывают, а выходной слой выдает результат. В скрытых нейронах происходит самое интересное.

Они, по сути, являются вычислительными единицами, которые получают данные от входных нейронов и преобразуют их в один выходной результат. Все искусственные нейроны связаны между собой синапсами, совсем как их биологические «коллеги». Но искусственные синапсы обладают весом.

Чем больше вес связи, тем более важной, доминирующей будет информация, передаваемая нейрону.

Как жениться с помощью нейросети

Допустим, перед нами стоит задача выбрать себе невесту. В идеале мы бы хотели связать свою будущую семейную жизнь с дамой, которая нам симпатична, умеет вкусно готовить и любит детей.

Это параметры, которые будут поступать на входной слой нейронов и передаваться скрытым. Но некоторые из параметров для нас не столь важны по сравнению с другими. Например, мы согласны готовить самостоятельно.

Значит, у параметра готовки вес будет меньше, чем у остальных.

В мире миллиарды женщин, но пускай перед нами стоит выбор из двух. Первая дама обладает всеми вышеперечисленными параметрами, кроме красоты: готовка — 1, привлекательность — 0, любовь к детям — 1.

Совет

Вторая не умеет готовить: готовка — 0, привлекательность — 1, любовь к детям — 1. Получается паритет, если не учитывать вес параметра. Запускаем эти факты в нейросеть и наделяем готовку более слабым весом перед привлекательностью.

В итоге нейросеть выберет вторую кандидатуру.

Это примитивный пример сети прямого распространения, где информация всегда идет только в одном направлении. Примитивный он потому, что далеко не все признаки невест можно однозначно разделить на нули и единицы. Кто-то более красив, кто-то чуть лучше готовит.

Факты можно оценить на глаз в диапазоне от 0 до 100%, добавить богатство, разговорчивость, умение ладить с людьми или играть в компьютерные игры и т. д. Однозначного ответа от такой сети не будет.

Однако она сможет подобрать нам наиболее подходящие варианты на основе фактов и веса, которые мы настраиваем самостоятельно.

Но в случае с примитивной сетью это не займет много времени. А если у нас есть сеть из сотен и тысяч нейронов, обрабатывающих такое же количество фактов? На тонкую настройку подобной сети уйдет крайне много времени. И тут мы подходим к моменту, когда сети приходится обучать.

Как учатся нейросети?

Искусственные нейросети приходят в этот мир абсолютно несведущими в важности различных параметров. И им нужен учитель, который будет направлять и указывать на ошибки.

Загрузив нейросеть задачей, учитель оценивает, насколько нужный результат расходится с полученным. Корректировка весов проводится до тех пор, пока не будет получен нужный результат.

Такое обучение называется методом обратного распространения ошибки.

Другой метод предполагает самообучение сети и часто используется в играх. Перед нейросетью стоит задача победить. Анализируя партии игроков, она отмечает последовательность ходов, которая привела к победе.

Обратите внимание

И такому изучению подвергаются тысячи сыгранных партий. На их основе нейросеть узнает, какая последовательность ходов чаще ведет к победе, какой ход является слабым или сильным.

Этот метод называют обучением с подкреплением.

При распознавании объектов на изображениях используются свёрточные нейросети. Например, мы хотим научить нейросеть находить котиков на фотографиях.

Для этого ей необходимо «скормить» миллионы фотографий с котиками, а затем указать, какие снимки на самом деле содержали котиков.

Нейросеть запомнит формы, абстрактные детали и принципы, которые привели к правильному результату, и спустя множество циклов повторений сумеет увеличить вероятность правильного определения котика.

Источник: https://tech.onliner.by/2017/06/01/deus-ex-machina

Искусственный интеллект вытеснит с полей комбайнеров и трактористов

Российские агрохолдинги взяли курс на замещение водителей роботами

Существенно сократить численность трактористов и комбайнеров хотят в ближайшем будущем руководители современных агрохолдингов.

Для этого им надо «обучить» и выпустить на поле «умную» сельхозтехнику: тракторы, комбайны, сеялки и грузовики для уборки урожая, которая сможет управляться на поле без человека.

Помочь технике обрести необходимые «знания» и «смекалку» вызвались специалисты одной столичной IT-компании (руководитель проекта Алексей Панченко).

Зачем вообще нужно заменять живых водителей на роботов? По мнению экспертов, такой переход необходим для повышения производительности труда. Ведь численность населения растет, и для того, чтобы его прокормить, требуется все больше и больше продуктов питания.

Программисты в рамках проекта создания «умных» комбайнов и тракторов отвечают за разработку технологий беспилотного вождения сельхозтехники на базе технологий компьютерного зрения.

Причем управление, к примеру, комбайном при помощи искусственного интеллекта — это не совсем одно и то же с управлением беспилотным автомобилем. Тут «мозгу» робота надо автоматически контролировать множество параметров.

К примеру, технологический процесс уборки зерна, качество зерна (для этого он должен по особому настраивать зазоры молотилки), уровень заполнения бункера отгрузки зерна в кузов автомобиля и его положение по отношению к кузову и так далее.

Важно

Для этого на комбайне, помимо видеокамер, устанавливаются десятки всевозможных датчиков. По сути, организация контроля за процессом работы комбайна по сложности аналогична автоматической системе управления предприятия.

Сам опытный образец комбайна, который предоставлен программистам в одном из агрохолдингов Татарстана, представляет собой машину размером с двухэтажный дом, где только колесо имеет диаметр 1,8 (!) метра. «Умный» комбайн движется не по дороге общего пользования, а по полю.

И тут ему тоже нужны особые «навыки» ориентации. К примеру, жестко контролировать направления движения и точное положение жатки вдоль скошенной кромки поля. Даже ее незначительное смещение может привести к потерям миллионов рублей только за несколько часов работы из-за не скошенных площадей.

Кроме того, искусственный интеллект комбайна должен определять и поддерживать оптимальную скорость движения, понимая, что слишком быстрый темп может привести к забиванию емкости, по которой поступает зерно, а медленный, опять-таки с неизбежностью скажется на экономической эффективности работы.

Наконец, скорость движения еще зависит от вида культуры и плотности ее произрастания.

Техническое задание проекта требует от создаваемого искусственного интеллекта возможности определения и прогнозирования опасных ситуаций не более, чем за 3 секунды, обеспечения работы умного «комбайна» в различных погодных условиях, кроме случаев недостаточной видимости, на скорости до 12 км/ч, обнаружение статических (деревья, кустарники и т. д.) и динамических объектов (включая сельскохозяйственную технику, людей, животных с видимыми размерами по высоте не менее 1 метра и по ширине не менее 0,5 метров) на расстоянии не менее 7 метров.

В ближайшем будущем, роботизация процесса сельхозобработки позволит сократить в разы число комбайнеров. Один специалист сможет контролировать работу сразу нескольких машин.

Источник: http://ru.lexss.org/1900-iskusstvennyy-intellekt-vytesnit-s-poley-kombaynerov-i-traktoristov.html

Нейроаниматы – роботы принимающие самостоятельные решения

В мире существует несколько центров, занимающихся фундаментальными исследованиями принципов работы мозга на сетевом уровне, то есть нейронных сетей.

Ведущие из них находятся в США, в Технологическом университете Джорджии (руководитель проекта и основоположник идеи создания нейроанимата — доцент и адъюнкт-профессор биомедицинской инженерии Стив Поттер), в Израильском институте технологий (руководитель проекта — Шимон Маром), Итальянском институте технологий (руководитель — Микела Чиаппалоне) и в Департаменте микросистемной инженерии Университета Фрайбурга (руководитель — Ульрих Эгерт). На начальной стадии разработки в Китае и Нидерландах.Ни одна группа исследователей пока что не добилась явного прорыва в понимании механизмов обучения в мозге, и все созданные нейроаниматы (или гиброты — гибридные роботы) уступают логическим, программируемым собратьям. Все проекты идут практически нога в ногу. Российский нейроанимат отличается от остальных систем лишь принципами кодирования сигнала. Самое показательное, чего смогли пока добиться ученые, — подключить к живым клеткам мозга роботизированные руки, которые рисовали изображения. Этот арт-проект сделан под руководством Стива Поттера. При этом нейронная сеть находилась в 19 тысячах километров от механических рук — в Школе анатомии и биологии Университета Западной Австралии. Подключенный к ноутбуку автомобильчик начинает свой путь по письменному столу: робот подъезжает к стопке книг, упирается в нее. На экране компьютера видно, как бегают электрические импульсы — подобно кривой электроэнцефалограммы, только пики выскакивают намного чаще. Через несколько мгновений машинка, вывернув колеса в сторону, ловко объезжает препятствие. Новая стопка встает на пути малыша. И так раз десять. С каждым разом решение, как объехать преграду, робот принимает все быстрее. Это результат работы нейронной сети, искусственно выращенной специалистами кафедры нейродинамики и нейробиологии Нижегородского государственного университета имени Н. И. Лобачевского (ННГУ) и сотрудниками Нижегородской государственной медицинской академии, которые пытаются наделить машинку из пластика и железа разумом.

Мыслящее нечто

Эту нетривиальную задачу сегодня параллельно решают специалисты сразу в нескольких странах мира — они ломают голову над созданием машин, которые будут управляться настоящими живыми клетками мозга. Для роботов, способных думать и обучаться, уже придумали название — нейроаниматы.

В России в этой области дальше всех продвинулись в Нижнем Новгороде, где корреспонденты «Итогов» и наблюдали за «умной» машинкой. Впрочем, играми в машинки эксперимент не заканчивается.

Совет

Ученые создавали нейроанимата для того, чтобы, как говорит заведующий лабораторией Института прикладной физики РАН, завкафедрой нейродинамики и нейробиологии ННГУ доктор физико-математических наук Виктор Казанцев, «проводить фундаментальные исследования принципов работы мозга». За этой общей формулировкой кроется настоящий научный прорыв.

Созданный к сегодняшнему дню нейроанимат состоит из двух основных частей. Это собственно робот — пока что простейшая машинка из конструктора с двигателем и набором датчиков и главная часть — нейронная сеть, управляющая роботом. Ее — и это наиболее интересно — ученые выращивают искусственно из живых клеток мозга мышей или крыс.

Клетки извлекают из гиппокампа — отдела мозга, отвечающего у всех живых существ за кратковременную память и ориентацию в пространстве. Затем несколько десятков тысяч нейронов помещают в стеклянную камеру около полутора сантиметров в диаметре. В нее заранее залита специальная питательная среда, схожая с той, что имеется в настоящем мозге.

На дне камеры — мультиэлектродная матрица из 60 электродов размером порядка 30 микронов каждый, вокруг которых и располагаются нейроны.

«Извлечь нейроны из эмбриона животного и посадить их на матрицу с электродами — это еще даже не полдела», — поясняет кандидат физико-математических наук, руководитель экспериментальных работ по проекту нейроанимата, сотрудник кафедры нейродинамики и нейробиологии Алексей Пимашкин.

Из-за того что ученые берут в работу не целый отдел живого мозга, а лишь отдельные нейроны, связи между ними прерываются. Необходимо их выстроить заново, фактически создав новую живую нейронную сеть.

Технологическое решение таково: камеру с мультиэлектродной матрицей помещают в специальный инкубатор, где поддерживаются температура 35,6 градуса, определенная влажность и концентрация углекислого газа и кислорода.

«Через несколько дней между клетками начинают образовываться связи, вырастает живая нейронная сеть, в которой спонтанно генерируются и распространяются электрические импульсы, — рассказывает Алексей Пимашкин. — На появление стабильной сети уходит около 20 дней.

Читайте также:  Война xxi века. искусственный интеллект на службе у военных

При этом из нескольких десятков тысяч нейронов, посаженных изначально, остается около пяти тысяч (остальные погибают), но и этого хватает для эксперимента, суть которого в исследовании процессов обработки информации в мозге».

Ученые по отдельности стимулируют электроды, подавая на них электрические сигналы, и таким образом возбуждают нейроны, сигнал от которых распространяется по всей сети. Тем самым полностью симулируется ситуация, при которой живой мозг получает сигналы от органов зрения и осязания, то есть от так называемых сенсорных входов.

Обратите внимание

Когда на нервное окончание, например на сетчатку глаза, у человека или животного поступает некий сигнал, нейроны посылают определенную последовательность импульсов в мозг. Те проходят через нейронные сети и вызывают отклик — именно так мы принимаем то или иное решение, допустим, протягиваем руку, чтобы взять нужный предмет. Эти действия кодируются в мозге после обработки поступающих сигналов. Команду на их выполнение отдают нейроны, посылая последовательности импульсов на соответствующие нервные окончания, которые руководят мышцами. Ученые называют такую цепочку стимул-реакцией. Другими словами, мозг получает какой-то сигнал или стимул извне, обрабатывает его и на выходе выдает уже другой сигнал, реакцию. Подобную цепочку моделируют и разработчики нейроанимата. Помимо электродов, назначенных на роль сенсорных входов и ответственных за стимуляцию нейронной сети, на мультиэлектродной матрице часть электродов может снимать или считывать электрическую активность нейронов. Их назначили выходами нейронной сети. Это аналоги выходов мозга на какие-то моторные функции, по которым сигнал передается мышцам. Проверить, насколько качественно искусственно выращенная нейронная сеть может выполнять элементарные функции настоящего мозга, исследователи решили, подключив к ней робота.

Машинка с секретом

Сам робот элементарный — машинка из детского конструктора. У нее есть колеса с моторчиками, она может ехать влево или вправо, давать задний ход, есть датчики касания — кнопки справа, слева и спереди. Если все эти свойства описывать с позиций живой системы, можно сказать, что у такого робота есть сенсорные каналы и он обладает моторными функциями.

Он может подключаться к компьютеру при помощи кабеля связи через USB-порт или по радиоканалу Bluetooth. Это подключение как раз и связывает его с нейронной сетью — блоком управления.

При этом, как замечает Алексей Пимашкин, «совершенно не важно, где находится нейронная сеть: она может быть в соседнем здании или вообще в другой стране, а сигнал при этом передается по Интернету». Компьютер, к которому подключен робот, не играет абсолютно никакой роли в управлении. Он выполняет лишь функцию передачи и кодирования сигнала от нейронной сети к машинке.

Когда все условия эксперимента выполнены, то есть нейронная сеть сформировалась и готова адекватно воспринимать, обрабатывать и выдавать сигналы, когда назначены входные и выходные электроды на мультиэлектродной матрице, а робот подключен к сети, исследователи приступают к основной части — проверке системы. Тогда и устраивают эксперимент с преодолением препятствий.

Датчик-кнопка при столкновении с преградой выдает электрический сигнал, который отражается на экране компьютера. Сигнал идет на входные электроды мультиэлектродной матрицы, и в нейронной сети возникает электрическая активность. Активность одного сигнала длится 500 миллисекунд, ее можно наблюдать на компьютере в виде спайков — электрических импульсов.

За это время сигнал обрабатывается, и нейронная сеть выдает уже другой сигнал, который отправляется на выходные электроды. В результате робот получает команду повернуть направо или налево в зависимости от того, какой из его датчиков сработал.

Но как нейронная сеть решает, какой конкретно ответ на внешний сигнал ей выдать? Дело в том, что появление входного сигнала сеть рассматривает как возникновение некоей проблемы, которую нужно решать. Сама по себе она совершенно ничего не знает ни о машинке, ни о препятствии, ни о внешнем мире вообще. Все, что у нее есть, — стимуляция, от которой нужно избавиться.

Важно

И пока сеть не отдаст нужную команду, стимуляция не исчезнет. Сеть отдает команду лишь потому, что ей нужно что-то сделать, чтобы внешний сигнал пропал. Таково свойство нейронов. В первый раз в своей жизни столкнувшись с препятствием, нейронная сеть не умеет делать ничего. Она не знает, какой сигнал ей выдать в ответ, и начинает генерировать множество различных реакций.

В случайный момент времени одна из реакций оказывается верной, робот сворачивает, и постоянное внешнее возмущение пропадает, потому что кнопка-датчик больше не нажата. Становится хорошо всем: ученым от того, что машинка выполнила разумное действие и увернулась от препятствия, а у нейронной сети исчезло раздражение.

Однако это действие является лишь началом жизнедеятельности нейронной сети во внешнем мире. В следующий раз время от начала возмущения до того момента, как сеть даст правильный ответ, сократится, и с каждым разом оно будет сокращаться все сильнее. Нейронная сеть станет отдавать команду на поворот робота практически сразу после его столкновения с препятствием.

Этот процесс усвоения нужного решения и хотят исследовать ученые во время экспериментов над нейроаниматом. Подобное обучение живого мозга исследователи сравнивают с тем, как, например, в поисках еды животное обходит различные места в пространстве, а когда находит, должно запомнить это место, чтобы вернуться туда в следующий раз.

Изначально у мозга не было решения проблемы, где найти еду. Он не знал, что делать и куда идти. Затем в результате поиска это решение нашлось и запомнилось. При этом схема работы мозга аналогична тому, что происходит в процессе эксперимента с нейроаниматом.

Исследователи хотят добиться, чтобы искусственно выращенная нейронная сеть смогла так же обучаться и самоорганизовываться, как и живой мозг, а потому работают над моделью, в которой робот будет иметь множество сенсорных входов и много различных возможностей для решений.

На него планируется поставить ультразвуковой датчик, чтобы он «видел» препятствия подобно летучей мыши. Что случится тогда? Он сможет поворачивать в разные стороны, ездить с различной скоростью, выполнять другие механические действия, например, нагибаться или делать последовательные движения — не просто сворачивать, а поворачивать налево, потом направо, потом еще раз налево, обходить препятствие. «От обычного робота его станет отличать то, что все решения будет принимать не программируемый компьютер с заранее заложенными решениями, а адаптивный навигатор — живой мозг, находящий и запоминающий новые решения», — объясняет Виктор Казанцев.


Однако возникает вопрос — зачем все это нужно?

Исследователи не скрывают — чтобы заглянуть в глубины мозга: изучить при помощи микроскопов и других исследовательских приборов, что, собственно, происходит внутри нейронной сети в процессе обработки информации и обучения.

Совет

Далее, когда они получат схему работы сети, которая самоорганизовалась и научилась что-то делать, можно будет создать математическую модель, которую, в свою очередь, зашить в микрочип.

Он станет самоорганизующейся системой обработки информации, своего рода искусственным интеллектом. Ни больше ни меньше.

Разумная электроника

Применение такой системе ученые видят во всех областях, где требуется электроника, выполняющая сложные функции. Хитрые чипы пригодятся в военной и космической отраслях, в управлении сложными производствами, заводами, конвейерами и в медицине. Например, луноход или марсоход попадут в условия, на которые не были запрограммированы, — окажутся в глубокой яме.

Если обычный запрограммированный аппарат так и останется в этой яме навсегда, то «умный» луноход поймет, что ему нужно, например, раскатываться взад-вперед, а потом сам выпрыгнет из ямы враскачку. «Самое главное, что машина сможет решить неожиданно возникшую проблему, на которую не была запрограммирована, по тому же принципу, как действует мозг животных и людей», — продолжает Виктор Казанцев.

Кроме того, понимание принципов, как происходят поиск и обучение новым функциям в мозге, позволит раздвинуть рамки медицины. Появится новый подход к лечению болезней и отклонений, связанных с обучением и памятью. Возможно даже будет улучшать память и адаптацию к новым функциям в мозге. И, конечно, нас ожидает небывалый прорыв в компьютерной области.

Нейрокомпьютер в отличие от простого программируемого устройства сможет решать множество проблем одновременно, потому что в мозге происходят параллельные вычисления, а в электронике все вычисления делаются хоть и с огромной скоростью, но последовательно.

«Если построить такие модели процессоров, они будут делать вычисления в десятки, в сотни тысяч раз быстрее, чем современные компьютеры», — уверен Пимашкин. Вполне возможно, что для достижения своей цели ученым придется не раз модернизировать нейроанимата.

Например, создать систему, в которой будет задействована не одна нейронная сеть, а несколько, причем состоящих из нейронов, взятых из разных отделов мозга. Может быть, предстоит пересмотреть архитектуру сети, сделав ее трехмерной, увеличив количество электродов. Но это вопрос техники. Главная же задача на перспективу — разобраться, что меняется в мозге при обучении.

Если ученые раскроют его секреты, это будет первым реальным шагом к созданию искусственного интеллекта. Он будет способен не только заменить человека во многих сферах деятельности, связанных с опасностью для жизни и здоровья, но и неимоверно расширит возможности исследования космоса, Земли, океанов, добравшись туда, куда люди по чисто физиологическим причинам попасть не смогут никогда.

Источник

Источник: http://scientifically.info/news/2012-04-08-1857

Комбайн с российским “интеллектом”

Российский разработчик систем искусственного интеллекта (ИИ) для беспилотных транспортных систем – компания Cognitive Technologies разработала технологию компьютерного зрения для автоматического вождения зерноуборочного комбайна.

В основе разработки лежит технология глубокого обучения нейронных сетей, или deep learning.

По мнению экспертов, Cognitive Technologies выбрал правильный путь, концентрируясь на конкретном сегменте рынка с ограниченным набором требований, поскольку наличие даже ограниченного сегмента рынка позволит им доводить до совершенства свои продукты и финансировать дальнейшие разработки для выхода в другие сегменты.

Как поделился в разговоре с корреспондентом ComNews руководитель департамента разработки беспилотных транспортных средств CognitiveTechnologies Юрий Минкин, отдельные элементы решения будут реализованы в 2018-2019 гг. Само же решение ориентировочно будет запущено в промышленную эксплуатацию лет через пять. Над разработкой решения трудилось несколько десятков человек.

Обратите внимание

В компании отметили, что работы по проекту проводятся в соответствии с соглашением с Минобрнауки России в рамках реализации федеральной целевой программы “Исследования и разработки по приоритетным направлениям развития научно-технологического комплекса России на 2014-2020 гг.”. На реализацию технологической части проекта ведомством было выделено 34 млн руб.

“Предполагается, что наша система сначала будет установлена на экспериментальном образце сельхозтехники. Мы затратили на ее разработку более трех лет и получили отличные результаты.

Обладая функцией автоматического подруливания при уборке урожая, российские комбайны смогут на равных конкурировать с ведущими мировыми сельскохозяйственными брендами, которые уже обладают аналогичным функционалом”, – прокомментировала президент CognitiveTechnologies Ольга Ускова.

При этом Юрий Минкин уточнил корреспонденту ComNews, что решение будет реализовано на обычных комбайнах нового поколения. Впоследствии же комбайн с решением будет стоить дороже комбайна без решения.

По словам руководителя проекта CognitiveTechnologies Алексея Панченко, в основе разработки лежит технология глубокого обучения нейронных сетей, или deep learning.

Он уточнил, что в течение прошлого года разработчики CognitiveTechnologies в реальных полевых условиях с камеры, установленной на комбайне, вели работы по сбору датасетов, а затем и обучению нейронной сети объектам и ситуациям, которые могут и будут встречаться “умному” комбайну в процессе его работы и которые должен распознавать искусственный интеллект.

Как отметили представители компании, сегодня нейронная сеть способна выделять пять основных классов объектов полевой сцены, что позволит обеспечить безопасную и эффективную работу “умного” комбайна. Первый – это нескошенная часть поля. Второй – обработанная, скошенная его часть.

Третий класс объектов соответствует валку (скошенная и сложенная в ряд сельскохозяйственная культура). Четвертый соответствует той части жатки (механическое устройство комбайна, осуществляющее скашивание сельскохозяйственной культуры), которая попадает в поле зрения видеокамеры.

Читайте также:  Управляемая через мозг роботизированная рука позволяет вернуть чувствительность

Наконец пятый класс – это все остальные объекты (препятствия, техника, лес, деревья, сорняки и т.д.).

Важно

Автоматизированный комплекс “умного” комбайна, помимо системы ИИ, включает в себя одну видеокамеру отечественного производства и вычислитель с дополнительными блоками сопряжения с бортовыми системами комбайна. 

Разработчики отметили, что во время проведения работ по уборке урожая водитель экспериментального образца комбайна еще будет должен присутствовать в кабине и выполнять функцию контролера. При этом уровень его квалификации должен оставаться на том же уровне, что и у обычного комбайнера.

“Однако у него появится свободное время для того, чтобы сосредоточиться на выборе настроек параметров технологического процесса, непосредственно влияющих на качество уборки урожая, – угла наклона жатки, скорости хода и т.д.

, что сегодня является одной из основных проблем при уборке”, – заверили в Cognitive Technologies.

“Автоматическое передвижение комбайна с системой искусственного интеллекта будет осуществляться по левой кромке поля либо вдоль скошенного валка.

При этом искусственный интеллект сам будет понимать, где проходит граница скошенной культуры и куда нужно подруливать для обеспечения движения вдоль кромки”, – рассказал Алексей Панченко, добавив, что в отдельных ситуациях, например при завершении прохода по полю, а также в случаях форс-мажора, по сигналу системы водитель должен быть готов принять управление на себя.

Говоря о конкурентном преимуществе решения, в компании поделились, что у данной технологии есть возможность понимания искусственным интеллектом различных типов границ поля (кромки, валка), в отличие от решений конкурентов, которые понимают лишь один из типов границ и для его определения вынуждены устанавливать соответствующие им дополнительные датчики, что в итоге определяет более высокую стоимость решения. Кроме того, в системе CognitiveTechnologies предусмотрена возможность оперативного добавления новых типов границ, а также вспаханной и невспаханной частей поля.

“Для этого достаточно обновления версии программного обеспечения, что позволит разработчикам уже в ближайшей перспективе расширить область применения системы на другие сельскохозяйственные культуры, такие как кукуруза и подсолнечник. Сегодня ИИ-системы обучены на работу с зерновыми и кормовыми культурами”, – поделились с ComNews в Cognitive Technologies.

“Мы рассчитываем, что проект позволит нам сделать серьезный задел на будущее и существенно приблизит нас к созданию полностью беспилотного комбайна, чего мы ожидаем достичь к 2023-2024 гг.”, – заключила Ольга Ускова.

По словам президента ООО “Мивар” Олега Варламова, рынка компьютерного зрения как такового в России нет, поэтому цена решений пока зависит от конкретного проекта, для которого системы создаются.

Более того, существуют opensource-инструменты для создания таких систем.

“Поэтому у разработчиков, в зависимости от поставленных задач и наличия финансовых ресурсов, есть возможность выбрать между условно-бесплатными и коммерческими системами”, – отметил он.

Олег Варламов добавил, что компания “Мивар” изначально предполагала разрабатывать свою систему компьютерного зрения.

Однако в процессе работы над робототехнической платформой “Муром” было решено на первых этапах использовать готовую систему, данные которой обрабатываются интеллектуальной системой собственной разработки “Роборазум”.

“Однако в среднесрочной перспективе мы рассматриваем возможность создания собственной миварной системы компьютерного зрения”, – заключил он.

Президент НП “Руссофт” Валентин Макаров в разговоре с корреспондентом ComNews сказал, что компьютерным зрением в России занимается ряд разработчиков. В частности, он привел в пример компанию “Ланит-Терком”, которая успешно работает и с зарубежными клиентами.

“Cognitive Tеchnologies изначально был лидером проекта компьютерного зрения в рабочей группе “АвтоНет” “Национальной технологической инициативы”, работая с КАМАЗом”, – отметил Валентин Макаров.

Совет

Он добавил, что компьютерное зрение для грузовых авто – это большой сегмент рынка. “Добиваться лидерства в борьбе с глобальными конкурентами в таком большом сегменте или сразу по всему спектру рыночных сегментов сложно, поскольку эти конкуренты имеют более долгую историю, больший рынок и больше финансовых ресурсов”, – считает эксперт.

По мнению Валентина Макарова, Cognitive Technologies выбрал правильный путь, концентрируясь на конкретном сегменте рынка с ограниченным набором требований, поскольку наличие даже ограниченного сегмента рынка позволит им доводить до совершенства свои продукты и финансировать дальнейшие разработки для выхода и на другие сегменты.

“Поскольку в России производятся комбайны, вполне логично и экономически объяснимо, что на таких комбайнах могут быть установлены российские системы компьютерного зрения”, – заключил Валентин Макаров.

Источник: https://www.comnews.ru/content/106776/2017-04-24/kombayn-s-rossiyskim-intellektom

В россии провели испытания беспилотного комбайна

Работы проводились совместно с компанией “Ростсельмаш”. Система автоматического вождения Cognitive Agro Pilot была установлена на экспериментальном образце комбайна RSM 181 TORUM.

По словам президента Cognitive Technologies Ольги Усковой, на разработку ушло более пяти лет. Примечательно, что в российском проекте используется лишь одна видеокамера, в то время как в зарубежных аналогах применяются лазерные сканеры для движения вдоль кромки поля и стереокамеры для слежения за скошенной и сложенной в ряд сельскохозяйственной культурой.

— Мы смогли создать высокоразвитую систему компьютерного зрения, которая позволяет с одной видеокамерой достичь аналогичных результатов, что и ведущие западные бренды с тремя-четырьмя сенсорами. В итоге у нас стоимость оборудования в три-четыре раза меньше, — поясняет Ускова.

Как отмечает руководитель проекта Алексей Панченко, в ходе испытаний команда столкнулась с непредвиденной ситуацией: вместо запланированной уборки пшеницы, высота колосьев которой превышает 80 см, пришлось тестировать систему на ячмене ростом не более 30–40 см.

— В такой ситуации валок было практически невозможно человеческим глазом отличить от скошенной культуры. Для нас это был вызов. Полтора дня мы обучали нейронную сеть на новых датасетах. В итоге нейронная сеть смогла определить уложенный валок лучше человека, — комментирует Панченко.

Разработчики подчёркивают, что во время уборки урожая водитель комбайна должен присутствовать в кабине и выполнять функцию контролёра. При этом уровень его квалификации должен оставаться таким же, как у обычного комбайнёра.

Однако интеллектуальная система значительно снижает рутинную нагрузку на водителя, благодаря чему он может сосредоточиться на выборе настроек параметров технологического процесса, влияющих на качество уборки урожая.

— Технологический процесс управления беспилотным комбайном устроен так, что его передвижение осуществляется по кромке поля либо вдоль уложенного валка. Система искусственного интеллекта сигнализирует, что она видит кромку или валок и готова принять управление на себя.

Водителю при этом сообщении достаточно нажать кнопку автопилота для передачи управления и подтверждения этого действия.

При этом система сама будет понимать, где проходит граница скошенной культуры и куда нужно подруливать для обеспечения движения вдоль кромки, — говорит Панченко.

Обратите внимание

По словам Усковой, по итогам летних испытаний компания планирует доработать комбайн и перейти к производству опытно-промышленной серии. При этом российские уборочные машины смогут на равных конкурировать с ведущими мировыми сельхозбрендами, которые уже обладают аналогичной функцией.

— Мы рассчитываем создать полностью беспилотный комбайн к 2023–2024 годам, — резюмирует Ускова.

Создание беспилотного комбайна ведётся Cognitive Technologies в соответствии с соглашением с Министерством образования и науки России в рамках реализации федеральной целевой программы “Исследования и разработки по приоритетным направлениям развития научно-технологического комплекса России на 2014–2020 годы”. На реализацию технологической части проекта ведомством было выделено 34 млн руб.

Российские специалисты испытали беспилотный комбайн

Фото © Cognitive Technologies

Источник: https://life.ru/1035615

Cognitive Technologies разработала систему ИИ для беспилотного зерноуборочного комбайна

Компания Cognitive Technologies, являющаяся разработчиком систем искусственного интеллекта для управления беспилотными транспортными средствами, разработала технологию компьютерного зрения для автоматического вождения зерноуборочного комбайна. Об этом CNews сообщили в Cognitive Technologies.

«Предполагается, что наша система сначала будет установлена на экспериментальном образце сельхозтехники, — рассказала Ольга Ускова, президент Cognitive Technologies.

— Мы затратили на ее разработку более трех лет и получили отличные результаты.

Обладая функцией автоматического подруливания при уборке урожая, российские комбайны смогут на равных конкурировать с мировыми с/х-брендами, которые уже обладают аналогичным функционалом».

«В основе разработки лежит технология глубокого обучения нейронных сетей, или deep learning», — отметил руководитель проекта Cognitive Technologies Алексей Панченко.

В течение прошлого года разработчики Cognitive Technologies в реальных полевых условиях с камеры, установленной на комбайне, вели работы по сбору дата-сетов (видеоизображений, на которых представлены основные элементы полевой сцены и на основе которых происходит обучение нейронной сети), а затем и обучению нейронной сети объектам и ситуациям, которые могут и будут встречаться «умному» комбайну в процессе его работы и которые должен распознавать искусственный интеллект.

В итоге сегодня нейронная сеть способна выделять пять основных классов объектов полевой сцены, что позволит обеспечить безопасную работу «умного» комбайна. Первый — это нескошенная часть поля. Второй — обработанная, скошенная его часть.

Третий класс объектов соответствует валку (скошенная и сложенная в ряд с/х-культура). Четвертый соответствует той части жатки (механическое устройство комбайна, осуществляющее скашивание с/х-культуры), которая попадает в поле зрения видеокамеры.

Наконец пятый класс — это все остальные объекты (препятствия, сельхозтехника, лес, деревья, сорняки и т.д.).

Снятая с видеокамеры картинка, на которой видна часть жатки, валок, скошенная, нескошенная часть поля и остальные объекты

По словам разработчиков, во время проведения работ по уборке урожая водитель экспериментального образца комбайна еще будет должен присутствовать в кабине и выполнять функцию контролера. При этом уровень его квалификации должен оставаться на том же уровне, что и у обычного комбайнера.

Важно

Однако у него появится свободное время для того, чтобы сосредоточиться на выборе настроек параметров технологического процесса, непосредственно влияющих на качество уборки урожая (угол наклона жатки, скорость хода и т.д.

), что сегодня является одной из основных проблем при уборке, подчеркнули в Cognitive Technologies.

Карта сегментации изображения полевой сцены, полученная на выходе нейронной сети. Желтый цвет соответствует части жатки, зеленый — валку, синий — скошенной культуре, розовый — нескошенной части поля и черный — остальным объектам

«Автоматическое передвижение комбайна с системой искусственного интеллекта будет осуществляться по левой кромке поля либо вдоль скошенного валка. При этом искусственный интеллект сам будет понимать, где проходит граница скошенной культуры и куда нужно подруливать для обеспечения движения вдоль кромки», — пояснил Панченко.

В отдельных ситуациях, например, при завершении прохода по полю, а также в случаях форсмажора по сигналу системы водитель должен быть готов принять управление на себя.

Автоматизированный комплекс умного комбайна, помимо системы искусственного интеллекта, включает в себя одну видеокамеру отечественного производства и вычислитель с дополнительными блоками сопряжения с бортовыми системами комбайна.

Конкурентным преимуществом нового решения Cognitive Technologies видит возможность понимания искусственным интеллектом различных типов границ поля (кромки, валка), в отличие от решений конкурентов, которые понимают лишь один из типов границ, и для его определения требуется устанавливать соответствующие им дополнительные датчики, что в итоге определяет более высокую стоимость решения.

Кроме того, в системе Cognitive Technologies предусмотрена возможность оперативного добавления новых типов границ (рядка — форма высадки отдельных культур, например, кукурузы, а также вспаханной и невспаханной частей поля).

Для этого достаточно обновления версии ПО, что позволит разработчикам уже в ближайшей перспективе расширить область применения системы на другие с/х-культуры, такие как кукуруза и подсолнечник.

Сегодня искусственный интеллект системы обучен на работу с зерновыми и кормовыми культурами.

Работы по проекту проводятся Cognitive Technologies в соответствии с соглашением с Минобрнаукой России в рамках реализации федеральной целевой программы «Исследования и разработки по приоритетным направлениям развития научно-технологического комплекса России на 2014-2020 годы». На реализацию технологической части проекта ведомством выделено p34 млн.

«Мы рассчитываем, что проект позволит нам сделать серьезный задел на будущее и существенно приблизит нас к созданию полностью беспилотного комбайна, чего мы ожидаем достичь к 2023-2024 году», — заключила Ольга Ускова.

Источник: http://www.cnews.ru/news/line/2017-04-20_cognitive_technologies_razrabotala_sistemu_ii

Ссылка на основную публикацию
Adblock
detector