雷鋒網(wǎng) AI 科技評論：Facebook AI 小組今日在博客開源了一個仿真 3D 環(huán)境平臺 Habitat，該平臺讓我們可以在其中訓練與評估 AI 智能體，正式宣告「3D 訓練時代」來臨。雷鋒網(wǎng)將之編譯如下。

在將學習到的技能運用到現(xiàn)實世界以前，Habitat 允許我們在逼真、高效的 3D 模擬器中對 AI 智能體（虛擬機器人）進行訓練。過去基于靜態(tài)數(shù)據(jù)集（ImageNet、COCO、VQA）的「互聯(lián)網(wǎng) AI」，搖身一變成在現(xiàn)實環(huán)境運作的「具身 AI」，進而賦予 AI 積極感知、長期規(guī)劃、從交互中學習以及基于環(huán)境的對話等能力。

為啥叫 Habitat ？因為這是 AI 智能體生活的地方。

總的來說，Habitat 是一個落實「具身 AI」研究的平臺，當中包括了 Habitat-Sim、Habitat-API 以及 Habitat Challenge。

Habitat-Sim

一個配備了可配置智能體、多款傳感器、通用 3D 數(shù)據(jù)集處理器（內(nèi)置支持 SUNCG、MatterPort3D、Gibson 及其他數(shù)據(jù)集）的靈活、高性能 3D 模擬器。以 Matterport3D 數(shù)據(jù)集的場景渲染過程為例，Habitat-Sim 的單線程運行高達數(shù)千幀/秒（FPS），且只需單個 GPU 就能實現(xiàn)超過 10,000 FPS 的多線程運行！

Github 網(wǎng)址：https：//github.com/facebookresearch/habitat-sim

Habitat-API

Habitat-API 是一個能夠?qū)崿F(xiàn)「具身 AI」端到端開發(fā)任務的模塊化高級庫，這些開發(fā)任務包括：定義「具身 AI」任務（導航、指令跟蹤、問答等）、配置「具身」智能體（物理形式、傳感器、功能等），培訓這些智能體（通過模仿或強化學習，或者像經(jīng)典 SLAM 那樣完全不學習）以及通過標準指標對其定義任務的表現(xiàn)進行基準測試。

Github 網(wǎng)址：https：//github.com/facebookresearch/habitat-api

Habitat 挑戰(zhàn)賽

我們將舉辦自動導航挑戰(zhàn)賽（在 EvalAI 平臺上舉行），旨在加速推動「具身 AI」的基準測試與研發(fā)進展。與傳統(tǒng)基于圖像數(shù)據(jù)集的「互聯(lián)網(wǎng) AI」挑戰(zhàn)賽（如 ImageNet LSVRC、COCO、VQA）不同的是，我們將基于參與者的上傳代碼而非預測結(jié)果進行評判。上傳的智能體會在最新的（隱形的）環(huán)境中進行評估，以測試其泛化能力。如果您有興趣參與，請在此表格中填寫姓名與電子郵件地址，我們將在提交生效后回復您。挑戰(zhàn)賽的獲勝者名單將會在 CVPR-2019 的 Habitat：Embodied Agents Challenge and Workshop 上宣布。

Github 網(wǎng)址：https：//github.com/facebookresearch/habitat-challenge

其他類似平臺

OpenAI 的 Gym Retro

該平臺同樣主打智能體能力泛化，不過就局限在游戲領(lǐng)域，發(fā)布至今響應者眾。簡單來說，Gym Retro 可以幫助研究智能體在本質(zhì)相似但外觀不同的游戲之間進行泛化的能力，尤其關(guān)注同一游戲的不同級別之間進行泛化的比較容易的問題，涉及了包括世嘉和任天堂在內(nèi)的 1000 多款游戲。隨著 Gym Retro 一同發(fā)布的尚有一款集成工具，讓我們輕松添加游戲 ROM，進而創(chuàng)建儲存狀態(tài)、尋找內(nèi)存位置以及設計強化學習智能體實施方案。不過，該平臺依然存在一項棘手問題，那就是經(jīng)訓練的智能體存在 farm 獎勵現(xiàn)象，也就是專注于游戲得分，因此忽略了真正的隱藏任務，是它下一階段需要取得突破的地方。

英偉達的 Isaac

英偉達傾力打造的終極機器人 AI 虛擬訓練環(huán)境，與 Habitat 平臺性質(zhì)更接近，然而發(fā)布至今響應者寥寥。該平臺充分利用英偉達在物理引擎上的造詣，旨在打造一個遵從物理定律的「alternate universe」（替代空間），除了時間，該虛擬訓練空間將完全遵從現(xiàn)實世界的物理定律。該平臺希望在模擬機中學習過的機器人，就能達到貌似在現(xiàn)實世界中預訓練過的水平。在時間上，機器人 AI 將以多重「分身」在 Isaac 中進行訓練，每輪訓練中最聰明的那一個，將進入下一輪分配給每個智能體；再從中選出表現(xiàn)最好的那一個進入下一輪，取代上一輪的所有智能體——如此往復，以訓練出最聰明的機器人 AI。

via https://aihabitat.org/?fbclid=IwAR2nzCWxWuOy2klH7dnCKbTZ940F4UjKNwPGAT8CYViMHKWLkAKXDbK4M5c

雷鋒網(wǎng) AI 科技評論 雷鋒網(wǎng)

雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。