蓋世汽車訊 神經網絡可以學習解決各種各樣的問題，如識別照片中的貓、駕駛自動駕駛汽車等。但是人們還是不知道此類強大的模式識別算法是否真的理解其正在執行的任務。例如，一個神經網絡的任務是讓自動駕駛汽車保持在自己的車道上，其可以通過觀察路邊的灌木叢來學習如何做到這一點，而不是學習探測車道以及專注于道路地平線。

神經網絡學習導航任務的因果結構（圖片來源：MIT）

據外媒報道，美國麻省理工學院（MIT）的研究人員展示了當某種特定的神經網絡被訓練執行導航任務時，其能夠理解該項任務真正的因果結構。因此此類神經網絡能夠直接從視覺數據理解該任務，當在樹木密集或天氣條件變化迅速的地方等復雜環境中導航時，此類神經網絡比其他神經網絡更高效。

未來，該項研究能夠提升執行高風險的機器學習代理的可靠性和可信度，如在繁忙高速公路上駕駛自動駕駛汽車。

一種吸引人注意的結果

神經網絡是一種進行機器學習的方法，計算機通過分析許多訓練實例以及反復試驗來學習完成任務，而“液體”神經網絡則改變其基礎方程，以不斷適應新的輸入信息。

該項新研究利用了此前Hasani和其他人的研究，后者展示了一種由液體神經網絡細胞構建的、受大腦啟發的深度學習系統-神經回路策略（Neural Circuit Policy，NCP），如何通過只有19個控制神經元的網絡自動控制一輛自動駕駛汽車。

研究人員觀察到，執行車道保持任務的NPC在做出駕駛決策時，會將注意力集中在道路的地平線和邊界上，這與人類駕駛汽車時的做法相同，而所研究的其他神經網絡并不會總會關注于道路。

他們發現，當一個NCP在接受完成一個任務的訓練時，該神經網絡學會與環境互動，并理解干預行為。從本質上看，該網絡能夠識別其輸出是否被某種干預所改變，然后將因果聯系在一起。

在訓練過程中，該網絡向前運行以生成輸出，然后返回運行以糾正錯誤。研究人員觀察到，NPC會在前向運行和后向運行模式中將因果關系關聯起來，從而可以使該網絡能夠將注意力集中在真正的因果結構上。

Hasani及其同事無需對系統施加其他額外限制，也不需要為NCP進行特殊設置以學習此種因果關系——會在訓練期間自動出現。

風化環境變化

研究人員通過一系列模擬測試NCP，在模擬場景中，無人機執行導航任務，每一架無人機采用單個攝像頭的輸入信息進行導航。

該無人機的任務是飛行一個特定目標，追隨一個移動的目標，或者在不同環境中跟隨一系列標記，如晴朗的天空、大雨以及霧。

研究人員發現，在天氣好的情況下，NPC在較簡單任務上的表現與其他神經網絡一樣好，但在更具挑戰性的任務上，如在暴雨中跟隨移動的物體時，NPC的表現要好于其他神經網絡。

研究結果顯示，采用NCP能夠讓無人機在條件變幻莫測的環境中成功導航，例如陽光明媚的天氣突然變得霧蒙蒙時。

未來，研究人員希望探索采用NCP來構建更大的系統。將成千上萬的神經網絡連接在一起，從而讓其處理更復雜的任務。

返回第一電動網首頁 >