麻省理工學院計算機科學與人工智能實驗室(CSAIL)的研究人員介紹了一種方法，使無人機能夠在復雜和陌生的環(huán)境中掌握基于視覺的飛向目標任務。該團隊使用了不斷適應新數(shù)據輸入的液體神經網絡。

麻省理工學院CSAIL的團隊發(fā)現(xiàn)，液體神經網絡在未知領域（如森林、城市景觀和增加噪聲、旋轉和遮擋的環(huán)境）中做出可靠決策方面表現(xiàn)出色。這些網絡在導航任務中的表現(xiàn)甚至優(yōu)于許多最先進的網絡，該團隊希望它能夠實現(xiàn)潛在的現(xiàn)實世界無人機應用，如搜索和救援、交付和野生動物監(jiān)測。

“我們對學習的機器人的控制方法感到興奮，因為它為解決在一個環(huán)境中訓練和在完全不同的環(huán)境中部署而無需額外訓練時出現(xiàn)的問題奠定了基礎，”CSAIL主任Daniela Rus麻省理工學院電氣工程和計算機科學教授 Andrew(1956)和Erna Viterbi說。“我們的實驗表明，我們可以有效地教無人機在夏季定位森林中的物體，然后在冬季部署該模型，周圍環(huán)境截然不同，甚至在城市環(huán)境中執(zhí)行各種任務，例如尋找和跟隨。我們的解決方案使這種適應性成為可能?！边@些靈活的算法有一天可以幫助隨時間變化的數(shù)據流做出決策，該團隊的新型機器學習算法從高維、非結構化數(shù)據中捕捉任務。

例如來自無人機攝像頭的像素輸入，然后，液態(tài)神經網絡提取任務的關鍵方面并忽略不相關的特征，從而使獲得的導航技能能夠將目標無縫轉移到新環(huán)境。

在他們的研究中，該團隊發(fā)現(xiàn)液體網絡提供了有希望的初步跡象，表明它們有能力解決深度機器學習系統(tǒng)中的一個關鍵弱點。許多機器學習系統(tǒng)都在努力捕捉因果關系，經常過度擬合他們的訓練數(shù)據并且無法適應新環(huán)境或不斷變化的條件。這些問題對于資源有限的嵌入式系統(tǒng)尤其普遍，例如需要穿越各種環(huán)境并對障礙物做出即時響應的無人機。

該系統(tǒng)首先接受了人類飛行員收集的數(shù)據的訓練，以了解它如何在風景和條件發(fā)生劇烈變化的情況下將學到的導航技能轉移到新環(huán)境中。傳統(tǒng)的神經網絡只在訓練階段學習，而液體神經網絡的參數(shù)可以隨時間變化。這使它們對意外或嘈雜的數(shù)據具有可解釋性和彈性。

在一系列四旋翼閉環(huán)控制實驗中，MIT CSAIL的無人機經歷了距離測試、壓力測試、目標旋轉和遮擋、與對手的徒步旅行、物體之間的三角環(huán)路和動態(tài)目標跟蹤。無人機能夠跟蹤移動目標并在全新環(huán)境中執(zhí)行對象之間的多步循環(huán)。

麻省理工學院CSAIL的團隊希望無人機能夠從有限的專家數(shù)據中學習并理解給定任務，同時泛化到新環(huán)境，從而使自主無人機的部署更加高效、更具成本效益和可靠。液態(tài)神經網絡還可以使自主空中機動無人機成為環(huán)境監(jiān)測器、包裹遞送員、自動駕駛汽車和機器人助手。

審核編輯黃宇