新型神經網絡可提高自動駕駛可靠性

幾天前，據外媒報道，麻省理工學院的研究人員表明，當一個特定的神經網絡被訓練來執行導航任務時，它可以理解任務的真正因果結構。這項研究可以提高實現高風險機器學習代理的可靠性和可信度，例如在繁忙的高速公路上駕駛自動駕駛汽車。

據報道，這種神經網絡可以直接從視覺數據中理解這一任務，在樹木茂密或天氣條件變化迅速的地方等復雜環境中導航時，比其他神經網絡更高效。這項新的研究利用了Hasani等人先前的研究，他們展示了一個由液體神經網絡細胞構建的大腦啟發的深度學習系統——神經回路策略，如何通過只有19個控制神經元的網絡自動控制自動駕駛汽車。

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關注道路的地平線和邊界，這與人類駕駛汽車的情況相同，而所研究的其他神經網絡不會總是關注道路。他們發現，當一個網絡控制程序被訓練完成一項任務時，神經網絡學會了與環境互動并理解干預行為。本質上，網絡可以識別其輸出是否被某種干預所改變，然后連接因果。

在訓練過程中，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將因果關系聯系在向前和向后的操作模式中，從而使網絡能夠專注于真正的因果結構。

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。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。