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據輸入的液體神經網絡。

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

“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境中訓練和在完全不同的環境中部署而無需額外訓練時出現的問題奠定了基礎，”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，周圍環境截然不同，甚至在城市環境中執行各種任務，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境。

在他們的研究中，該團隊發現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中的一個關鍵弱點。許多機器學習系統都在努力捕捉因果關系，經常過度擬合他們的訓練數據并且無法適應新環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尤其普遍，例如需要穿越各種環境并對障礙物做出即時響應的無人機。

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

在一系列四旋翼閉環控制實驗中，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、物體之間的三角環路和動態目標跟蹤。無人機能夠跟蹤移動目標并在全新環境中執行對象之間的多步循環。

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

審核編輯黃宇