麻省理工学院的研究人员展示了自主无人机导航的新进展，使用基于大脑液态神经网络的技术，在超出分布范围的情况下表现出色
在广阔无垠的天空中，曾经由鸟类统治的领域中，一批新的飞行员正在腾飞。这些空中的先驱者并非是生物，而是刻意创新的产物：无人机。但这些并非像机械蜜蜂一样嗡嗡作响的普通飞行机器人，而是受到鸟类启发的奇迹，它们通过液态神经网络的指导，在不断变化和未知的环境中精准而轻松地导航。
受有机脑的适应性启发，麻省理工学院计算机科学和人工智能实验室（CSAIL）的研究人员引入了一种方法，使得具有鲁棒性的飞行导航智能体能够在复杂而不熟悉的环境中掌握基于视觉的飞向目标任务。这些可以不断适应新数据输入的液态神经网络表现出在像森林、城市景观和噪声、旋转和遮挡等未知领域做出可靠决策的能力。这些适应性模型在导航任务中表现优于许多最先进的对手，可以实现潜在的现实世界无人机应用，如搜救、递送和野生动物监测。
研究人员最近在《Science Robotics》上发表的研究详细介绍了这种新型智能体如何适应重大分布转移，这是该领域长期以来的挑战。然而，团队的新型机器学习算法从无序的高维数据中捕捉任务的因果结构，例如来自无人机安装的相机的像素输入。这些网络可以提取任务的关键方面（即理解手头的任务）并忽略无关的特征，使得所获得的导航技能可以在新的环境中无缝地转移目标。
“我们对我们的基于学习的控制方法为机器人带来的巨大潜力感到兴奋，因为它为解决在一个环境中进行培训并在完全不同的环境中进行部署而不需要额外培训时出现的问题奠定了基础，”麻省理工学院电气工程和计算机科学的安德鲁（1956）和厄尔娜维特比教授，以及CSAIL主任Daniela Rus说道。“我们的实验表明，我们可以有效地教导无人机在夏季的森林中定位一个物体，然后在冬季部署该模型，在完全不同的环境中，甚至在城市环境中，完成各种任务，如寻找和跟踪。这种适应性是由我们解决方案的因果基础所实现的。这些灵活的算法有一天可能在基于随时间变化的数据流做出决策的应用中发挥作用，例如医学诊断和自动驾驶应用。”
一个令人生畏的挑战是：当飞行无人机飞往未标记的物体时，机器学习系统是否能够从数据中理解所给定的任务？他们是否能够将所学习的技能和任务转移到风景急剧变化的新环境中，例如从森林飞往城市景观？此外，与我们生物大脑的卓越能力不同，深度学习系统往往难以捕捉因果关系，经常过度拟合其训练数据并无法适应新环境或变化条件。这对于资源有限的嵌入式系统（如空中无人机）尤其令人担忧，这些系统需要穿越各种环境并立即应对障碍。
相比之下，液态神经网络提供了有希望的初步迹象，显示出它们解决深度学习系统这一重要弱点的能力。该团队的系统首先在由人类飞行员收集的数据上进行训练，以查看它们如何在风景和条件发生急剧变化的新环境下转移所学的导航技能。与传统的神经网络不同，液态神经网络的参数可以随时间变化，使它们不仅可解释，而且更具抗干扰性和适应性。
在一系列四旋翼闭环控制实验中，无人机经历了范围测试、应力测试、目标旋转和遮挡、与敌对者的徒步旅行、两个物体之间的三角形循环以及动态目标跟踪。他们追踪移动目标，并在以前未见过的环境中在物体之间执行多步循环，超过了其他前沿对手的表现。
该团队认为，从有限的专家数据中学习并理解给定任务的能力，同时在新环境中进行泛化，可以使自主无人机部署更加高效、成本效益和可靠。他们指出，液态神经网络可以实现用于环境监测、包裹递送、自动驾驶汽车和机器人助手的自主空中移动无人机。
“我们工作中展示的实验设置测试了各种深度学习系统在受控和简单的情况下的推理能力，”麻省理工学院CSAIL研究联盟Ramin Hasani说。“在自主导航应用程序中，AI系统在更复杂的推理挑战方面仍有许多研究和开发的空间，这些挑战必须在我们可以安全地将它们部署到我们的社会之前进行测试。”
“在机器学习和自主机器人系统中，强大的学习和性能在分配任务和场景方面是必须克服的关键问题。” 伦敦帝国理工学院计算系的AI安全教授Alessio Lomuscio说。“在这种情况下，麻省理工学院作者开发的一种新型类脑神经网络——液态神经网络——在这项研究中表现出色。如果这些结果在其他实验中得到证实，这里开发的范例将有助于使AI和机器人系统更加可靠、强大和高效。”
显然，天空不再是界限，而是无限可能的广阔游乐场。
Hasani、博士生Makram Chahine、Patrick Kao ’22、MEng ’22和博士生Aaron Ray SM ’21与Ryan Shubert ’20、MEng ’22、MIT博士后Mathias Lechner和Alexander Amini以及Rus共同撰写了这篇论文。
此研究得到Schmidt Futures、美国空军研究实验室、美国空军人工智能加速器和波音公司的部分支持。