最近，来自奥地利科技学院（IST Austria）、维也纳工业大学（TU Wien）和麻省理工学院（MIT）的研究者成功训练了一种全新的人工智能系统来控制自动驾驶汽车。该方法受线虫等小型动物大脑的启发，仅用数十个神经元即 ...
|
文章链接：https://doi.org/10.1038/s42256-020-00237-3 背景 众所周知，当数据量足够多时，深度监督模型会被训练得很好，但目前的深度学习仍存在泛化性能不好和训练效率不高的问题，研究人员一直在寻求构建智能模型的新方法。当前人们探求的方向总是更深的网络，但这意味着更高的算力消耗。因此正如人们所思考的那样，必须寻找一种需要更少数据或更少神经网络层的方法，让机器实现智能化。 自动驾驶汽车是当前机器学习研究者和工程师们正在探索的最复杂任务之一。它覆盖很多方面，而且要求必须高度稳定，只有这样我们才能保证自动驾驶汽车在道路上安全运行。通常，自动驾驶算法的训练需要大量真实人类驾车的训练数据，我们试图让深度神经网络理解这些数据，并复现人类遇到这些情况时的反应。 摘要 在高风险的决策应用中，人工智能的一个核心目标是设计一个单一的算法，通过学习世界的一致表示和动态的可解释解释，同时表达归纳性。在这里，我们结合大脑启发的神经计算原理和可扩展的深度学习架构来设计紧凑的神经控制器，用于全栈自动驾驶车辆控制系统的特定任务区域。我们发现，一个拥有19个控制神经元的单一算法，通过253个突触将32个封装的输入特征与输出连接起来，就能学会将高维输入映射成指令。与数量级的大型黑箱学习系统相比，该系统表现出了优越的通用性、可解释性和鲁棒性。所获得的神经代理使复杂自主系统中特定任务的部分能够实现高保真自主。 A central goal of artificial intelligence in high-stakes decision-making applications is to design a single algorithm that simultaneously expresses generalizability by learning coherent representations of their world and interpretable explanations of its dynamics. Here, we combine brain-inspired neural computation principles and scalable deep learning architectures to design compact neural controllers for task-specific compartments of a full-stack autonomous vehicle control system. We discover that a single algorithm with 19 control neurons, connecting 32 encapsulated input features to outputs by 253 synapses, learns to map high-dimensional inputs into steering commands. This system shows superior generalizability, interpretability and robustness compared with orders-of-magnitude larger black-box learning systems. The obtained neural agents enable high-fidelity autonomy for task-specific parts of a complex autonomous system. |
让创业更简单