在曾经是鸟类主宰的广阔天空，一批新的飞行员正在飞翔。这些空中先驱并不是有生命的生物，而是深思熟虑的创新产物:无人机。但这些不是典型的飞行机器人，像机械蜜蜂一样嗡嗡作响。相反，它们是受鸟类启发的奇迹，在液体神经网络的引导下，在不断变化和看不见的环境中精确而轻松地翱翔天际。

受有机大脑适应性的启发，麻省理工学院计算机科学与人工智能实验室(CSAIL)的研究人员介绍了一种强大的飞行导航代理方法，可以在复杂、陌生的环境中掌握基于视觉的飞向目标任务。液体神经网络可以不断地适应新的数据输入，在未知领域，如森林、城市景观和具有附加噪声、旋转和遮挡的环境中，显示出做出可靠决策的能力。这些适应性强的模型在导航任务中表现优于许多最先进的同类模型，可以实现潜在的现实世界无人机应用，如搜索和救援、送货和野生动物监测。

研究人员最近的研究发表在《科学机器人》杂志上，详细介绍了这种新型代理如何适应重大的分布变化，这是该领域长期存在的挑战。然而，该团队的新型机器学习算法可以从高维非结构化数据中捕获任务的因果结构，例如来自无人机安装的摄像头的像素输入。然后，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，从而使获得的导航技能无缝地将目标转移到新环境中。

“我们对基于学习的机器人控制方法的巨大潜力感到兴奋，因为它为解决在一个环境中训练和在完全不同的环境中部署而无需额外训练时出现的问题奠定了基础，”CSAIL主任，麻省理工学院电气工程和计算机科学的Andrew和Erna Viterbi教授说。

“我们的实验表明，我们可以在夏天有效地教无人机在森林中定位物体，然后在冬天部署模型，在截然不同的环境中，甚至在城市环境中，执行各种任务，如寻找和跟踪。我们的解决方案的因果基础使这种适应性成为可能。这些灵活的算法有一天可以帮助人们根据随时间变化的数据流做出决策，比如医疗诊断和自动驾驶应用。”

一个令人生畏的挑战摆在了最前沿：当无人机飞行到一个未标记的物体时，机器学习系统是否理解从数据中赋予它们的任务？而且，他们是否能够将他们所学到的技能和任务转移到风景发生巨大变化的新环境中，比如从森林飞到城市景观?

此外，与我们生物大脑的卓越能力不同，深度学习系统难以捕捉因果关系，经常过度拟合训练数据，无法适应新环境或不断变化的条件，这对于资源有限的嵌入式系统(如空中无人机)来说尤其麻烦，因为它们需要穿越各种环境并立即对障碍物做出反应。

视频链接：https://youtu.be/RPFbk6D_dNw

相比之下，液体网络提供了有希望的初步迹象，表明它们有能力解决深度学习系统中的这一关键弱点。该团队的系统首先根据一名人类飞行员收集的数据进行训练，以观察他们如何在风景和条件发生剧烈变化的新环境中转移所学的导航技能。与只在训练阶段学习的传统神经网络不同，液体神经网络的参数可以随着时间的推移而改变，这不仅使它们具有可解释性，而且对意外数据或噪声数据更具弹性。

在一系列四旋翼闭环控制实验中，无人机进行了距离测试、压力测试、目标旋转和遮挡、与对手徒步旅行、物体之间的三角环和动态目标跟踪。他们跟踪移动目标，并在从未见过的环境中在物体之间执行多步循环，超越了其他尖端同行的表现。

该团队认为，从有限的专家数据中学习和理解给定任务的能力，同时将其推广到新环境中，可以使自主无人机部署更高效、更经济、更可靠。他们指出，液体神经网络可以使自主空中移动无人机用于环境监测、包裹递送、自动驾驶汽车和机器人助手。

麻省理工学院CSAIL研究成员Ramin Hasani说：“我们的工作中提出的实验装置测试了各种深度学习系统在受控和直接场景下的推理能力。在自主导航应用中，人工智能系统在更复杂的推理挑战方面的未来研究和开发仍有很大的空间，在我们将其安全地部署到我们的社会之前，必须对其进行测试。”

伦敦帝国理工学院计算机系人工智能安全教授Alessio Lomuscio表示：“在非分布任务和场景中的强大学习和性能是机器学习和自主机器人系统必须克服的一些关键问题，以便在社会关键应用中取得进一步进展。”

“在这种情况下，麻省理工学院的作者在这项研究中报告的液体神经网络(一种由大脑启发的新型范例)的表现非常出色。如果这些结果在其他实验中得到证实，那么这里开发的范式将有助于使人工智能和机器人系统更加可靠、健壮和高效。”

显然，天空不再是极限，而是一个巨大的游乐场，为这些空中奇迹提供了无限的可能性。

参考链接：https://techxplore.com/news/2023-04-drones-unseen-environments-liquid-neural.html