理想 NPN 先验网络(二):
• 离线地图更新,实时云端对齐
对于某个新的感知结果,是否需要被实时更新到云端离线地图中去?
这个问题其实也没有这么简单。
因为不论何时,新感知的结果与离线地图都是有一定差异的,如何规定学习新的感知结果和忘记旧的信息规则也是一件不容易的事情。
在理想的这个方案里,依然使用了隐式学习的方式去规定,并使用了一种 Gated Recurrent Unit(GRU)门控循环单元变体结构完成,这样也保证网络的长时记忆能力。
简单来说,规定一个忘记比例,一个更新比例,这两个都是一个小的神经网络单元,输入都是实时感知的结果和离线地图查询结果,让神经网络自行学习两个比例。
最后再将这两个比例与实时感知结果和离线查询结果进行操作,最后得出新的离线地图更新。
这里再次呼应了上文中提到的隐式表达概念,隐式决定如何更新地图。
实际上也就是,让神经网络知道,往什么方向去更新地图才是对的,而不是规则化这个任务。