《ALVINN：神经网络中的自主陆地车辆》

要解决的问题

ALVINN 是 Autonomous Land Vehicle In a Neural Network 的缩写，即「神经网络中的自主陆地车辆」。它处理的 task 是道路跟随（road following）：车辆看着传感器传来的信息，判断该往哪个方向走，才能继续留在路上。这句描述背后藏着一个不太好办的工程问题——怎么把一幅道路图像变成一个转向决定。如果这个映射要靠人手工写死，那就得事先规定好每一种道路外观该怎么处理；而让网络从样例中自己学出这个映射，就绕开了这件事。

怎么做的

ALVINN 是一个为道路跟随任务设计的三层反向传播（back-propagation）网络^[1]。它的输入是摄像头图像和激光测距仪（laser range finder）图像，输出则是车辆为跟随道路应当行驶的方向^[1]。视觉与测距两路信息进入同一个网络，出来的不是贴在场景上的标签，而是给车辆的动作指令。

训练使用的是模拟的道路图像^[1]。用模拟的理由很实际：学习需要大量样例，而每个样例都要有已知的正确答案。在模拟中可以成批生成道路场景，同时给出车辆在每个场景里应当采取的方向，网络于是有了可供对照的目标。

学习过程本身是反向传播。网络对输入图像给出一个输出，把这个输出与它本应给出的方向相比较，差值成为一个误差，误差沿各层往回传，连接权重则朝着让误差变小的方向做小幅调整。在大量图像上重复这一过程，网络的输出就会逐渐靠近正确的方向。整个过程没有告诉网络「路」是什么，它最终采用什么样的内部表示，是降低训练图像误差的副产品。

结果

论文摘要报告了在卡内基梅隆大学自主导航测试车上的成功测试，表明网络在一定野外条件下能够有效地跟随真实道路^[1]。这句话里有两处细节值得留意。训练数据是模拟图像，而测试是在真实车辆上做的，所以这里报告的结果，是把在模拟场景上训练出来的网络用到真实传感器输入上的结果。同时这个说法是有限定的：网络是在一定的野外条件下跟随真实道路，而不是在所有条件下都可以。

学到什么，取决于训练条件

论文还指出了一件不那么直观的事：网络为完成任务而形成的表示，在不同条件下训练时会呈现出显著差异^[1]。相同的结构、相同的任务、相同的学习规则，可能因为训练时所处条件不同，收敛到相当不同的内部组织方式。论文把这一差异作为一种可能性提出：也许可以由此构造出一种新的自适应自主导航系统，能够按照当下的条件调整自己的处理方式^[1]。换句话说，如果训练条件塑造了网络学到的东西，那么沿着这条思路，原理上有可能做出一个随所处条件调整处理的系统。论文提出的是这种可能性，而不是一个已经造出来的系统。

发表在哪里，为什么重要

这篇论文由 Dean A. Pomerleau 撰写，发表于 Advances in Neural Information Processing Systems 1，即由 D. Touretzky 编辑的 NIPS 1988 年卷^[1]。它的重要性在于演示的形态，而不在某个具体数字：一个小规模的分层网络，用样例训练，把原始传感器读数吃进来、把动作吐出去，并在真实车辆上做了测试。驾驶在这里被当作一个学习问题，而不是一条手工编写的数据处理流水线；而对野外条件的那句限定，也标出了当时实际展示出来的东西的边界。