在目前研究自动驾驶汽车的热潮中，有研究人员研发了一种在线迁移学习技术，用于自动驾驶汽车 [224] 。这项技术在自学习方面把迁移学习和有机计算相结合。来自现有领域的先验知识被迁移到新领域以生成新模型，然后基于有机计算的自学习能力不断地重新建立模型。在线迁移学习有助于改进迁移学习算法，因为一般的迁移学习中，预测器一次只能观察到某一些特征，而结合了有机计算的在线迁移学习的优势在于它可以根据新数据的到达，不断地进化更新模型。
有机计算形成了一种可以相互合作并随着时间的推移而发展的整体。在这样的系统中，每个单独的单元可以是自主的，但是当从整体来看时，它们可以被视为自组织实体。有机计算系统会动态响应环境的变化，并且还具有足够的自由度。如果将连接自动驾驶汽车视为一种自组织行为时，有机计算方法的应用及其优势就很明显。
在考虑未来的自动驾驶汽车时，预计路面车辆将相互连接并相互通信以优化行驶时间。整个系统可以被看作是一种群体，每个车辆在特定时间具有不同的功能，即从 A 点到 B 点行进。当考虑这样的群体时，它需要基于来自各个组件的输入动态地自我组织。这个群体不仅被看作各个元素的总和。假设某个路径上交通繁忙，其他车辆应该重新选择路径。有机计算将整个自动驾驶汽车网络作为自组织机制。
有机计算的另一个应用是自学习。一旦自主车辆学习了新技能或经验，该知识就可以迁移到其他车辆。当自主车辆面临诸如不熟悉地形之类的全新任务时，可以针对该特定任务迁移来自类似情况的知识，然后在使用有机计算时进行改进。例如，尝试在复杂的交叉路口进行导航，其中车辆以不同的速度和密度行进。
迁移学习和有机计算可以帮助车辆学习和吸收知识，并将现有知识用到不同任务中。由于采用了有机计算，自学习和自组织可以在自动驾驶汽车领域得到应用，把自主计算带入自主驾驶中去，使自动驾驶汽车的运行更具效率。
（本章节完结）
正在加载...