29、大型神经场中多感官整合的进化

大型神经场中多感官整合的进化

1. 引言

动物利用不同的感官能力来对环境做出适当反应，这些感官包括视觉、听觉、触觉、嗅觉、味觉和电觉等。研究人员通常关注以下问题：不同模态的感知如何被视为一个单一实体？如果不同模态的输入存在冲突会发生什么？自上而下的影响（注意力）如何影响整合过程？

我们特别关注多感官整合的进化方面。多感官整合的优势可能包括提高感知的空间准确性、提高分类准确性以及最小化与不同感知形式相关的成本。本研究的目的是引入一些需要多感官整合才能解决的易于理解的任务，验证人工神经网络是否可以进化以解决这些任务，并大致了解这些网络是如何做到的。

在进化机器人学的背景下，研究不同模态输入的整合已经有一段时间了。与早期研究的一个重要区别是，在此期间进化神经网络的技术有了显著进展。以前，通常只使用几个接触或距离传感器。如果有相机输入，通常会对其进行预处理以降低维度。现在，可以进化非常大的神经网络，这些网络不仅可以从几个传感器获取输入，还可以从整个传感器阵列（如相机）获取输入。这里用于神经进化的 NEAT - fields 方法特别适合这些任务，因为它不仅进化单个神经元之间的连接性，还进化完整神经场之间的连接性。

2. 方法

2.1 NEAT - fields 方法

2.1.1 神经网络

NEAT - fields 基于著名的 NEAT 方法，该方法同时进化神经网络的拓扑结构和连接权重。NEAT - fields 网络具有三个层次的架构：
- 最高层 ：网络由多个场组成，这些场的连接方式就像 NEAT 网络中的单个神经元一样。
-