这便是麻省理工学院打算机科学与人工智能实验室（CSAIL）的研究职员开拓的“空中卫士”系统。
当代翱翔员须要应对来自多个监视器的大量信息，尤其是在关键时候，“空中卫士”可以充当主动的副驾驶；这是人类与机器之间的互助关系，其根本在于理解把稳力。

但它究竟是如何确定把稳力的呢？对人类来说，它利用眼动跟踪，而对神经系统来说，它依赖于一种叫作“突出图”的观点，它能精确定位把稳力的方向。
这些舆图可以作为视觉指南，突出显示图像中的关键区域，帮助节制和解读繁芜算法的行为。
“空中卫士”通过这些把稳力标记识别潜在风险的早期迹象，而不是像传统的自动驾驶系统那样，只在涌现安全漏洞时才进行干预。

该系统的广泛影响超出了航空领域。
有朝一日，类似的互助掌握机制可能会用于汽车、无人机和更广泛的机器人领域。

麻省理工学院打算机科学与人工智能实验室博士后Lianhao Yin是有关“空中卫士”的新论文的第一作者，他说：“我们的方法有一个令人愉快的特点，那便是它的可区分性。
我们的互助层和全体端到端过程都可以演习。
我们特殊选择了因果连续深度神经网络模型，由于它在映射把稳力方面具有动态特性。
另一个独特之处在于适应性。
‘空中卫士’系统并不去世板，它可以根据实际情形进行调度，确保人机之间的平衡互助。
”

实地测试和结果

在实地测试中，翱翔员和系统在导航到目标航点时都根据相同的原始图像做出了决定。
“空中卫士”的成功是根据翱翔过程中得到的累积褒奖和到达航点的较短路径来衡量的。
监护系统降落了翱翔的风险水平，提高了导航到目标点的成功率。

麻省理工学院CSAIL研究机构成员、液态神经网络发明人拉明·哈桑尼（Ramin Hasani）补充说：“该系统代表了以人为本的人工智能航空创新方法。
我们利用液态神经网络供应了一种动态、自适应的方法，确保人工智能不会仅仅取代人类的判断，而是对人类判断的补充，从而提高天空中的安全性和协作性。
”

技能根本与未来展望

“空中卫士”的真正上风在于其根本技能。
它采取基于优化的互助层，利用人类和机器的视觉把稳力，以及以善于破译因果关系而有名的液态闭式连续韶光神经网络（CfC），剖析传入的图像以获取主要信息。
作为补充，VisualBackProp算法可识别系统在图像中的焦点，确保清晰理解其把稳力争谱。

要想在未来得到广泛运用，还须要完善人机界面。
反馈信息表明，一个指示器（如条形图）可能会更直不雅观地显示监护系统何时开始掌握。

“空中卫士”预示着一个更加安全的天空新时期的到来，它为人类把稳力动摇的时候供应了一个可靠的安全网。

麻省理工学院电气工程与打算机科学教授、CSAIL主任、论文资深作者丹妮拉·鲁斯（Daniela Rus）说：“‘空中卫士’系统突出了人类专长与机器学习之间的协同浸染，进一步实现了在具有寻衅性的场景中利用机器学习增强翱翔员能力并减少操作失落误的目标。
”

哈佛大学打算机科学助理教授斯蒂芬妮·吉尔（Stephanie Gil）说：“在这项事情中利用视觉把稳力指标的最有趣的成果之一，便是有可能让人类翱翔员更早地进行干预，并提高可阐明性。
这展示了一个很好的例子，解释如何利用人工智能与人类互助，通过利用人类与人工智能系统之间的自然互换机制，降落实现信赖的门槛。
”