對于自動駕駛汽車而言，也許有一種更好的學習駕駛的方法——觀察人類。澳大利亞迪肯大學的研究人員發現，借助改進的視覺校正系統，自動駕駛汽車可以通過觀察人類操作員來學習。
該團隊實施模仿學習，即從演示中學習。駕駛員駕駛一輛配備三個攝像頭的汽車，從車輛前方和兩側觀察周圍的環境。然后，通過神經網絡(基于大腦神經元如何交互處理信息的計算機系統)處理這些數據。此種方法使得車輛能夠根據觀察人類做出類似決策，并根據從中所學來做出決策。迪肯大學副校長Saeid Nahavandi解釋說，“該過程期望僅從攝像頭拍攝的圖像生成一個模型，以用于自動駕駛汽車。”
該處理系統具體來說是一個卷積神經網絡，反映在大腦的視覺皮層上。該網絡有一個輸入層、一個輸出層和兩者之間的若干處理層。輸入過程將視覺信息轉換成點。隨后，隨著更多的視覺信息輸入，這些點被不斷地被比較。通過減少視覺信息，該網絡可以快速處理環境中的變化。例如，前方出現移動的點可能意味著道路上出現了障礙。結合通過觀察人類操作員所獲得的知識，這意味著該算法知道道路上突然的障礙物應觸發車輛完全停止，以避免發生事故。Nahavandi表示，“擁有可靠且強大的視覺是自動駕駛汽車的強制性要求，而卷積神經網絡是圖像處理應用中最成功的深度神經網絡之一。”
不過，Nahavandi也指出了一些不足之處。一是雖然模仿學習加快了訓練過程，但是同時減少了創建優良模型所需的訓練數據量。相比之下，卷積神經網絡需要大量的訓練數據來找到最優的卷積層和濾波器配置，而這有助于組織數據，并生成合適的模型。
Nahavandi還表示，“我們發現增加濾波器的數量并不一定會產生更好的性能。網絡和訓練流程參數的最優選擇仍然是一個未解決的問題，全球研究人員都在積極研究。”接下來，研究人員計劃研究更智能、更高效的技術，包括遺傳和進化算法，以獲得最佳參數集，從而更好地打造自我學習、自動駕駛的汽車。
