据外媒报道，来自拉德堡德大学（Radboud University）、奥斯丁大学（University of Austin）、加州大学伯克利分校（University of California, Berkeley）和埃因霍温科技大学（Eindhoven University of Technology）的研究人员找到了一种应对不确定性的新方法，可以帮助AI（如自动驾驶汽车）更快找到更安全的决策选项。
（图片来源：https://techxplore.com）
研究人员将此种方法称作“不确定部分可观察马尔可夫决策过程”（uncertain partially observable Markov decision processes ，或uPOMDPs）。这些是真实世界模型，用于估算事件发生的概率。例如，自动驾驶汽车在驾驶时会面临许多未知的情况，为了验证自动驾驶汽车的AI，需要进行大量的计算，以分析AI如何应对各种情况。研究人员认为，利用他们的新方法，这些建模练习可以变得更加接近现实，从而使AI更快地做出更好、更安全的决策。
此前，POMDPs已用于模拟和建模多种情形，可以帮助预测流行病传播，以及计算航空和宇宙飞船如何避碰等。研究人员Nils Jansen表示，“我们知道，这些模型非常擅长提供真实世界的真实捕捉。然而，由于使用它们需要极高的处理能力，因此在实际应用中的应用仍然有限。而我们的新方法能使我们考虑所有计算和理论信息，并能在现实世界中更加一致、定期地运用。”
研究人员通过四个步骤来提供有效的解决方案。首先，将问题描述为具有无穷多个约束的非凸优化问题。其次，通过专用对偶方案生成仍是非凸的，但具有有限多个约束的对偶问题。然后，将这一对偶问题线性化。最后，求解这一有限线性规划，从而得到原有问题的局部最优解。与现有方法相比，这一求解问题公式远远小于现有方法生成的公式。此外，研究人员还通过飞行器避碰场景和新型航天器运动规划案例研究，来验证该算法的适用性。
研究团队的突破之处在于其模型考虑了现实世界的不确定性。Jansen表示，“例如，目前的模型可能只会告诉你，自动驾驶汽车有80%的可能性是完全安全的，但还不清楚剩下的20%可能会发生什么，以及风险类型。这可能是一种不清晰、模糊的风险，而有了这种新方法，系统就可以对可能出现的问题给出更详细的解释，并在计算时考虑这些因素。对用户而言，这意味着能知道更多可能出错的具体例子，并做出更好、更充分的调整，从而避免这些风险。”
虽然此前也有其他研究人员考虑过uPOMPDPs所采用的方法，但仅限于特定的有限情形和思维实验。Jansen解释称，“这是我们首次将先前的理论思维实验转化为实际可行的方法。这是一个独特、困难的问题，但得益于跨学科方法，我们才能够取得真正的突破。”