看透不确定性：一种用于鲁棒视觉导航中实时感知适应的自由能方法

在自然世界中导航是一项自适应推理的壮举，生物体尽管面临嘈杂且不完整的感官信息流，仍能保持目标导向的行为。这种能力的核心是自由能原理（FEP），该原理认为感知是一个生成过程，大脑通过最小化变分自由能（VFE）来维持对世界的准确内部模型。虽然深度神经网络（DNN）一直作为生物大脑的强大类比，但它们通常缺乏处理突发感官变化所需的实时可塑性。我们引入了 FEP-Nav，这是一个受生物学启发的框架，用于鲁棒视觉导航的实时感知适应。通过将 VFE 分解为其构成组件——预测误差和贝叶斯惊奇——我们提出了一种双机制架构：一个提供未损坏感官输入内部期望的自上而下解码器，以及一个动态地将偏移特征分布与先验信念对齐的自适应归一化机制。在理论上，我们证明了这种重构与归一化的整合提供了一种在推理期间最小化 VFE 的正式机制，而无需基于梯度的更新。在多种模拟和真实世界视觉损坏场景下的评估表明，FEP-Nav 促进了导航性能的显著恢复，始终超越非自适应基线和强自适应方法的能力。我们表明，将机器学习与大脑的变分原理相结合为自主行为提供了一种鲁棒的策略，使机器人能够在通常会降低标准自适应模型性能的感官条件下保持功能。