在自然世界中，导航是一种适应性推理的壮举，生物体在面对嘈杂和不完整的感官信息时，仍能保持目标导向的行为。自由能原理（FEP）是这一能力的核心，它认为感知是一个生成过程，脑部通过最小化变分自由能（VFE）来维持对世界的准确内部模型。尽管深度神经网络（DNN）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。
我们提出了FEP-Nav，这是一种受生物启发的实时感知适应框架，旨在实现强大的视觉导航。FEP-Nav的设计动机源于将VFE分解为预测误差和贝叶斯惊讶，结合了顶层解码器（提供未损坏感官输入的内部期望）和自适应归一化（将偏移的特征分布调整至先前统计）。我们将重构和归一化解释为在推理过程中减少与VFE相关的相应项的近似机制，而无需基于梯度的更新。
在模拟和现实世界的视觉干扰实验中，FEP-Nav恢复了在视觉干扰下损失的性能，超越了非适应基线和强适应方法。这些结果表明，变分原理可以为在降级感官条件下提供稳健的自主行为设计视角。
博主点评： FEP-Nav框架展示了生物启发的算法在复杂环境下的潜力，尤其是在处理感官干扰时的实时适应能力。通过结合预测误差和贝叶斯惊讶，FEP-Nav为深度学习系统的自适应性提供了新的视角，值得在未来的研究中进一步探索。它可能为自主系统的设计提供了重要的启示。