特点

• 用一个非常浅层的网络结构，实现了自动驾驶的功能。
• 网络结构中的神经元是借鉴了仿生学生物的细胞结构，起名字叫LTC，有比价复杂的传到公式。
• 网络结构是端到端的输入形式，输入是摄像头拍摄的路面情况，输出是控制方向盘的动作。
• 模型可解释性比较好，可以通过观测每一个神经元输出情况，来观测模型的整个学习状况。
• command层网络，使用了rnn序列网络的思想，可以短期记忆之前的网络状态，做到一定的稳定性。
• 模型贡献是在证明了，在端到端的自动复杂任务中，不用使用比较复杂的模型，也能够达到很好的效果，并且在解释性上更强。

模型结构

• 模型结构中最大的特点是，经过设计的神经元，xi(t)是一个比较复杂的公式，代表这个神经元的输出。
• 模型总体的结构是，模型第一层sensory感知层，是一个多层CNN网络。
• 第二层inter-neuron是一个稀疏的神经元网络层。
• 第三层command层，是一层带有自连接的rnn网络。
• 最后一层motor输出最终的指令。

RNN的作用

• 让模型的鲁棒性更强，可以有效的对抗噪音
• 对历史的场景有短期的记忆
• 对近期的场景有更优先的选择学习的能力

效果

• 在有噪音的情况下，NCP出错了更低
• 和没加入噪音之前对比，使用自定义的ssim计算预测之间的相似度，发现NCP算法加入噪音后，受到的影响最小。
• 操作的流畅度也是ncp更好

可解释性

• 主要从三个方面进行可解释性分析：cnn卷积层成像解释，全局动力分析，神经元层分析。
• cnn感知输入层，ncp模型中，倾向于学习路的水平方向，这正是我们想要的。
• 全局动力分析，通过pca主要成分分解，ncp模型中侧pc1可以和目标对应，说明预测效果更好。
• 从神经元方面分析，也能够很好的说明ncp模型学习路况操作效果更好。

原理方面

• 主要是对全连接网络结构进行了改造，当前神经元的输入要和之前神经元的各种状态以及触手链接相关。