内容概要：通过通过对人脑认知的研究，将生物神经与数学建模相结合，提出了一种新的自主调节发育网络(AMDN)，并将其作为智能体的大脑，通过将决策计算模型与网络融合在了一起，网络不断的认知新的环境信息，同时由于层与层之间的信息交互以及新的神经元节点的插入，网络可以不断的去改进自己的决策，使自身可以很快的在环境中找到合适的路径，整个过程为全自主，省去了人工制作大量训练样本的工作量。为了提高智能体对新环境的适应性，增加了off-task 过程，在这个过程中，智能体通过门限自组织机制来控制神经元的激活，模拟人脑情景回忆的现象，对发生越近且次数越多的事情，暴露量越大，被回忆到的概率增加，通过转移认知，大脑可以对类似的事物有更多的认识，从而提高人工构建的智能体对环境的识别和决策能力。
适用人群：热衷于研究人工智能的科技爱好者或在校研究生，可作为毕设研究点。
2022-06-14 18:05:36
2.65MB
通过深度学习模型对室内楼道环境的视觉信息进行处理，帮助移动机器人在室内楼道环境下自主行走。为达到这个目的，将楼道环境对象分为路、门、窗户、消防栓、门把手和背景六类，通过图像的语义分割实现对象识别。在对楼道环境的六类对象进行分割的实验中发现，由于门把手比起其他对象小很多，影响了对它的识别效果；将六分类模型改为“5 2”分类模型，解决了这个问题。分类模型的基础是全卷积神经（FCN）网络，可以初步实现图像的分割。为了提高FCN网络的分割效果，从三个方面进行了实验研究：a）取出FCN网络的多个中间特征层，进行多层特征融合；b）考虑到移动机器人行走过程中视觉信息的时间序列特点，将递归神经网络（RNN）的结构纳入到FCN网络中，构成时间递归的t-LSTM网络；c）考虑到二维图像相邻像素之间的依赖关系，构成空间递归的s-LSTM网络。这些措施都有效地提高了图像的分割效果，实验结果表明，多层融合加s-LSTM的结构从分割效果和计算时间方面达到综合指标最佳。
2022-06-05 04:03:41
1.24MB
1
2013 年 3 月 15 日，MathWorks UK 举办了一场学生竞赛，参赛团队聚集在一起执行一组 4 项任务，最终比赛由乐高 MINDSTORMS NXT 机器人尽快导航一组航点。 此文件交换提交收集了 4 个初步任务以及示例模型，任何人都可以探索和了解适用于 Lego MINDSTORMS NXT 硬件的 Simulink 支持包的工作原理。
任务是：
任务 1：在模拟中和在机器人本身上旋转您的机器人。 比较结果以查看它们是否匹配。
任务 2：探索并尝试使用示例目标航路点模拟地板上的机器人，更改控制器参数以查看行为变化。 比较结果。
任务3：在真实机器人上运行与上一个任务相同的算法，并记录实时历史记录。 与之前的模拟进行比较。
任务 4：针对任意一组航点设计和模拟算法，探索算法以找到点之间的最短距离。
此示例将这个 Simulink 支持包用于 LEGO MINDS
2022-05-25 06:41:07
2.04MB
1
遗传导航旨在通过与自定义通用遗传算法协同开发的遗传算法 (GA) 方法来学习导航机器人控制器.
遗传导航旨在通过与自定义通用遗传算法协同开发的遗传算法 (GA) 方法来学习导航机器人控制器
遗传导航旨在通过与自定义通用遗传算法协同开发的遗传算法 (GA) 方法来学习导航机器人控制器
遗传导航旨在通过与自定义通用遗传算法协同开发的遗传算法 (GA) 方法来学习导航机器人控制器
遗传导航旨在通过与自定义通用遗传算法协同开发的遗传算法 (GA) 方法来学习导航机器人控制器
遗传导航旨在通过与自定义通用遗传算法协同开发的遗传算法 (GA) 方法来学习导航机器人控制器.
遗传导航旨在通过与自定义通用遗传算法协同开发的遗传算法 (GA) 方法来学习导航机器人控制器
遗传导航旨在通过与自定义通用遗传算法协同开发的遗传算法 (GA) 方法来学习导航机器人控制器
遗传导航旨在通过与自定义通用遗传算法协同开发的遗传算法 (GA) 方法来学习导航机器人控制器
遗传导航旨在通过与自定义通用遗传算法协同开发的遗传算法 (GA) 方法来学习导航机器人控制器
2022-05-11 09:04:50
13.61MB
凸优化matlab代码轨迹机器人导航
该存储库是Mahyar
Fazlyab等人撰写的论文《时变凸优化的预测-校正内点方法》的实现。
。
tl;
dr：下载任何文件夹（1.1、2.0、3.0）；
用MATLAB打开;
键入main（）以查看输出（图形）。
就像一个非常有名的标题所暗示的那样，本文继续建立了一个内点优化方法，该方法适用于目标函数和约束条件本质上是随时间变化的问题。
简而言之，所采用的方法结合了用于预测变化的二阶动力学知识和牛顿方法的一种版本，以校正轨迹并收敛于最优解。
因此，名称为“预测校正”。
然后，通过几个示例使用本文得出的优化方法，其中一个是机器人导航问题。
主要假设：
机器人是球形的，半径已知；
所有障碍物均为已知半径和坐标的球形；
两个障碍之间有足够的空间供机器人穿过；
机器人的初始位置没有任何障碍物。
实施的主要阶段：
v1.1-具有固定目标的2D工作区；
v2.0-具有时变目标的2D工作空间；
v3.0-具有随时间变化目标的3D工作区。
注意，第三步实现看起来很漂亮，但与第二步基本相同。
剧情图例：
x_c：初始机器人位置的质心
x_d：物镜的初始位置
蓝线
2022-04-28 16:55:23
176KB
1