为了让机器人获得更加通用的能力,抓取是机器人必要掌握的技能.针对目前大多数机器人抓取决策方法存在物品特征理解浅显,缺乏抓取先验知识,导致任务兼容性较差的问题,同时受大脑中分区分块功能结构的启发,提出了将物品感知、先验知识和抓取任务融合的认知决策模型.该模型包含卷积感知网络、记忆图网络和贝叶斯决策网络三部分,分别实现了物品能供性(affordance)提取、抓取先验知识推理和联想,以及信息融合编码决策,三部分之间的信息流以语义向量的形式传递.利用UMD part affordance数据集、该文构建的抓取常识图和决策数据集对3个网络分别进行训练,认知决策模型的测试准确率达到99.8%,并且抓取位置可视化结果展示了决策的正确性.该模型还能判断物品是否属于当前任务场景,以决策是否抓取以及选择什么部位抓取物品,有助于提高机器人实际场景的应用能力.
复杂工业过程因涉及多种物理/化学反应,其质量指标或环保指标等难测参数的精确数学模型难以构建.常用的基于神经网络的数据驱动建模方法存在可解释性差、样本需求量大等缺点.针对上述问题,提出了一种非神经网络模式的深度集成森林回归(deep ensemble forest regression,DEFR)建模方法.首先,基于样本空间和特征空间的随机采样策略获得训练子集后构建T个基于决策树(decision trees,DT)的子森林模型,将采用K最近邻(K-nearest neighbor,KNN)准则选取的层回归向量与原始特征组合获得的增强层回归向量作为输入层森林模型的输出;然后,采用相同方式构建包含若干预设层数的中间层森林模型;最后,基于上层增强层回归向量构建输出层的子森林模型,通过对其T个输出值的加权获得DEFR模型的预测值.采用加州大学欧文分校(University of California Irvine,UCI)平台混凝土抗压强度数据和城市固废焚烧过程的二口恶英排放质量浓度数据仿真验证了所提方法的有效性.
为了实现城市污水处理过程各性能指标的优化运行,提出了一种动态分解多目标粒子群优化控制(optimal control based on dynamic decomposed multiobjective particle swarm optimization, OC-DDMOPSO)策略.首先,构建了基于自适应核函数...
详细信息
为了实现城市污水处理过程各性能指标的优化运行,提出了一种动态分解多目标粒子群优化控制(optimal control based on dynamic decomposed multiobjective particle swarm optimization, OC-DDMOPSO)策略.首先,构建了基于自适应核函数的运行性能指标模型,确定了优化运行目标.其次,设计了基于档案库动态分解的多目标粒子群优化算法,实时获取操作变量的优化设定值.最后,利用预测控制策略跟踪优化设定值,完成了城市污水处理过程优化控制.将提出的OC-DDMOPSO应用于基准仿真平台BSM1,实验结果显示,OC-DDMOPSO能够实现城市污水处理过程稳定运行,保证出水水质达标排放和降低运行成本.
暂无评论