针对移动机器人环境认知问题,受老鼠海马体位置细胞在特定位置放电的启发,构建动态增减位置细胞认知地图模型(Dynamic growing and pruning place cells-based cognitive map model,DGP-PCCMM),使机器人在与环境交互的过程中自组织构建...
详细信息
针对移动机器人环境认知问题,受老鼠海马体位置细胞在特定位置放电的启发,构建动态增减位置细胞认知地图模型(Dynamic growing and pruning place cells-based cognitive map model,DGP-PCCMM),使机器人在与环境交互的过程中自组织构建认知地图,进行环境认知.初始时刻,认知地图由初始点处激活的位置细胞构成;随着与环境的交互,逐渐得到不同位置点处激活的位置细胞,并建立其之间的连接关系,实现认知地图的动态增长;如果机器人在已访问区域发现新的障碍物,利用动态缩减机制对认知地图进行更新.此外,提出一种位置细胞序列规划算法,该算法以所构建的认知地图作为输入,进行位置细胞序列规划,实现机器人导航.为验证模型的正确性和有效性,对Tolman的经典老鼠绕道实验进行再现.实验结果表明,本文模型能使机器人在与环境交互的过程中动态构建并更新认知地图,能初步完成对Tolman老鼠绕道实验的再现.此外,进行了与四叉树栅格地图、动态窗口法的对比实验和与其他认知地图模型的讨论分析.结果表明了本文方法在所构建地图的简洁性、完整性和对动态障碍适应性方面的优势.
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.
暂无评论