您的位置: 主页 > 历史 > 史学理论 > 人工智能的一小步将是机器人技术的一次巨大飞跃吗?

人工智能的一小步将是机器人技术的一次巨大飞跃吗?

机器人学会使用人工智能自行行走。

发表于2019年4月24日

来源:ergoneon/朋友

你有没有想过机器人会变得像人一样?从字面上看,研究人员距离具有更多人类能力的机器更近了一步。来自南加州大学(USC)工程系(生物医学,电气,航空航天和机械),计算机科学,生物动力学和物理治疗的跨学科研究团队联手创建了一个可以自学走路的机器人。/p>

USMarjaninejad,DaríoUrbina-Meléndez,BrianA.Cohn和FranciscoJ.Valero-Cuevas的USC团队最近于2019年3月11日在NatureMachineIntelligence上发表了他们的研究结果。

研究人员创造了一种称为“G2P”的“生物学上合理的算法”(一般来说是特定的)。该算法创建于两个不同的阶段-学习和细化。

最初,在学习阶段,肌腱驱动机器人肢体经历电机bab呀声阶段,系统尝试随机控制序列并收集相关的运动学。。来自电机bab呀声的输入输出数据被馈送到多层感知器人工神经网络(ANN)来训练它。反过来,训练好的ANN基于系统的动力学产生初始输出-输入(逆)图。

从6D运动学到3D电机控制序列的逆映射的ANN具有三层和二十共有四个节点。输入层有六个节点,隐藏层有十五个节点,输出层有三个节点。

双曲正切S形传递函数用于从网络输入计算一个层的输出-井当速度优先于传递函数的精确形状时,适用于神经网络。缩放用于输内蒙足彩11选5出层。

使用Levenberg-Marquardt反向传播训练ANN。Levenberg-Marquardt算法用于解决最小二乘问题。这些算法是高斯-牛顿和梯度下降的组合:对于每次迭代,算法参数λ的值的大小确定使用哪个。Levenberg-Marquardt能够处理具有多个自由参数的模型,并且比独立的Gauss-Newton或梯度下降方法更快收敛。

使用Nguyen-Widrow初始化算法,其值包含一定程度的随机性用于确定人工神经网络的权重和偏差。

下一阶段完善了初始学习,包括两个部分-探索和收敛到高回报。随着时间的推移探索随机尝试将导致具有跑步机奖励的解决方案。然后,通过奖励来强化行为以改进逆映射。ANN的权重在尝试使系统从经验中学习之间进行调整。

结果是G2P算法能够学习如何自主推进跑步机-没有动态或闭环的明确建模错误传感。实际上,研究人员创造了从经验和实验中学习的机器人,而不是明确的指示或先前的模拟指导。

研究人员写道,他们的创作“可能会导致一类具有独特优势的机器人设计,多功能性和性能,“和”通过为解剖学上合理的肢体提供生物学和发展上可行的学习策略,为计算神经科学做出贡献。“

版权所有©2019CamiRosso保留所有权利。

参考文献

Marjaninejad,Ali,Urbina-Meléndez,Darío,Cohn,BrianA.,J。Valero-Cuevas,Francisco。“通过有限的经验在肌腱驱动的肢体中进行自主功能运动。”NatureMachineIntelligence。2019年3月11日。

转载请注明:“ 转载地址:http://www.datsugen.com/lishi/shixuelilun/201912/1255.html ”。

上一篇:睡眠配件,床上用品占据中心舞台
下一篇:没有了

您可能喜欢

5名运动员必备健身器材

5名运动员必备健身器材

不在我的回水中

不在我的回水中

拉斯维加斯亮点户外

拉斯维加斯亮点户外

回到顶部