演化多目标神经网络控制机器人群
本文研究了机器人群体控制器的设计,并探索了一种进化方法来缓解人类开发者对控制器细节和群体行为之间联系的困难。使用微分进化来发展神经网络控制器,实现机器人遵循环境特征的梯度并解决任务。研究表明,进化所得解决方案在控制较差的情况下具有最大的灵活性,而有一个群体规模的 “甜蜜点”,同时观察到群体的集体运动,展示了真正的新兴行为,这是进化过程中未被代表和选择的。
Mar, 2022
本研究主要探讨了如何应用基于观察专家演示的控制器学习算法,训练出端到端的神经网络,用于解决协作多智能体系统中的分布式控制问题,实验结果表明,使用通信策略可以有效提高分布式模型的性能。
Feb, 2023
本论文提出了一种新的多目标优化方法,用于在实际应用中演进最先进的卷积神经网络,以自动演进 Pareto 前沿的非支配解,并使用多个 GPU 和机器并行运行并发实验,实验结果表明所提出的算法可以找到清晰的 Pareto 前沿。
Mar, 2019
本文提出了一种基于均场控制的智能机器人群体行为设计框架,结合碰撞避免和均场控制学习,通过单智能体分布控制实现多智能体分布控制,实现分布式开环应用并避免碰撞,并在理论和实践上对其进行了有效性验证。
Sep, 2022
本论文针对多移动机器人的分布式编队控制提出了一种提高现实可行性的新方法,首先采用变结构和级联设计技术引入分布式估计器,消除了对导数信息的需求以提高实时性能,然后采用仿生神经动力学方法开发了一种运动学跟踪控制方法,旨在提供平滑的控制输入并有效解决速度跳跃问题,此外还提出了一种基于学习的鲁棒动态控制器,以解决在完全未知动力学和干扰下操作的机器人的挑战,该控制器在实时参数估计的同时保持了其对干扰的鲁棒性,并通过严密的数学分析证明了所提方法的整体稳定性,最后,多个综合仿真研究表明了所提方法的优势和有效性。
Mar, 2024
本文提出了一种新的多目标导向算法 MoreMNAS(Multi-Objective Reinforced Evolution in Mobile Neural Architecture Search),通过结合 EA 和 RL 的优点,将 NSGA-II 遗传算法与自然突变过程相混合,使得神经模型搜索过程中不仅能够避免模型退化,还能更好地利用已学习的知识,并在超分辨领域 SR 中进行实验,获得比某些现有技术更少的 FLOPS 令人瞩目的模型。
Jan, 2019
提出了一种新的受鱼群启发的自适应方法,用于群体逃生的群体机器人,通过吸引和排斥力结合生成无碰撞逃生机器人轨迹的生物启发式神经网络。模拟和实验结果表明,与鱼类逃避机动类似,该群体机器人能够集体离开威胁,所提出的方法在系统性能的效果和效率以及复杂环境中的灵活性和鲁棒性方面能够显著提高。
Feb, 2024
研究探索了利用分散的机器人系统在无限制的环境中实现环境特征平均值的共识,以及在平均值处理时网络拓扑结构、精度误差等因素的因果关系,并提出了一个有效的控制算法,并展示了其在机器人群实验中的效果和应用前景。
Feb, 2023