声波空化气泡的位置控制与强化学习
本文通过强化学习控制噪声抑制算法参数,从而提升算法的鲁棒性和整体性能,实验结果显示相较于无适应性的算法有着显著的42%和16%的输出SNR和MSE改进。
Nov, 2017
该研究介绍通过气动非抓取性操纵(吹气)来有效地将散乱的物体移动到目标容器。研究通过基于深度强化学习的空间动作地图框架实现了高水平的规划和低水平的闭环控制的有效组合。结果表明,吹气比推动等方法更有效,也证明了在低水平微观控制和高水平规划等不同子策略之间存在专业化的合作。在实际机器人上,该系统的仿真训练策略成功地转移到了实际环境,并可以泛化到新颖物体上。
Apr, 2022
利用强化学习控制策略,将声学力学用于微型机器人的导航,通过第二辐射力及微泡聚集优势,成功地实现了微泡在微流体环境下的自主声学导航,为制造具备计算智能并能在非结构化环境中独立导航的智能微纳机器人提供了基础支持。
Sep, 2022
介绍了一个用于研究有源变形材料设计控制声波的环境,并开发了一种基于深度神经网络的机器学习方法,可以有效地学习声波的动态。该方法可预测和控制散射波能量,在声学中解决了最小化总散射能量的重要问题。
Nov, 2023
最近,深度强化学习在流体控制问题上的应用不断增加,引发了一个新的研究领域,专注于将现有算法与数值流体动力学环境的控制相结合和适应。本文提出了Beacon,一个开源基准库,其中包含有七个轻量级的一维和二维流体控制问题,具有各种特征,行动和观测空间,以及CPU需求。我们在本文中描述了这七个问题,并提供了参考的控制解决方案。
Feb, 2024
通过使用视觉和声音传感器数据,我们提出了一种新的任务——主动声学采样,其通过移动代理在实时环境中建立环境声学模型和占据地图,以及确定最佳声学数据采样位置,从而以最少的声学样本得到高质量的环境声学模型。我们通过基于环境声学模型中的信息增益的新型强化学习奖励来训练我们的策略,在来自先进声学模拟平台的多样未知室内环境上评估,发现ActiveRIR优于传统导航代理、基于空间新颖性和视觉探索的方法以及现有最先进的方法。
Apr, 2024
通过开发和比较一种新的物理知情强化学习策略,我们研究了维持颗粒与其被从被动运动中推动的近邻保持接近的所需游动努力。该策略采用了将神经网络参数化的评论家替换为一个解析导出的物理启发式函数(物理学家)的Actor-Physicist算法,并与解析计算的最优预设控制策略和标准物理不可知的Actor-Critic类型算法进行了比较。
Jun, 2024