طراحی وب سایت حرفه ای

در شبیه سازی, حرکت روبات از طریق محیط های جدید توسط کاوش رعایت و طراحی از تجارب آموخته انجام‌‌ می‌پذیرد.

وقتی یک جمعیت برای رسیدن به هدف نهایی حرکت‌‌ می‌کنند برخی از انسان‌ها معمولا با خیال راحت بدون فکر کردن بیش از حد حرکت‌‌ می‌کنند. آنها‌‌ می‌توانند از رفتار دیگران و بدون توجه به هر گونه موانع به سمت هدف حرکت کنند. روبات ها، از سوی دیگر مبارزه با مفاهیمی ناوبری را انجام‌‌ می‌دهند.

محققان ام آی تی به کمک ربات حرکت محیط های بیشتر مانند انسانها را ابداع کردند. مدل برنامه ریزی حرکت اجازه‌‌ می‌دهد که ربات تعیین کند چگونگی رسیدن به هدف توسط کاوش در محیط زیست رعایت عوامل دیگر و بهره برداری از آنچه آنها قبل از در موقعیت های مشابه آموخته ام. مقاله توصیف مدل در کنفرانس بین المللی IEEE/RSJ این هفته در ربات های هوشمند و سیستم های (IROS) ارائه شده است.

محبوب برنامه ریزی حرکت الگوریتم درخت تصمیم ممکن است که شاخه تا آن راه خوبی برای ناوبری‌‌ می‌یابد ایجاد کنید. یک ربات است که نیاز به حرکت یک اتاق برای رسیدن به درب به عنوان مثال، خواهد شد سپس اجرای بهترین مسیر به درب با توجه به محدودیت های مختلف و ایجاد درخت جستجوی گام به گام حرکات ممکن است. یک اشکال است با این حال، این الگوریتم های یادگیری به ندرت: ربات‌‌ نمی‌تواند به اهرم اطلاعات در مورد نحوه عمل آنها و یا عوامل دیگر قبلا در محیط های مشابه.

تا زمانی که ربات‌ها پیدا کردن یک راه خوب برای حرکت درست مثل زمانی که بازی شطرنج، این تصمیمات شعبه. اما بر خلاف بازیکنان شطرنج روبات‌ها کشف آنچه به نظر‌‌ می‌رسد آینده بدون یادگیری زیادی در مورد محیط زیست خود را و دیگر عوامل مانند‌‌ می‌گوید شرکت نویسنده آندره Barbu محقق در دانشگاه فنی ماساچوست علم کامپیوتر و هوش مصنوعی آزمایشگاهی (CSAIL) و مرکز مغز و ذهن و ماشین آلات (CBMM) در دانشگاه فنی ماساچوست McGovern موسسه. هزارم آنها از طریق جمعیت همان پیچیده اولین بار هم. آنها همیشه کاوش، به ندرت مشاهده، و هرگز با استفاده از آنچه در گذشته اتفاق افتاده است.

محققان توسعه یک مدل است که ترکیبی از الگوریتم برنامه ریزی با شبکه های عصبی است که با یادگیری به رسمیت شناختن راه است که‌‌ می‌تواند منجر به بهترین نتیجه و استفاده‌‌ می‌کند که دانش به راهنمای ربات حرکت در محیط.

در مقاله خود عمیق مدل ترتیبی برای برنامه ریزی مبتنی بر روش محققان نشان دادن مزایای استفاده از مدل خود را در تنظیمات دو: مرور چالش اتاق با تله و معابر تنگ و مرور مناطق در حالی که اجتناب از برخورد با عوامل دیگر. برنامه دنیای واقعی امیدوار کننده مستقل اتومبیل حرکت تقاطع ها، جایی که آنها باید سرعت ارزیابی آنچه دیگران انجام دهد قبل از ادغام به ترافیک کمک می. محققان در حال حاضر دنبال چنین برنامه های کاربردی از طریق مرکز تحقیقات مشترک تویوتا CSAIL.

می گوید: هنگامی که انسان را با جهان ارتباط برقرار کردن، ما جسم ما با قبل از تعامل داشتم یا هستند بنابراین ما‌‌ می‌دانیم چگونه ما در حال رفتن به عمل، در برخی از مکان ما را به قبل از، شده است را مشاهده کنید ین لینگ Kuo، دانشجوی دکترای در CSAIL و نفر اول در مقاله. ایده پشت این کار را برای اضافه کردن به فضای جستجو مدل یادگیری ماشینی است که از تجربه های گذشته‌‌ می‌داند که چگونه به برنامه ریزی کارآمد تر است.

بوریس Katz دانشمند اصلی تحقیقات و رئیس گروه InfoLab در CSAIL، شرکت نویسنده روی کاغذ هم.

تجارت کردن اکتشاف و بهره برداری.

برنامه ریزان حرکت سنتی کشف محیط به سرعت در حال گسترش درخت تصمیم گیری است که در نهایت کل فضای پتو. ربات و سپس به نظر‌‌ می‌رسد در درخت پیدا کردن راهی برای رسیدن به هدف مانند درب. مدل مورد، با این حال، ارائه‌‌ می‌دهد tradeoff بین کاوش در جهان و بهره برداری از گذشته دانش،‌‌ می‌گوید بروم؟

فرایند یادگیری را با چند مثال شروع‌‌ می‌شود. ربات با استفاده از مدل در چند روش برای حرکت مشابه محیط های آموزش دیده است. شبکه عصبی یاد‌‌ می‌گیرد که چه چیزی باعث این نمونه موفق توسط تفسیر محیط اطراف ربات مانند شکل دیوار و اقدامات دیگر عوامل و امکانات اهداف. به طور خلاصه مدل هنگامی که شما گیر در یک محیط و راهرو‌‌ می‌بینید آن احتمالا ایده خوبی برای رفتن از طریق درب به بیرون است که یاد‌‌ می‌گیرد، Barbu‌‌ می‌گوید.

مدل ترکیبی رفتار اکتشاف از روش های قبلی با این اطلاعات آموخته. برنامه ریز زمینه‌ای به نام انجمن * توسعه یافته توسط استادان دانشگاه MIT قرامان Sertac و Emilio Frazzoli. (این نوع از به طور گسترده‌ای استفاده‌‌ می‌شود برنامه ریزی حرکت الگوریتم معروف به سرعت در حال کاوش درختان تصادفی یا انجمن است. ) در حالی که شبکه های عصبی هر مرحله آینه و باعث‌‌ می‌شود پیش بینی احتمالاتی در مورد که در آن ربات را باید بروید بعد ریز ایجاد درخت جستجو. هنگامی که شبکه را پیش بینی‌‌ می‌کند با اعتماد به نفس بالا، بر اساس اطلاعات آموخته آن ربات در مسیر جدید هدایت. اگر شبکه اعتماد به نفس بالا را نداشته باشند، امکان‌‌ می‌دهد تا ربات کشف محیط زیست در عوض، مانند برنامه ریز سنتی.

به عنوان مثال، محققان نشان داد مدل در شبیه سازی معروف به اشکال دام، که در آن ربات 2 بعدی باید فرار از اتاق داخلی از طریق کانال های باریک مرکزی و رسیدن به موقعیت در اطراف اتاق بزرگتر. متحدان کور در دو طرف کانال روبات گیر‌‌ می‌توانید. در این شبیه سازی ربات در چند نمونه از چگونه به فرار از تله اشکال مختلف آموزش داده شد. هنگام مواجهه با تله جدید، ویژگی های دام، فرار، به رسمیت‌‌ می‌شناسد و همچنان در حال جستجو برای هدف خود را در اتاق بزرگتر. شبکه عصبی کمک‌‌ می‌کند تا ربات یافتن خروج به دام، شناسایی مرده به پایان‌‌ می‌رسد و پس از آن‌‌ می‌تواند به سرعت پیدا کردن هدف ربات حس محیط اطراف خود را‌‌ می‌دهد.

یافته‌ها در مقاله به براساس شانس است که مسیر پس از مدتی طول کل مسیر هدف داده شده و چگونه سازگار بودند راه یافت. در شبیه سازی های هر دو مدل مورد سریع تر مسیر مراتب کوتاه تر و مداوم از برنامه ریز سنتی رسم.

کار با عوامل متعدد.

در یک آزمایش محققان آموزش و آزمایش مدل در محیط های مرور با عوامل متعدد حرکت که test مفید برای اتومبیل های مستقل، به خصوص مرور در تقاطع‌ها و باغات. در شبیه سازی, عوامل مختلفی هستند مانع چرخش. عامل ربات باید با موفقیت حرکت در اطراف عوامل دیگر، جلوگیری از برخورد و رسیدن به محل هدف مانند خروج در میدان.

شرایط از آنجا که نیاز به استدلال درباره چگونه دیگران را به اعمال شما پاسخ مانند باغات سخت، چگونه شما سپس به آنان چه کار بعدی، و به همین ترتیب، پاسخ‌‌ می‌دهد Barbu‌‌ می‌گوید:. شما نهایت زیرا بعدا آن منجر به حادثه به احتمال زیاد اولین اقدام شما اشتباه است، کشف شد. این مشکل نمایی بدتر بیشتر اتومبیل شما باید با ادعا‌‌ می‌شود.

نتایج نشان‌‌ می‌دهد که مدل مورد‌‌ می‌توانید اطلاعات کافی در مورد رفتار آینده از دیگر عوامل (اتومبیل) برای قطع این روند در اوایل, در حالی که هنوز خوب تصمیم گیری های در ناوبری ضبط. این باعث‌‌ می‌شود برنامه ریزی کارآمد تر. علاوه بر این, آنها تنها مورد نیاز برای قطار مدل در چند نمونه از باغات با تنها چند اتومبیل. برنامه ریزی روبات‌ها به حساب آورد که هر انسانی چه اتومبیل های دیگر،‌‌ می‌رویم به را،‌‌ می‌گوید: Barbu.

رفتن را از طریق تقاطع‌ها یا باغات یکی از چالش برانگیز ترین حالات رو به اتومبیل های مستقل است. این کار ممکن است یک روز اجازه ماشین یادگیری چگونه رفتار انسان و چگونگی انطباق با رانندگان در محیط های مختلف، به گفته محققان. این تمرکز کار تویوتا CSAIL مرکز تحقیقات مشترک است.

البته همان شیوه رفتار، اما مردم بسیار کلیشه‌ای است. افرادی که خجالتی هستند, افرادی که تهاجمی وجود دارد. مدل که به سرعت به رسمیت‌‌ می‌شناسد و به همین دلیل است که آن‌‌ می‌توانید برنامه ریزی کارآمد,‌‌ می‌گوید Barbu.

اخیرا محققان این کار به روبات با کنترل‌ها که چالشهای دلهره به همین صورت رسیدن به برای اشیاء در حال تغییر بوده‌اند استفاده محیط های.

لطفاً در مورد مطلب فوق ستاره بدهید :