- 提供配置文件
机器人有固定型态(结构自组织迄今不考虑),由2个人工神经网络组成,1个控件网络和2个认知网络,即:理解机器人对控件的反应关键点是两个网络学习自监督 由完全领域不变的客观函数驱动 完全依赖机器人传感器值
产品组合
自组织生物世界
-
-
- 自组织是我们世界最引人注目的现象连进化都可被视为自然在人类约束下实现自我组织之道,永恒为求资源而战其结果演化是一个递增过程,以解决方案建立后建立机器人可免去这些扼杀约束代之以它们潜在的永生和无能量约束然后,我们的问题是如何组织自我组织 在这样一个世界为每个机器人开通 个人开端开发之道
机器人有固定型态(结构自组织迄今不考虑),由2个人工神经网络组成,1个控件网络和2个认知网络,即:理解机器人对控件的反应关键点是两个网络学习自监督 由完全领域不变的客观函数驱动 完全依赖机器人传感器值目标主要是使机器人敏感化,使传感器值小变异诱导运动值大变异,产生更大的感知响应等这会驱动机器人向超活性混乱行为通向完全混乱之道既受机器人物理本身(irtia,交叉关系.)的制衡,也受混乱机制理解度下降的制衡解决这些冲突效果的方法 机器人开发出一种自探索 体能或多或少取笑方式 并趋势开发
并称homeokinesis原理, 可转换成可靠、极强算法, 规范神经网络自建和控制器的参数动态视频来自模拟环境以及现实世界实验
信息复杂度
复杂性度量直接关系到自主机器人领域,既作为一种行为分类方式,又作为机器人行为自组织自主开发的客观函数。在最近的论文和演示中,我们认为传感器空间预测信息是衡量两轮机器人链行为复杂性的尺度,两轮机器人由闭路反应控制器对每个机器人进行被动并发控制单个机器人传感器值预测信息(近似时间步中相互信息)被发现对控制器有清晰最大值,控制器认识到机器人自发合作,以便链条整体开发给定环境的探索行为视频中机器人由控制器驱动,控制器视当前轮速度xi为传感器输入并生成运动值
Y(i) = tanh(C[i,1]x(1)+C[i,2]x(2)
方向盘索引没有其他传感器像报告碰撞或测量机器人间联动力链中每个机器人都有一个控制器并带同组参数机器人链行为以敏感方式依赖单个控制器参数C[i,j]粗略地说,参数定义了感知元环路中一种石化回馈强度如果回馈环绕临界值,控制器对扰动反应非常敏感,干扰由链路中的其他机器人在轮速率上产生,这样轮速率同步就有可能实现下方视频显示行为 与不同值预测信息 前后最大值
为了解析行为与预测信息之间的关系,我们从经验学上注意到,如果两种行为都丰富(高敏度,探索传感器值空间),但不会太混乱或随机,未来传感器值(下步这里)至少仍然可以预测度高
结论和展望
自组织控制方法可被视为向自主早期机器人开发迈出的一步,意指无偏机器人的假想
可能学习感知器自探索协调生成目的性动作防止内部模型失窃方法完全领域不变,新行为受身体和环境物理特性支配未来研究方向将定位行为和更高层次控制
软件类
页面上将找到软件 开发由我们组综合软件包称为lpzrobots并包含多项子项目最重要的是自大和ode-robots第一组框架执行控制器,框架中还包含家电控制器不同版本的实现ode_robots实战机器人模拟器两个项目大都由Georg Martius开发可独立获取全机或下载子项目(目前只有部分单机包可用)。方便安装,我们也为外部库提供预编译库和编译文件所有软件均在Linux下开发,很可能不会在别处编译多数代码均按GPL认证某些部件, 特别是控制器使用创用CC授权使用
lpzrobots项目编程C++
selforg:自组织行为控制器和小框架使用
gnuplot窗口坐标并允许开关通道或开关程序可按管道发送数据或从文件读取数据
ode_robots:3D机器人模拟器ODE(开放动态引擎)和OSG(OpenSceneGraph)使用模拟器不可用单机包,因为它无论如何需要所有其他模块
开德:ODE拷贝与模拟器(0.9)合作良好
-
