协作机器人学机器学习-与非网.PDFVIP

Brian Bairstow 16.412 Problem Set #1 A 部分: 协作机器人学 在协作机器人学中，一组机器人具有相同的任务目标，所以他们相互协作可 以高效的完成这些任务。他们可以同时分别工作于任务的不同方面，或者结合各 自的努力来完成个体所不能完成的任务。如果问题简单，或者环境信息充足，那 么每个机器人可以推断其他协作机器人的行为，从而决定其自身的行为。尽管如 此，情况往往不是如上所述，所以需要机器人间相互协调。 机器学习 机器学习是模式识别和模式推断所必须的方法。这一点对机器人学很重要， 因为当前机器人的“人工智能”通常体现在针对不同环境的一组指令集。尽管如 此，如果具备了优良的机器学习算法，可以想象机器人最终可以对未知事物进行 自学习。相比一组明确的指令行为，这种可以形成“人工智能”的学习能力更有 意义。 神经网络 神经网络由传输数据的网路互联结点组成。因为结点间的连接权值可动态改 变来调节神经网络的输出，所以该结构擅长于学习。通过训练数据对神经网络进 行训练直到网络输出与期望输出相匹配。神经网络的一个用处是对复杂模型的参 数近似，所以能快速得出低精度结果。 D 部分： 非结构环境下协作机器人基于任务导向的成像。 Vivek A. Sujan http://www.ee.iitb.ac.in/~icvgip/PAPERS/115.pdf 这篇文章涵盖了任务机器人的视觉感知策略。问题是如何放置传感器来看到 某些目标。该过程往往存在或多或少的误差，这依赖于传感器的灵敏度。多机器 人共享信息使得优化摄像机布局问题更有趣。传感器融合用来融合数据和区域， 这些区域往往只对单个机器人不可见而对其他协作机器人可见。传感器融合的目 的之一是使用多传感器构建三维几何模型。 论文随后描述了优化摄像机位姿的算法同时综合考虑场地深度，目标解析和可见 性等因素，并实现了对算法的仿真。 论文针对在相同区域协作的多月球车提出了有益的话题。对协作机器人进行规划 的考虑之一是有效结合各自的传感器数据。例如，当走过复杂地形时，利用静止 的月球车所观测的信息去确定移动月球车的周围环境是很有帮助的。这篇文章不 适用于方案规划问题，如在复杂地形区域如何分配各月球车的问题，除非月球车 之间能很好的工作。 使用协作机器人进行爆炸品排除 James McLurkin 这篇论文讨论了使用协作机器人进行未爆炸物清除技术。通常该任务发生在 非约束未知环境，火星探测就是其中一例。物品清除对自动协作机器人是一个非 常实用的领域。由于雷区中大量的地雷，要快速的找到它们，会使用多机器人， 所以机器人间的协作会使寻找更有效。论文使用了“基于行为的方法从简单个体 局部交互形成一个结构化的群体”。这些行为包括聚集和分散，用以产生机器人 群体，该群体具有要求的密度分布。论文使用微型机器人进行实验来分析行为的 适用性。 该方法适用于火星表面探测，论文讨论了这一应用中如何使用多机器人对地 面进行覆盖，这是对协作技术的一个很好的检验。该策论对于火星探测来说可能 太简单，所以作者提出了冗余处理方法从而保证地雷被找到。在火星探测中，冗 余信息是无用的，因为虽然你可能找到错过的感兴趣目标，但是覆盖全新的土地 会更好。 论文关联了成像论文以外的不同领域，即如何移动月球车间的相对位置来找 到目标，而成像论文对找到目标后设置火星车间的相对位置更感兴趣。 协作机器人场景理解 Declan O’Beirne, Michael Schukat http://corrib.it.nuigalway.ie/ResearchDay2004/infotech/O_BeirneDeclan.pdf 这篇论文结合了协作地图构建和物体识别，目标是一组机器人通过使用环境中的 物体作为路标来构建复杂的环境。地图构建中协作的好处包括：并发性，可靠性 和准确性。高的准确性来源于多机器人从不同视角观测同一物体，这提供了更准 确的位置估计并改善了传感器误差。同时机器人能从不同视角观察同一物体从而 得到更好的三维数据。三维数据被用来产生二维图像进而进行物体识别。 该话题与第一篇成像论文很相似，考虑了机器人间和物体的相对位置。论文 的焦点在于使用视觉物体识别方法进行地图构建。正如成像论文，它提出了使用