Table | Card | RUSMARC | |
Allowed Actions: –
Action 'Read' will be available if you login or access site from another network
Action 'Download' will be available if you login or access site from another network
Group: Anonymous Network: Internet |
Annotation
В этой диссертации представлены системы для обучения отображению восприятия-действия для промышленных роботизированных систем с визуальным вводом. Обсуждается ряд вопросов, таких как автономное вождение со зрением, обратная кинематика манипулятора и динамическое управление системой. Представлены операционные системы, демонстрирующие решения этих проблем. Изучаются два разных подхода к предоставлению обучающих данных. Демонстрационное обучение (обучение с учителем) и исследовательское обучение (самостоятельное обучение). Представлен новый метод обучения, отвечающий заявленным требованиям. Метод qHebb основан на ассоциативном исследовании Хебба данных в представлении канала. Свойства метода демонстрируются на автономном транспортном средстве на основе технического зрения, где система учится напрямую соотносить характеристики изображения низкого уровня с управляющими сигналами. После начального периода обучения система постоянно работает автономно. При количественной оценке предлагаемый метод онлайн-обучения сопоставим с современными пакетными методами обучения.
This thes is presents systems for teaching perception-action mapping for Industrial robotic systems with visual input. A number of issues are discussed, such as vision autonomous driving, inverse kinematics of a robotic arm, and dynamic system control. Operating systems demonstrating solutions to these problems are presented. Two different approaches to providing training data are being explored. Demonstration training (supervised learning) and exploratory learning (self-directed learning). A new teaching method that meets the stated requirements presented. The qHebb method is based on Hebb's associative study of data in a channel view. The properties of the method are demonstrated in a vision-based autonomous vehicle, where the system learns directly to correlate low-level image characteristics with control signals. After the initial training period, the system continuously operates autonomously. When quantified, the proposed online learning method is comparable to a modern package teaching methods.
Document access rights
Network | User group | Action | ||||
---|---|---|---|---|---|---|
ILC SPbPU Local Network | All | |||||
Internet | Authorized users SPbPU | |||||
Internet | Anonymous |
Usage statistics
Access count: 5
Last 30 days: 1 Detailed usage statistics |