The invention of ELM LRF neural network model is designed based on adaptive visual navigation for robot. The method of distribution (st, at, RT, st+1, Qt) the structure of data storage space; the robot motion is repeated in the selected environment, to obtain the required data structure, the data will be the same state by deleting the Q preprocessing the data of the small. And then to st as input and at as output of ELM LRF training, establish the relationship between state and the optimal action mapping. Finally, the robot's navigation ability is tested by whether the robot can find the target. The invention uses ELF method LRF model in the data space to improve the speed of robot navigation. Among them, ST is the current state, here for captured photos, at is the robot under St action (around RT, at movement) immediate return, st+1 is the state of the robot after at, Q for the long-term return, Qt value in the at after the total long-term returns execution state St.
【技术实现步骤摘要】
一种基于ELM-LRF的自适应视觉导航方法
本专利技术提供一种基于ELM-LRF(基于局部接收野的极限学习机)的自适应视觉导航方法,具体而言就是输入像素数据、输出决策(选择行走动作),直到找到想要的物体,停下。属于机器学习、神经网络算法、强化学习
技术介绍
视觉导航是在机器人上安装单目或双目照相机,获取环境中局部图像,实现自我位姿确定和路径识别,从而做出导航决策,与人类视觉反馈导航很类似。从输入图像到输出动作,机器学习是核心。随着计算机计算性能的不断提高和越来越多数据的产生,挖掘数据的价值为人们生活服务成为必然。在此趋势下,“大数据”和“人工智能”成为火热的名词,而机器学习又是其中的核心技术。机器学习主要包括监督学习、无监督学习和强化学习。监督学习最火热的当属深度学习,深度学习简单说就是多层的神经网络,给定数据和相应标签,给定一个优化目标,采用BP(误差反向传播ErrorBackPropagation)训练算法来训练神经网络。深度学习算法中最著名是卷积神经网络(CNN),CNN受启发于人类的视觉皮层,输入至隐藏层采用局部连接。极限学习机(ELM),可用于特征学习,聚类,回归和分类。传统观点认为神经网络的隐藏层神经元需要在训练阶段迭代调整,比如BP算法,涉及大量的梯度下降,容易陷入局部最优。ELM理论打破了这种信条,认为隐层神经元虽然很重要,但不需要迭代调整,解决了传统方法的缺陷[1.G.-B.Huang,Q.-Y.Zhu,andC.-K.Siew.Extremelearningmachine:Anewlearningschemeoffeedfor ...
【技术保护点】
一种基于ELM‑LRF的自适应视觉导航方法,其特征在于:步骤如下:(1)分配存储(st,at,rt,st+1,Qt)的空间;(st,at,rt,st+1,Qt)是结构体存储,st是当前状态,在这里为拍摄到的照片,at是在st下的动作,rt是at的即时回报,st+1是at后的状态,Qt值为在状态st下执行at后得到的总的长远回报;(2)机器人在环境中运动,得到一组从初始位置到发现目标物的(st,at,rt,st+1,Qt)数据;(3)机器人重置到初始位置,当在某状态st′下得到的Qt′比之前同状态st得到的Qt大时,删除在st状态下得到的(st,at,rt,st+1,Qt)数据,否则删除在st′下得到的(st′,at′,rt′,st+1′,Qt′);重复多次,从而得到较好的当前状态和最优动作的数据,即得到为训练ELM‑LRF所提供的更好的样本数据;(4)在步骤(3)的基础上,以st作为输入,at作为输出完成对基于局部接收野的极限学习机神经网络的训练,即ELM‑LRF的训练,建立起当前状态和最优动作的映射关系;(5)根据步骤(4)的建立起当前状态和最优动作的映射关系,测试机器人导航能力,观 ...
【技术特征摘要】
1.一种基于ELM-LRF的自适应视觉导航方法,其特征在于:步骤如下:(1)分配存储(st,at,rt,st+1,Qt)的空间;(st,at,rt,st+1,Qt)是结构体存储,st是当前状态,在这里为拍摄到的照片,at是在st下的动作,rt是at的即时回报,st+1是at后的状态,Qt值为在状态st下执行at后得到的总的长远回报;(2)机器人在环境中运动,得到一组从初始位置到发现目标物的(st,at,rt,st+1,Qt)数据;(3)机器人重置到初始位置,当在某状态st′下得到的Qt′比之前同状态st得到的Qt大时,删除在st状态下得到的(st,at,rt,st+1,Qt)数据,否则删除在st′下得到的(st′,at′,rt′,st+1′,Qt′);重复多次,从而得到较好的当前状态和最优动作的数据,即得到为训练ELM-LRF所提供的更好的样本数据;(4)在步骤(3)的基础上,以st作为输入,at作为输出完成对基于局部接收野的极限学习机神经网络的训练,即ELM-LRF的训练,建立起当前状态和最优动作的映射关系...
【专利技术属性】
技术研发人员:王磊,赵行,李婵颖,
申请(专利权)人:北京航空航天大学,
类型:发明
国别省市:北京,11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。