CN110488611B - 一种仿生机器鱼运动控制方法、控制器及仿生机器鱼 - Google Patents

一种仿生机器鱼运动控制方法、控制器及仿生机器鱼 Download PDF

Info

Publication number
CN110488611B
CN110488611B CN201910845621.2A CN201910845621A CN110488611B CN 110488611 B CN110488611 B CN 110488611B CN 201910845621 A CN201910845621 A CN 201910845621A CN 110488611 B CN110488611 B CN 110488611B
Authority
CN
China
Prior art keywords
motion state
fish
bionic robot
neural network
robot fish
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201910845621.2A
Other languages
English (en)
Other versions
CN110488611A (zh
Inventor
汪明
张燕鲁
常征
卫正
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shandong Jianzhu University
Original Assignee
Shandong Jianzhu University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shandong Jianzhu University filed Critical Shandong Jianzhu University
Priority to CN201910845621.2A priority Critical patent/CN110488611B/zh
Publication of CN110488611A publication Critical patent/CN110488611A/zh
Application granted granted Critical
Publication of CN110488611B publication Critical patent/CN110488611B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • G05B13/027—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks only
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance

Landscapes

  • Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Image Analysis (AREA)
  • Feedback Control In General (AREA)

Abstract

本公开提供了一种仿生机器鱼运动控制方法、控制器及仿生机器鱼。其中，一种仿生机器鱼运动控制方法，包括：获取鱼尾鳍关节角度及其对应的仿生机器鱼运动状态标签并存储至数据集中；仿生机器鱼的运动状态标签包括直游运动状态标签和转弯运动状态标签；将数据集划分成训练集和测试集，进行归一化处理；构建LSTM神经网络模型，利用归一化的训练集中的数据训练LSTM神经网络模型，并利用测试集测试LSTM神经网络模型，得到训练完成的LSTM神经网络模型，得到仿生机器鱼尾鳍摆动模型；利用仿生机器鱼尾鳍摆动模型，输出与当前的鱼尾鳍关节角度相对应的仿生机器鱼的运动状态。其能够准确地控制仿生机器鱼的运动状态，更好地实现对仿生机器鱼的控制。

Description

一种仿生机器鱼运动控制方法、控制器及仿生机器鱼
技术领域
本公开属于仿生鱼技术领域，尤其涉及一种仿生机器鱼运动控制方法、控制器及仿生机器鱼。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。
近年来，随着陆地资源匮乏日益严重，人们越来越多的关注到丰富的海洋资源。由于原有的水下检测、作业、运载装置难以满足复杂水下作业任务的需求，因此加速了水下机器人的研发工作。仿生机器鱼作为鱼类推进机理和机器人技术的结合点，为研制新型的水下航行器提供了一种新思路，具有重要的研究价值和应用前景。
在机器鱼多模态运动的过程中，需要对机器鱼进行动力学建模。发明人发现，传统的仿生机器鱼建模方法的推导过程都较为复杂，且计算量随着机器鱼自由度的增加而迅速增加，计算结果容易出错。
发明内容
为了解决上述问题，本公开的第一个方面提供一种仿生机器鱼运动控制方法，其能够自动对仿生机器鱼尾鳍摆动进行建模，从而准确地输出仿生机器鱼的运动状态，更好地实现对仿生机器鱼的控制。
为了实现上述目的，本公开采用如下技术方案：
一种仿生机器鱼运动控制方法，包括：
获取鱼尾鳍关节角度及其对应的仿生机器鱼运动状态标签并存储至数据集中；仿生机器鱼的运动状态标签包括直游运动状态标签和转弯运动状态标签；
将数据集划分成训练集和测试集，进行归一化处理；
构建LSTM神经网络模型，利用归一化的训练集中的数据训练LSTM神经网络模型，并利用测试集测试LSTM神经网络模型，得到训练完成的LSTM神经网络模型，得到仿生机器鱼尾鳍摆动模型；
利用仿生机器鱼尾鳍摆动模型，输出与当前的鱼尾鳍关节角度相对应的仿生机器鱼的运动状态。
本公开的第二个方面提供一种控制器。
一种控制器，其采用上述所述的仿生机器鱼运动控制方法中的步骤，对仿生机器鱼进行运动状态控制。
本公开的第三个方面提供一种仿生机器鱼。
一种仿生机器鱼，其包括上述所述的控制器。
本公开的有益效果是：
本公开利用LSTM神经网络学习机器鱼的多模态运动，得到尾鳍关节角度的变化，将其作为学习训练的数据，输出新的关节角度变化及误差，最终实现 LSTM神经网络学习机器鱼尾鳍摆动运动的过程，提高了机器鱼系统的自主性与适应性，从而准确地输出仿生机器鱼的运动状态，更好地实现对仿生机器鱼的控制。
附图说明
构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。
图1为本公开实施例的仿生机器鱼结构图；
图2为本公开实施例的仿生机器鱼尾鳍摆动的数学模型；
图3为本公开实施例的LSTM神经网络结构图；
图4为本公开实施例的一种仿生机器鱼运动控制方法流程图。
具体实施方式
下面结合附图与实施例对本公开作进一步说明。
应该指出，以下详细说明都是例示性的，旨在对本公开提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本公开的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
实施例1
如图4所示，本实施例的一种仿生机器鱼运动控制方法，包括：
S101：获取鱼尾鳍关节角度及其对应的仿生机器鱼运动状态标签并存储至数据集中；仿生机器鱼的运动状态标签包括直游运动状态标签和转弯运动状态标签。
仿生机器鱼结构图如图1所示，分析关节J4的变化对机器鱼多模态运动的影响。其次，建立仿生机器鱼尾鳍摆动的数学模型如图2所示。假设每个分段的质心在X轴上，并且每个分段的质心与几何中心重合。此时，从坐标系{X,Y,Z} 到坐标系{X1,Y1,Z1}的变换矩阵A如式(1)所示：
Figure BDA0002188479240000041
其中，L表示杆长：尾鳍依靠一个活动的连杆支撑；
Figure RE-GDA0002217824360000042
表示尾鳍摆动角度：前三关节保持不变的情况下，以其为参照物，最后关节与其之间的弧度值。
S102：将数据集划分成训练集和测试集，进行归一化处理。
对于机器鱼模型来说，在训练集上的误差称为训练误差，测试集的误差称为测试误差，也就是说测试误差是用来评估模型对于新样本的学习能力，因此更关注的是测试误差，希望模型可以从现有的数据中学习到普遍规律而用于新样本。而如果模型对现有数据学习的过于好，就出现了过拟合问题。因此需要将现有数据划分为训练集和测试集，其中训练集用来训练模型，而测试集用来验证模型对新样本的判别能力。
首先，划分数据集并将数据集划分为训练集。设置方法是将数据集D直接划分为两个互斥的集合，其中一个用作训练集S，另一个用作测试集T。本公开使用1200个机器鱼尾部关节角度变化数据值进行模拟实验，并将分频比 train_test_split设置为0.85，从而将数据集分为1020个训练集和180个测试集。
其次，将数据进行归一化。
在机器学习领域中，不同评价指标(即特征向量中的不同特征就是所述的不同评价指标)往往具有不同的量纲和量纲单位，这样的情况会影响到数据分析的结果，为了消除指标之间的量纲影响，需要对收集的机器鱼游动的参数数据进行标准化处理，以解决数据指标之间的可比性。原始数据经过数据标准化处理后，各指标处于同一数量级，适合进行综合对比评价。其中，最典型的就是数据的归一化处理。简而言之，归一化的目的就是使得预处理的数据被限定在一定的范围内(比如[0,1]或者[-1,1])，从而消除奇异样本数据导致的不良影响。奇异样本数据的存在会引起训练时间增大，同时也可能导致无法收敛，因此，当存在奇异样本数据时，在进行训练之前需要对预处理数据进行归一化，加快梯度下降求最优解的速度。本实施例使用min-max标准化方法。min-max标准化也称为离差标准化，是对原始数据的线性变换，使得结果映射到0-1之间。转换公式如下。
Figure RE-GDA0002217824360000051
其中，X表示原始数据，Xmin表示原始数据集中的最小数据；Xmax表示原始数据集中的最大数据；X'表示原始数据对应的归一化后的数据。
S103：构建LSTM神经网络模型，利用归一化的训练集中的数据训练LSTM 神经网络模型，并利用测试集测试LSTM神经网络模型，得到训练完成的LSTM 神经网络模型，得到仿生机器鱼尾鳍摆动模型。
建立LSTM模型，创建输入层，隐藏层，输出层参数，构造存储单元，丢失输入层和存储单元等。LSTM神经网络结构图如图3所示，前向传播过程在每个序列索引位置的过程为：
步骤1.1：更新遗忘门输出：
f(t)＝σ(Wfxx(t)+Wfhh(t-1)+bf) (2)
步骤1.2：更新输入门两部分输出：
Figure RE-GDA0002217824360000052
步骤1.3：更新细胞状态：
s(t)＝g(t)*i(t)+s(t-1)*f(t) (4)
步骤1.4：更新输出门输出：
Figure RE-GDA0002217824360000061
这里的φ(x)是激活函数
Figure RE-GDA0002217824360000062
x(t)，h(t)分别是输入序列和输出序列。f(t)为遗忘门，所表达的含义是决定会从以前状态中丢弃什么信息。i(t)，g(t)构成了输入门，决定什么样的新信息被存放在细胞状态中。 o(t)所在位置被称作输出门，决定要输出什么值。
其中，Wfx、Wfh、Wix、Wih、Wgx、Wgh、Wox和Woh为相应层的权值，且为LSTM神经网络中待训练的参数；bf、bi、bg和bo为偏系数，为常系数。
步骤2：LSTM神经网络的反向传播过程
在LSTM中，为了减小反向传播误差，通过隐藏状态h(t)的梯度c(t)一步步向前传播。首先，定义两个δ，即：
Figure RE-GDA0002217824360000063
为了便于推导，将损失函数L(t)分为两块，一块是时刻t位置的损失l(t)，另一块是时刻t之后的损失L(t+1)，即：
Figure RE-GDA0002217824360000064
而在最后序列索引位置τ时刻的
Figure RE-GDA0002217824360000065
和
Figure RE-GDA0002217824360000066
为：
Figure RE-GDA0002217824360000067
接着由
Figure RE-GDA0002217824360000071
反向推导
Figure RE-GDA0002217824360000072
Figure RE-GDA0002217824360000073
的梯度由本层t时刻的输出梯度误差和大于t时刻的误差两部分决定，即：
Figure RE-GDA0002217824360000074
其中，T表示转置；而
Figure RE-GDA0002217824360000075
的反向梯度误差由前一层
Figure RE-GDA0002217824360000076
的梯度误差和本层的从h(t)传回来的梯度误差两部分组成，即：
Figure RE-GDA0002217824360000077
将输入层神经元的数量设置为1，一个隐藏的层具有100个神经元，输出层的神经元数量也是1。
激活函数是tanh函数。
在训练LSTM神经网络模型的过程中，设置LSTM神经网络模型参数，进行正向传播过程，输入信息从输入层经隐含层逐层处理，并传向输出层，每一层神经元的状态只影响下一层神经元的状态；其中，输入信息为鱼尾鳍关节角度。
在LSTM神经网络模型正向传播过程中，如果输出层没有得到期望输出，则转入反向传播过程，将误差信号按原来的连接通道返回，通过修改各层神经元的权值，使得误差信号最小；其中，输出层得到的期望输出为期望鱼尾鳍关节角度，期望鱼尾鳍关节角度与输入的鱼尾鳍关节角度两者对应的仿生机器鱼运动状态相同；误差信号为期望鱼尾鳍关节角度与实际输出鱼尾鳍关节角度。
在每个训练批次中，通过忽略一半特征检测器(使一半隐藏层节点具有值0) 可以显着减少过拟合。将dropout设置为0.2。当向前传播时，让某个神经元的激活值以0.2的概率停止工作，这样神经网络就不会过分依赖某些局部特征来增强模型的泛化。
置神经网络操作的必要参数，包括选择预测点的数量，隐藏层中的节点数，迭代次数和错误阈值。在本实施例中，设置为10，即将数据分成10个批次，并批量更新参数。因此，批量中的一组数据确定了梯度的方向，并且不容易脱落并降低随机性。将时期设置为2，这意味着所有数据都需要进行2轮培训。所以数据必须迭代240次。
在测试的过程中，检验误差结果，如果误差小于设定误差值或在最大迭代次数时仍存在较大误差时，调整设置参数，再次进行试验，直到误差小于设定值或误差在最大迭代次数前符合条件为止。
S104：利用仿生机器鱼尾鳍摆动模型，输出与当前的鱼尾鳍关节角度相对应的仿生机器鱼的运动状态。
本实施例利用LSTM神经网络学习机器鱼的多模态运动，得到尾鳍关节角度的变化，将其作为学习训练的数据，输出新的关节角度变化及误差，最终实现LSTM神经网络学习机器鱼尾鳍摆动运动的过程，提高了机器鱼系统的自主性与适应性，从而准确地输出仿生机器鱼的运动状态，更好地实现对仿生机器鱼的控制。
实施例2
本实施例提供一种控制器，其采用上述所述的仿生机器鱼运动控制方法中的步骤，对仿生机器鱼进行运动状态控制。
实施例3
本实施例提供一种仿生机器鱼，其包括上述所述的控制器。
本领域内的技术人员应明白，本公开的实施例可提供为方法、系统、或计算机程序产品。因此，本公开可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且，本公开可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本公开是参照根据本公开实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory， ROM)或随机存储记忆体(RandomAccessMemory，RAM)等。
以上所述仅为本公开的优选实施例而已，并不用于限制本公开，对于本领域的技术人员来说，本公开可以有各种更改和变化。凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。

Claims (6)

1.一种仿生机器鱼运动状态控制方法，其特征在于，包括：
获取鱼尾鳍关节角度及其对应的仿生机器鱼运动状态标签并存储至数据集中；仿生机器鱼的运动状态标签包括直游运动状态标签和转弯运动状态标签；
将数据集划分成训练集和测试集，进行归一化处理；
构建LSTM神经网络模型，利用归一化的训练集中的数据训练LSTM神经网络模型，并利用测试集测试LSTM神经网络模型，得到训练完成的LSTM神经网络模型，得到仿生机器鱼尾鳍摆动模型；
利用仿生机器鱼尾鳍摆动模型，输出与当前的鱼尾鳍关节角度相对应的仿生机器鱼的运动状态；
在训练LSTM神经网络模型的过程中，设置LSTM神经网络模型参数，进行正向传播过程，输入信息从输入层经隐含层逐层处理，并传向输出层，每一层神经元的状态只影响下一层神经元的状态；其中，输入信息为鱼尾鳍关节角度；
在LSTM神经网络模型正向传播过程中，如果输出层没有得到期望输出，则转入反向传播过程，将误差信号按原来的连接通道返回，通过修改各层神经元的权值，使得误差信号最小；其中，输出层得到的期望输出为期望鱼尾鳍关节角度，期望鱼尾鳍关节角度与输入的鱼尾鳍关节角度两者对应的仿生机器鱼运动状态相同；误差信号为期望鱼尾鳍关节角度与实际输出鱼尾鳍关节角度。
2.如权利要求1所述的仿生机器鱼运动状态控制方法，其特征在于，采用min-max标准化方法对数据集和测试集进行归一化，使得归一化的结果映射到0-1之间。
3.如权利要求1所述的仿生机器鱼运动状态控制方法，其特征在于，LSTM神经网络模型的输入层神经元的数量为1，输出层神经元的数量为1。
4.如权利要求1所述的仿生机器鱼运动状态控制方法，其特征在于，LSTM神经网络模型的激活函数是tanh函数。
5.一种控制器，其特征在于，其采用如权利要求1-4中任一项所述的仿生机器鱼运动状态控制方法中的步骤，对仿生机器鱼进行运动状态控制。
6.一种仿生机器鱼，其特征在于，包括如权利要求5所述的控制器。
CN201910845621.2A 2019-09-02 2019-09-02 一种仿生机器鱼运动控制方法、控制器及仿生机器鱼 Active CN110488611B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910845621.2A CN110488611B (zh) 2019-09-02 2019-09-02 一种仿生机器鱼运动控制方法、控制器及仿生机器鱼

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910845621.2A CN110488611B (zh) 2019-09-02 2019-09-02 一种仿生机器鱼运动控制方法、控制器及仿生机器鱼

Publications (2)

Publication Number Publication Date
CN110488611A CN110488611A (zh) 2019-11-22
CN110488611B true CN110488611B (zh) 2022-03-11

Family

ID=68556904

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910845621.2A Active CN110488611B (zh) 2019-09-02 2019-09-02 一种仿生机器鱼运动控制方法、控制器及仿生机器鱼

Country Status (1)

Country Link
CN (1) CN110488611B (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110909859B (zh) * 2019-11-29 2023-03-24 中国科学院自动化研究所 基于对抗结构化控制的仿生机器鱼运动控制方法、系统
US10962976B1 (en) 2019-11-29 2021-03-30 Institute Of Automation, Chinese Academy Of Sciences Motion control method and system for biomimetic robotic fish based on adversarial structured control
CN110989399A (zh) * 2019-12-16 2020-04-10 山东建筑大学 一种融合Spiking神经网络和CPG的机器鱼仿生控制方法及系统
CN111158385B (zh) * 2020-01-10 2023-06-30 南京工程学院 仿生机器鱼的运动控制方法、装置、设备及可读存储介质
CN112904873B (zh) * 2021-01-26 2022-08-26 西湖大学 基于深度强化学习的仿生机器鱼控制方法及装置
CN113255243B (zh) * 2021-05-11 2022-07-01 苏州科技大学 基于人工侧线的仿生机器鱼近壁面流场识别方法及系统
CN113311714A (zh) * 2021-07-28 2021-08-27 中国科学院自动化研究所 多关节仿生机器鱼传感器故障诊断与容错控制方法及系统
CN116512254B (zh) * 2023-04-11 2024-01-23 中国人民解放军军事科学院国防科技创新研究院 基于方向的机械臂智能控制方法及系统、设备、存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101219708A (zh) * 2008-01-31 2008-07-16 重庆邮电大学 仿生机器鱼无半径转弯的控制方法
CN101776863A (zh) * 2009-11-17 2010-07-14 中国科学院自动化研究所 一种胸鳍推进型机器鱼的运动控制方法
EP2251157A1 (en) * 2009-05-15 2010-11-17 Honda Research Institute Europe GmbH Autonomous robots with planning in unpredictable, dynamic and complex environments

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101219708A (zh) * 2008-01-31 2008-07-16 重庆邮电大学 仿生机器鱼无半径转弯的控制方法
EP2251157A1 (en) * 2009-05-15 2010-11-17 Honda Research Institute Europe GmbH Autonomous robots with planning in unpredictable, dynamic and complex environments
CN101776863A (zh) * 2009-11-17 2010-07-14 中国科学院自动化研究所 一种胸鳍推进型机器鱼的运动控制方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Using recurrent neural networks (RNNs) as planners for bio-inspired robotic motion;Ayesha Khan等;《 2017 IEEE Conference on Control Technology and Applications (CCTA)》;20171009;全文 *
智能无人自主系统的发展趋势;张涛等;《无人系统技术》;20180515(第01期);全文 *

Also Published As

Publication number Publication date
CN110488611A (zh) 2019-11-22

Similar Documents

Publication Publication Date Title
CN110488611B (zh) 一种仿生机器鱼运动控制方法、控制器及仿生机器鱼
US8990133B1 (en) Apparatus and methods for state-dependent learning in spiking neuron networks
CN112819253A (zh) 一种无人机避障和路径规划装置及方法
CN112859898B (zh) 一种基于双通道双向神经网络的飞行器轨迹预测方法
CN113848974B (zh) 一种基于深度强化学习的飞行器轨迹规划方法及系统
Han et al. Self-organizing radial basis function neural network using accelerated second-order learning algorithm
CN112347923A (zh) 一种基于对抗生成网络的路侧端行人轨迹预测算法
CN106896724B (zh) 用于太阳跟踪器的跟踪系统及跟踪方法
CN110084295B (zh) 一种多智能体系统分组包围控制方法及控制系统
Wang et al. Data-driven path-following control of underactuated ships based on antenna mutation beetle swarm predictive reinforcement learning
CN114779661B (zh) 基于多分类生成对抗模仿学习算法的化学合成机器人系统
Liu et al. Adaptive Binarization Method for Binary Neural Network
Xu et al. Probabilistic human motion prediction via a Bayesian neural network
CN115453880A (zh) 基于对抗神经网络的用于状态预测的生成模型的训练方法
CN114952791A (zh) 肌肉骨骼机器人控制方法及装置
Zhu et al. Fast Adaptive Character Animation Synthesis Based on Greedy Algorithm
CN111857054B (zh) 一种基于神经网络的数控系统运动轨迹控制方法
CN110703792B (zh) 基于增强学习的水下机器人姿态控制方法
CN113608622A (zh) 人体姿态实时预测方法、系统、介质及设备
CN108459614B (zh) 一种基于cw-rnn网络的uuv实时避碰规划方法
KR20210141262A (ko) 가변형 전류 고정 날개 및 가변형 전류 고정 날개의 열림각 조절 방법
KR20190125694A (ko) 학습 및 추론 장치 및 그 방법
CN117806364B (zh) 航行器路径跟踪控制器的对抗学习架构、控制方法和装置
Chen et al. Distributed continuous control with meta learning on robotic arms
Yang et al. Task-specific pre-learning to improve the convergence of reinforcement learning based on a deep neural network

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant