123,123

內(nèi)容簡(jiǎn)介

　　智能機(jī)器人具有典型的多學(xué)科交叉融合特性，內(nèi)容比較龐雜。本書(shū)立足于相關(guān)理論體系的基礎(chǔ)知識(shí)梳理、典型應(yīng)用的知識(shí)聚合和研究發(fā)展，特別針對(duì)機(jī)器人研究熱點(diǎn)——技能傳遞和人機(jī)協(xié)作專題做了從基礎(chǔ)入門(mén)到典型核心，再到若干前沿研究的系統(tǒng)介紹。本書(shū)首先介紹智能機(jī)器人基礎(chǔ)，主要對(duì)智能機(jī)器人前沿研究所涉及的基礎(chǔ)知識(shí)進(jìn)行概述，涵蓋機(jī)器人學(xué)、控制、視覺(jué)和智能部分。然后對(duì)實(shí)現(xiàn)示范者運(yùn)動(dòng)技能到機(jī)器人運(yùn)動(dòng)技能的自動(dòng)傳遞技術(shù)路線進(jìn)行闡述，涵蓋策略表達(dá)、模仿學(xué)習(xí)和策略提升。最后講述人與機(jī)器人如何協(xié)作完成預(yù)設(shè)任務(wù)，涵蓋協(xié)作框架和多模態(tài)感知，同時(shí)敘述了在基金支持下做的相關(guān)理論和算法工作。本書(shū)著眼于知識(shí)體系基礎(chǔ)和專題研究路線的有效結(jié)合，適合有意從事智能機(jī)器人領(lǐng)域?qū)W習(xí)、研究、工作的廣大師生、研究人員和工程技術(shù)人員參考。

作者簡(jiǎn)介

暫缺《智能機(jī)器人：從技能傳遞到人機(jī)協(xié)作》作者簡(jiǎn)介

圖書(shū)目錄

第一部分智能機(jī)器人基礎(chǔ)
1 機(jī)器人學(xué)基礎(chǔ)
1.1 向量及其運(yùn)算
1.2 剛體運(yùn)動(dòng)旋量表達(dá)
1.2.1 剛體旋轉(zhuǎn)
1.2.2 剛體運(yùn)動(dòng)的運(yùn)動(dòng)旋量和指數(shù)坐標(biāo)
1.2.3 運(yùn)動(dòng)旋量坐標(biāo)變換
1.2.4 力旋量
1.3 機(jī)器人運(yùn)動(dòng)學(xué)
1.3.1 運(yùn)動(dòng)學(xué)正解
1.3.2 運(yùn)動(dòng)學(xué)逆解
1.3.3 雅克比矩陣
1.4 機(jī)器人動(dòng)力學(xué)
1.4.1 拉格朗日公式
1.4.2 力旋量和運(yùn)動(dòng)旋量公式
2 控制基礎(chǔ)
2.1 變分與歐拉一拉格朗日方程
2.2 最優(yōu)控制
2.2.1 極大值原理與有限時(shí)間LQR
2.2.2 動(dòng)態(tài)規(guī)劃與HJB方程
2.2.3 DDP
2.2.4 隨機(jī)最優(yōu)和iLQG
3 視覺(jué)測(cè)量
3.1 標(biāo)定
3.1.1 相機(jī)標(biāo)定
3.1.2 手眼標(biāo)定
3.2 基于視覺(jué)的測(cè)量
3.2.1 基于圖像矩的位姿測(cè)量
3.2.2 PnP(DLT)
4 智能基礎(chǔ)
4.1 監(jiān)督學(xué)習(xí)
4.1.1 Fisher線性判別分類
4.1.2 多元線性回歸
4.2 無(wú)監(jiān)督學(xué)習(xí)
4.2.1 K均值聚類
4.2.2 MCMC分布估計(jì)
4.3 強(qiáng)化學(xué)習(xí)
4.3.1 馬爾科夫決策過(guò)程
4.3.2 策略迭代
4.3.3 價(jià)值迭代
4.3.4 時(shí)間差分TD法
第二部分智能機(jī)器人技能傳遞
5 策略表達(dá)
5.1 時(shí)間索引模型
5.1.1 DMPs模型
5.1.2 DMPs—iLWR模型
5.1.3 概率運(yùn)動(dòng)基元
5.1.4 多任務(wù)概率運(yùn)動(dòng)基元
5.2 狀態(tài)索引模型
5.2.1 DS模型
5.2.2 CDS模型
6 模仿學(xué)習(xí)
6.1 行為克隆
6.2 逆強(qiáng)化學(xué)習(xí)
6.2.1 學(xué)徒學(xué)習(xí)
6.2.2 生成對(duì)抗模仿學(xué)習(xí)
7策略提升
7.1 強(qiáng)化學(xué)習(xí)視角的機(jī)器人控制
7.2 基于值函數(shù)逼近的強(qiáng)化學(xué)習(xí)DQN算法
7.3 模型策略搜索
7.3.1 引導(dǎo)策略搜索
7.3.2 DDPG算法
7.4 無(wú)模型策略搜索
7.4.1 基于雙攝動(dòng)的路徑積分策略提升
7.4.2 融合KCCA推斷的路徑積分策略提升
7.4.3 雙空間交替學(xué)習(xí)方法
7.4.4 基于啟發(fā)式信息導(dǎo)引的路徑積分策略提升
第三部分智能機(jī)器人人機(jī)協(xié)作
8 基于時(shí)間索引的協(xié)作框架
8.1 ProMP人機(jī)協(xié)作模型
8.2 雙空間iProMP人機(jī)協(xié)作框架
8.3 時(shí)間索引協(xié)作中的避障規(guī)劃
8.3.1 改進(jìn)的漸進(jìn)最優(yōu)快速擴(kuò)展搜索樹(shù)(RRT*)
8.3.2 引力變量的調(diào)整
8.3.3 有軌跡導(dǎo)向的路徑點(diǎn)選擇
8.3.4 雙空間協(xié)作避障規(guī)劃
8.4 多任務(wù)協(xié)作概率運(yùn)動(dòng)基元
8.4.1 模型定義
8.4.2 參數(shù)估計(jì)
8.4.3 實(shí)驗(yàn)分析
9 基于狀態(tài)索引的協(xié)作框架
9.1 融合動(dòng)態(tài)人機(jī)協(xié)作模型
9.1.1 融合動(dòng)態(tài)協(xié)作框架
9.1.2 軌跡預(yù)測(cè)以及人機(jī)協(xié)作動(dòng)態(tài)系統(tǒng)穩(wěn)定性分析
9.2 狀態(tài)索引協(xié)作中的避障規(guī)劃
9.2.1 在線避障算法
9.2.2 狀態(tài)索引協(xié)作中的避障規(guī)劃
10 多模態(tài)感知與手勢(shì)意圖識(shí)別
10.1 基于穿戴的運(yùn)動(dòng)捕捉
10.1.1 人體上肢運(yùn)動(dòng)學(xué)
10.1.2 姿態(tài)解算
10.2 基于雙目視覺(jué)實(shí)現(xiàn)目標(biāo)檢測(cè)和度量
10.2.1 目標(biāo)檢測(cè)算法
10.2.2 雙目視覺(jué)下推導(dǎo)空間坐標(biāo)
10.2.3 空間障礙物坐標(biāo)檢測(cè)
10.3 基于GeoConGAN的人手3D位姿估計(jì)
10.3.1 基于U—Net的輪廓提取
10.3.2 基于CycleGAN的數(shù)據(jù)集生成
10.3.3 基于ResNet50的回歸網(wǎng)絡(luò)
10.3.4 GeoConGAN的人手3D位姿估計(jì)框架
10.3.5 小結(jié)
10.4 基于語(yǔ)義意圖的猜拳手勢(shì)識(shí)別
參考文獻(xiàn)