无人系统深度学习(精)9787516535103

面向无人自主系统的深度学习:全面回顾1引言

2人工智能与机器学习:前景和局限2.1人工智能

2.2机器学习

2.3深度学习

3无人自主系统的认知循环

4面向情境意识的深度学习

4.1定位

4.2特征提取

4.3目标识别

5面向决策的深度学习

5.1路径规划

5.2避碰

6在研无人自主系统的深度学习

7自适应无人自主车辆的深度学习

8结论

参考文献

面向无人航空系统的深度学习与强化学习一一从理论到部署的路线图1引言

1.1 UAS的应用

1.2UAS 的分类

1.3本文结构

1.4符号

2机器学习技术综述

2.1前馈神经网络

2.2卷积神经网络

2.3循环神经网络

2.4强化学习

3面向UAS 自主性的深度学习3.1由传感器数据提取特征

3.2 UAS 路径规划和情境意识3.3开放性问题和挑战

面向UAS 自主性的强化学习4.1 UAS控制系统

4.2导航和高层级任务

4.3开放性问题和挑战

5面向 UAS的仿真平台5.1仿真组件

5.2开放性问题和挑战

6面向快速原型化的无人机硬件6.1类型选择

6.2飞行堆栈

6.3计算单元

6.4 UAS的安全性和法规

7结论

参考文献

无人机反应式避障方法

1引言

2相关研究

2.1环境表示

2.2轨迹规划

2.3基于学习的避障方法

3基于八叉树地图和均匀B样条的四旋翼无人机实时轨迹重规划3.1基于八叉树地图和环形缓冲区的局部地图构建

3.2实时局部轨迹重规划..

3.3试验与分析

4无人机基于深度强化学习的反应式避障方法

4.1强化学习基本理论背景

……

2文献综述

2.1基于机器学习的目标检测与识别2.2基于深度学习的目标检测与识别3材料与方法

3.1本文所提出系统的实现方法和工具3.2损失函数

3.3数据增强

3.4数据集分类

3.5视频处理

4结果与讨论

4.1输出结果和图表・

5结论

参考文献

生物学深度学习的最新进展

1引言

2细胞生物学与深度学习

2.1细胞成像与深度学习

2.2药物治疗细胞与深度学习

2.3病变细胞与深度学习

2.4细胞运动与深度学习

3讨论

3.1深度学习与当前的生物学创新3.2生物研究的深度学习工具和技术3.3深度学习与生物学的吸引力3.4生物学深度学习的成功

3.5深度学习与生物学的未来展望4结论

参考文献

1引言

人工智能(AI)和机器学习(ML)技术构成了如今我们正在见证的很多成功的、颠覆性行业的基础。这些行业包括但不限于:自动驾驶、认知医疗、辅助技术、精准农业、家庭智能、工业4.0等。人工智能和机器学习技术已经实现了很多商业化的产品，例如个人数字化辅助设备、语音识别引擎、识物引擎、自然语言理解、机器翻译、聊天机器人等。此外，在规模更大的工作流程中，例如汽车故障预测系统、搜索引擎、自动取款机(ATM)上的自动验钞、线上消费者行为识别等，人工智能和机器学习也已成功证明了自己的价值。在将人工智能和机器学习知识从实验室推向行业和市场的过程中，不同的投资机构发挥了极其重要的作用。此类资金支持最终带来了丰硕的成果，新的产品和服务层出不穷，且需求旺盛。

人工智能、机器学习以及机器学习的子领域之一一一深度学习一一技术的进步，有利于推动这些领域的发展，其中也包括无人自主系统。无人自主系统是指“无人驾驶”的陆上、空中或海上系统，例如无人机(UAV)、无人地面车辆(UGV)、无人水面舰艇(USV)、无人水下运载工具 (UUV)等。这些系统能够实现很多极具前景、革命性的商业应用和军事应用，在不远的未来改变我们的生活。这些应用包括但不限于:监视、搜救、环境监测、基础设施监测、无接触配送系统、自主船舶、精准农业以及电力巡线等。例如，对于在水面航行的无人系统，需要对水面情况进行探测以减少计算量，而分割水域有助于减小计算量。此时，可以利用霍夫变换(Houph transform)和坎尼边缘检测(Canny edge detection)等基于计算机视觉的技术来分割水面「。同时，也可以利用深度学习模型对未知环境中的水域进行分割[2]，作者推导了一种多级自适应分割法来生成带标签的训练样本。在精准农业方面，文献[3]提出了混合深度神经网络(NN)，可以根据来自无人机的高分辨率图像对农作物进行分类。利用无人机拍摄的图像，成功识别出了不同类型的农作物。作者提出了一种基于直方图(histogram)和卷积神经网络(CNN)的新型混合神经网络架构。卷积神经网络可以利用高分辨率图像提供的像素级的细节。卷积神经网络与直方图结合，实现的精度高于单独应用其中一种技术。这种应用可以扩展到更多的作业当中，例如精准喷洒农药、农作物健康状态监测、现场处置等。人工电力巡线作业非常危险，充满挑战，为此，文献[4]提出了一种新的导航方案，以便利用无人机进行自主巡线。作者采用了一种区域卷积神经网络(R-CNN)检测方法来定位输电塔，并利用消隐点(vanish point)来估算沿输电线运行的距离。

总之，深度学习可以让无人系统获得极高的认知能力，包括个体和群体两个层面的从低级到高级的认知行为。个体层面的低级行为可能包括情境意识数据采集、目标检测、避障、语音识别，以及利用可用的效应器操纵物体或根据环境做出动作。群体层面的低级行为的例子包括多个无人自主系统之间的协作式情境意识数据采集、信息交换和协作式操作。无人自主系统个体高级行为包括解释采集到的数据、理解情况、预测未来后果和从经验中学习。群体层面上的高级行为可能包括共享情境意识、共识发现、合作决策、群体形成、通信中继和多智能体学习。

本书收录了20篇关于深度学习的技术文章，主要分三类：运用深度学习进行态势感知：运用深度学习进行决策；深度学习相关算法性能改善与提升。本书旨在展现深度学习在无人系统、机器人、无人机、潜航器等领域的理论和实践研究中的最新应用情况，对深度学习在无人机和机器人上的不同应用进行了讨论，并利用深度学习对大规模数据集动态特性的理解上的优势，通过对大量相关文献的调研，提出了基于强化学习和深度学习的态势感知及决策方案，可为深度学习在无人系统方面的技术研究提供有用的参考。