摘要：针对传统机器学习框架下设计智能机器人造成的视觉任务执行时学习主动性差、对不确定情况适应性差、知识与能力扩展性差等问题,立足近年来新提出的认知发育思想,提出一种由视觉陌生度驱动的增量自主式视觉学习算法。算法根据在线主成分分析(PCA)计算视觉陌生度,作为Q学习内部动机,以PCA子空间的更新作为知识的主动学习与积累,并由以视觉陌生度为内部动机的Q学习引导,使得机器人能根据所学知识与所"见"场景的陌生程度来决策下一步如何学习。实验结果表明,该算法具有自主探索与学习性能、主动引导机器人学习新知识的能力,以及在线、增量地获取积累知识并发育其智能的能力。

摘要：目前交通道路场景学习与识别方法普遍任务单一特定,无法随学习进程而逐渐拓展。文章提出一种基于生长式子空间增量主成分分析方法 (IPCA)的非特定道路场景在线学习算法,根据子空间类间与类内距离设计子空间生长策略,优化子空间生长方式,实现非特定道路场景的在线学习。结果表明,算法能在学习过程中逐渐积累和拓展知识,识别正确率较高,与同类算法相比在计算速度、存储开销上具有较大的优势。

摘要：为解决数据采集系统协议解析并发度不高、多接口设计、软件灵活性不佳等问题,将Multi-Agent技术应用到数据采集系统的设计实现中。在对软件业务需求以及Multi-Agent通信协作技术进行研究的基础上,提出了基于Multi-Agent分层协作的软件框架;按照该模型设计并实现了数据采集系统。最后,在该系统上进行了运行试验。运行结果表明,该模型的设计原理与思想正确,提升了数据采集系统的业务处理能力和灵活性。