摘要：随着无人集群在物流运输、农业管理、军事行动等场景的试验和应用,其面临的作业环境和任务内容日趋复杂,亟需设计效率更高、泛化能力更强、适应性更好的控制算法.将人工智能引入到无人集群系统控制的研究中,能够大幅提升现有无人集群的能力,完成复杂的作业任务.深度强化学习具有深度学习和强化学习的优点,无人集群系统深度强化学习控制研究受到了国内外科研人员的广泛关注,涌现出许多标志性成果.本文将从原理、特点等方面阐述深度强化学习概念,深入分析深度强化学习的多种典型算法,并讨论无人机集群的各类控制需求,进而介绍深度强化学习在无人机集群控制领域的典型研究成果,最后针对该领域研究成果的落地转化总结了应用前景和面临的挑战.

摘要：提出了一种多通道特征融合学习的印制电路板小目标缺陷检测网络YOLOPCB,首先删除YOLOv7主干网络中最后一组MPConv层与E-ELAN层,去掉融合层的ECU模块与20×20的预测头,使用跨通道信息连接模块串联精简后的主干和融合网络;其次设计了浅层特征融合模块与新的anchors匹配策略,增加了两个低层次、高分辨率检测头;最后将YOLOv7主干网络中的3个E-ELAN作为输入,将融合层中最底部的E-ELAN和两个拼接模块作为输出,使用自适应加权跳层连接以增加同维度内信息量。在PCB Defect公开数据集上平均精度达到94.9%,检测速度达到45.6 fps;最后在企业现场制作的Self-PCB数据集中,YOLOPCB达到了最高精度76.7%,比YOLOv7检测精度提升了6.8%,能有效提高印制电路板小目标缺陷检测能力。

摘要：针对无人机自主避障与目标追踪问题,以深度Q网络(DQN)算法为基础,提出一种多经验池深度Q网络(MP-DQN)算法,使无人机避障与追踪的成功率和算法的收敛性得到优化。更进一步,赋予无人机环境感知能力,并在奖励函数中设计了方向奖惩函数,提升了无人机对环境的泛化能力以及算法的整体性能。仿真结果表明,相较于DQN和双重DQN(DDQN)算法,MP-DQN算法具有更快的收敛速度、更短的追踪路径和更强的环境适应性。

摘要：智能机器人正在引领全球新一轮的科技革命和产业变革,培育并推进我国智能机器人核心芯片技术及产业发展,有助于产业优化升级并实现生产力跃升。本文阐述了智能机器人核心芯片技术对于推动技术自主可控、实现经济高质量发展、满足居民美好生活需要、提升国家核心竞争力等方面的重要价值;梳理了相关政策、技术、产业等的国际进展,分析了我国发展智能机器人核心芯片的基础优势和面临的问题;以多架构路线、技术方案比对的方式,论证了我国智能机器人芯片技术发展路线,据此提出领域发展策略,形成面向2035的重点任务与发展路线图。研究建议,将智能机器人芯片自主可控发展上升为国家战略,明确顶层设计;设立智能机器人芯片重大科技专项,加大科研经费投入;出台激励智能机器人芯片技术研究和产业应用的政策,牵引产业链升级;落实智能机器人芯片人才培养和发展措施,推动技术及产业健康发展。

摘要：针对传统深度强化学习在求解无人机自主避障与目标追踪任务时所存在的训练效率低、环境适应性差的问题,在深度确定性策略梯度(Deep Deterministic Policy Gradient,DDPG)算法中融入与模型无关的元学习(Model-Agnostic Meta-Learning,MAML),设计一种内外部元参数更新规则,提出了元深度确定性策略梯度(Meta-Deep Deterministic Policy Gradient,Meta-DDPG)算法,以提升模型的收敛速度和泛化能力.此外,在模型预训练部分构造基本元任务集以提升实际工程中的预训练效率.最后,在多种测试环境下对所提算法进行了仿真验证,结果表明基本元任务集的引入可使模型预训练效果更优,Meta-DDPG算法相比DDPG算法在收敛特性和环境适应性方面更有优势,并且元学习方法和基本元任务集对确定性策略强化学习具有通用性.

摘要：多维力觉感知系统在柔性精密操控、零力示教、轮廓跟踪、自动柔性装配、机器人多手协作、机器人临场感和遥操作、机器人虚拟和远程手术、康复训练等场合有巨大的需求。力敏元件的性能是决定机器人多维力传感器的各项性能指标的关键因素之一。早在20世纪70年代初,力觉信息的获取和应用就已开始被国际上关注,并获得了初步的探讨。自20世纪80年代末起,我国学者也开始关注和研究力觉感知技术。对机器人多维力传感器力敏元件的设计和研究进展进行了综述,对高精度力信息获取面临的挑战展开了分析,并对机器人多维力传感器的发展趋势和解决思路提出了一些可行性的思路。