教学科目名 |
智能机器人工学(Robot Intelligence) |
学分 |
2 |
教学对象 |
硕士 |
专业 |
特殊专业领域(智能机械) |
授课教员 |
王 硕玉 |
联系方式 |
教员室:A480, 内线电话:2306, Email:wang.shuoyu@kochi-tech.ac.jp |
关键词 |
传递函数,频率响应,矢量轨迹,伯德图,稳定性,增益裕度,相位裕度,最优控制,数字优化控制,自动调节系统,伺服系统 |
教学目的 |
①如果把机器人概括为机械的智能化,模糊系统(推理)和神经网络(学习)是不同类型的信号处理的基本算法,处理来自各种传感器的信息,是机器人控制的自主性和智能性的基础。机器人的智能化以机器人的自主运动,理解学习能力为目标。 和工业用机器人在特定的工作环境工作相比较,通过传感器从外界获得的信息进行判断而做出准确反映的机器人是更为重要的。
②不同于工业机器人可以预定简单的任务,智能机器人必须自主推理和学习以适应不同环境下的行动。 推理过程中,知识是最为必要的。 知识是通过学习获得的。 也就是说,为了智能机器人可以更聪明地工作,它必须具有学习功能和推理能力。 智能机器人这门课的目的是学习推理算法和学习算法。 具体地说是通过运用模糊推论和神经网络学习让机器人实现智能化。 |
教学进展方法 |
基于应用实例和基本概念,对基本算法等各类数据处理方法进行介绍,以机器人作为一个具体的对象对智能信息处理技术的基础和自律性等问题进行介绍。 特别是智能数据处理的算法中的神经网络,模糊推理。为了提高了解加深印象,课堂上将使用大量的关于智能机器人视频和照片。 课程的前半部分由竹田老师任教,后半由王硕玉老师任教。 |
达成目标 |
① 理解神经网络学习的组成及其在机器人中的应用。
② 掌握利用神经网络实现机器人的智能化,自律化的基本概念。
③ 理解神经网络学习法对机器人动特性时序列变动相对应的适应性效果。
④ 理解模糊集合是对模糊概念定量描述的概念,掌握模糊集合关系运算的基本方法。
⑤ 理解模糊推理的基本概念,可以用公式表达三种类型的模糊推理的算法。
⑥ 理解知识获取,学习和推理的关系。 |
教学计划 |
1. ~2. 神经网络基础
说明神经网络运算的原理,模式识别的工作原理,并应用到机器控制。可以对基本理论进行解释。除此之外,知道各种神经网络的长处短处,了解机器学习收敛性的问题。
3. ~4.介绍BP算法为代表的机器学习方法和最速下降法等。还会就神经网络机器人对神经网络训练的技巧和相关注意事项。
5.非线性特性的被控对象(人工肌肉,垂直多关节机械臂)相对应的神经网络非线性描述的优越性。解说神经网络在机器人控制研究中的历史和现状。介绍神经网络解决非线性问题的优势。
6.应用实例
以机器人视觉为例,神经网络学习系统对外界信息的泛化能力使其具有鲁棒性。
7.前半测试60分(基本内容50分、 应用问题10分)
8.ファジィ理論と知的制御
模糊理论和只能控制
9.模糊集合和模糊概念的定量化
(集,交集,补码)量化严格定义的功能集,清晰集合,隶属度函数和模糊集,根据模糊集的模糊集合的基本计算(交集,并集,补给)模糊集结合特性(可交换行,结合律,分配律,双重否定率,德摩根律)
10.模糊关系
模糊关系,二项模糊关系,模糊关系计算,模糊关系的合成
11.模糊数的计算
模糊数,扩展原理,分解定理,用语言进行智能计算,使用语言知识库的智能控制实例
12.模糊推理方法
推理方法,函数型推理方法,单件式推理方法,Mamdani型的乘积和推理方法
13.模糊推理与智能机器人控制
应用到智能机器人的基于模型的模糊控制系统,使用的语言基础知识学习系统的结构配置
14.基于模糊推理的智能机器人行动计划
避障跟踪问题中基于模糊推理的推理方法的学习和知识获取,学习功能的智能机器人路径规划的推理关系。
15.后半测试60分(基本内容50分、 应用问题10分)
|
参考资料 |
前半课程配套适用的资料。
后半部分应用自编的教材。
目標点探索.exe
GAによる最大値のサーチ.exe
InvDyna.exe
|
参考书 |
『図解雑学ロボット』,新井建生(ナツメ社)ISBN4-8163-3916-7\1350 ビデオ教材を使用する.
『アドバストファジィ制御』,田中一男(共立出版株式会社)ISBN4-320-08530-2 ¥3570
『ファジィ制御』菅野道夫(日刊新聞社)ISBN4-526-02348-5 |
成绩与评分
|
结合两部分成绩进行综合评价:
A A:100分以上
A:80分以上99分以下
B:70分以上79分以下
C:60分以上69分以下 |
选修前提科目
|
无 |
建议学习过的科目 |
機械数学、メカトロニクス、人工知能入門、制御工学Ⅰ、ロボット工学概論 |
推荐同时选修的科目
|
无 |