XiaoMi-AI文件搜索系统
World File Search System学习控制
通过大脑的共同自适应学习控制疼痛
Suyi Zhang, 1 , 2 , 6 , 7 , * Wako Yoshida, 2 Hiroaki Mano, 3 Takufumi Yanagisawa, 4 Flavia Mancini, 1 Kazuhisa Shibata, 5 Mitsuo Kawato, 2 , * and Ben Seymour 1 , 2 , 3 , 6 , * 1 Computational and Biological Learning Laboratory, Department of Engineering, University of Cambridge,剑桥，CB2 1PZ，英国2大脑信息通信研究实验室，高级电信研究所国际国际，京都619-0237，日本3 3 3信息与神经网络中心，美国国家信息与通信技术研究所，大阪565-0871，日本日本565-0871，日本4个临床神经工程学部，全球诉讼中心，诉讼，诉讼，全球范围，诉讼，诉讼，诉讼。 565-0043, Japan 5 Lab for Human Cognition and Learning, Center for Brain Science, RIKEN, Wako, Saitama 351-0198, Japan 6 Wellcome Centre for Integrative Neuroimaging, University of Oxford, Oxford OX3 9DU, UK 7 Lead Contact *Correspondence: suyi.zhang@ndcn.ox.ac.uk (S.Z.），kawato@atr.jp（M.K。），ben.seymour@ndcn.ox.ac.uk（B.S.）https://doi.org/10.1016/j.cub.2020.07.066
人工智能虚拟助手的动态输入深度学习控制...
在许多现实场景中，人类和机器人需要在联合任务中协调他们的动作以实现共同目标。虽然当前文献中存在几个关于二元人机交互的例子，但一个或多个人工智能体需要与许多人类交互的多智能体场景仍然很少被研究。在本文中，我们解决了合成自主人工智能体的问题，该人工智能体在人类群体中执行典型的振荡关节任务，同时表现出一些所需的人类运动特征。我们提出了一种基于深度强化学习的架构，该架构足够灵活，可以使人工智能体与不同规模的人类群体互动。作为一个典型的协调任务，我们考虑镜像游戏的多智能体版本，这是一种振荡运动任务，在文献中广泛用于研究人类运动协调。
通过量子学习控制实现线性高斯量子系统的最优控制
有效控制线性高斯量子 (LGQ) 系统是基础量子理论研究和现代量子技术发展中的重要任务。在此，我们提出了一种基于梯度下降算法的通用量子学习控制方法，用于最佳控制 LGQ 系统。我们的方法利用完全描述 LGQ 系统量子态的一阶和二阶矩，灵活地设计用于不同任务的损失函数。我们使用这种方法展示了深度光机械冷却和大型光机械纠缠。我们的方法能够在短时间内对机械谐振器进行快速和深度基态冷却，超越了连续波驱动强耦合机制中边带冷却的限制。此外，即使热声子占有率达到一百，光机械纠缠也可以非常快地产生，并且超过相应稳态纠缠的几倍。这项工作不仅拓宽了量子学习控制的应用范围，而且为 LGQ 系统的最优控制开辟了一条途径。
全驱动微型风力涡轮机的设计、分析和学习控制
摘要 — 风能是最有前途的可再生能源之一，风力涡轮机设计和控制的改进可以对能源可持续性产生重大影响。在本文中，我们做出了两个主要贡献：首先，我们开发并展示了一种用于研究目的的驱动微型风力涡轮机。虽然大多数关于风力涡轮机控制的学术工作主要集中在模拟评估上，但大多数涡轮机模拟器在模拟涡轮机引起的非稳定气动效应方面的能力非常有限；因此，在物理系统上验证风力涡轮机控制方法具有巨大的价值，我们在此介绍的平台可以以非常低的成本实现这一点。本文的第二个贡献是一种新颖的策略搜索方法，应用于优化 II 区风速下的发电量。我们的方法在本质上与强化学习方法（例如 REINFORCE 算法）类似，但明确地对成本函数的二阶项进行建模，并有效利用过去的执行数据。我们在物理涡轮机上评估了这种方法，并表明它能够在大约一分钟的执行时间内快速且可重复地实现接近最佳的发电量，而无需先验动力学模型。
强化学习控制可重构平面电缆驱动的平行操纵器*
摘要 - 由于电缆的固有灵活性和弹性，电缆驱动的并行机器人（CDPR）通常对模型和动态控制具有挑战性。将在线几何可重新配置性的附加包含在CDPR上导致具有高度非线性动力学的复杂不确定的系统。必要的（数值）冗余分辨率需要多个优化的层，以使其对实时控制的应用程序计算效率过高。在这里，深厚的强化学习方法可以提供一个无模型的框架来克服这些挑战，并可以提供实时的动态控制。本研究讨论了动态轨迹跟踪中无模型DRL实现的三个设置：（i）具有固定工作空间的标准非冗余CDPR； （ii）在可重构CDPR上具有冗余分辨率的端到端设置中； （iii）在一种脱钩的方法中，分别解决运动学和驱动裁员。
自主总线轨迹跟踪系统的强大无模型自适应迭代学习控制
摘要在这项工作中提出了一种强大的无模型自适应迭代学习控制（R-MFAILC）算法，以解决横向控制自动驾驶总线的问题。首先，根据自主总线的周期重复工作特性，利用了迭代域中使用的一种新型的动态线性化方法，并给出了具有伪梯度（PG）的时变数据模型。然后，R-MFAILC控制器的设计具有建议的自适应衰减因子。所提出的算法的优势在于R-MFAILC控制器，该控制器仅利用了调节实体的输入和输出数据。此外，R-MFAILC控制器具有很强的鲁棒性，并且可以处理系统的非线性测量干扰。在基于卡车SIM模拟平台的模拟中，验证了所提出的算法的有效性。使用严格的数学分析来证明所提出算法的稳定性和收敛性。
使用迭代学习控制加速基于 P300 的神经反馈训练以增强注意力：一项随机对照试验
摘要 目的：通过脑机接口进行的神经反馈 (NFB) 训练已被证明可有效治疗神经系统缺陷和疾病，并提高健康个体的认知能力。之前的研究显示，使用 P300 拼写器的基于事件相关电位 (ERP) 的 NFB 训练可以通过逐步增加拼写任务的难度来提高健康成年人的注意力。本研究旨在评估任务难度适应对健康成人基于 ERP 的注意力训练的影响。为此，我们引入了一种采用迭代学习控制 (ILC) 的新型适应方法，并将其与现有方法和具有随机任务难度变化的对照组进行比较。方法：该研究涉及 45 名健康参与者，为一项单盲、三组随机对照试验。每组接受一次 NFB 训练，使用不同的方法来调整 P300 拼写任务中的任务难度：两组采用个性化难度调整（我们提出的 ILC 和现有方法），一组采用随机难度。我们使用视觉空间注意任务在训练课程之前和之后评估认知表现，并通过问卷收集参与者的反馈。主要结果。所有组在训练后的空间注意任务中都表现出显著的表现提高，平均增加了 12.63%。值得注意的是，使用所提出的迭代学习控制器的组在训练期间实现了 P300 幅度增加 22%，训练后 alpha 功率降低 17%，同时与其他组相比显著加快了训练过程。意义。我们的结果表明，使用 P300 拼写器的基于 ERP 的 NFB 训练可有效增强健康成年人的注意力，一次课程后即可观察到显著的改善。使用 ILC 的个性化任务难度调整不仅可以加速训练，还可以增强训练期间的 ERP。加速 NFB 训练，同时保持其有效性，对于最终用户和临床医生的接受度至关重要。
深度强化学习，决策和控制
1。作业1：模仿学习（通过监督学习控制）2。作业2：政策梯度（“加强”）3。作业3：Q学习与演员批评算法4。家庭作业4：基于模型的增强学习5。作业5：无高级RL算法6。最终项目：您选择的研究级项目（形成一组
学习使用高维接口控制复杂康复机器人
摘要 — 颈椎受伤会导致上肢功能丧失。辅助机器可以支持上肢运动功能的丧失。但是，要恢复日常生活活动（例如，自己进食）的功能，辅助机器需要能够在高维度上运行。这意味着需要具有匹配高维操作能力的界面。身体-机器界面提供了这种能力，并且已经证明它是一种适合行动不便人士的界面。这是因为它可以利用人们可用的残余身体运动。以前使用该界面的研究仅表明该界面可以控制低维辅助机器。在这项初步研究中，我们证明了该界面可以扩展到高维机器人，可以由未受伤的人群学习控制 7 维辅助机械臂，执行复杂的伸展和功能任务。我们还分享了各种分析的结果，这些结果暗示即使在性能极低的情况下也可以进行学习。解耦机器人控制维度之间的内在关联似乎是学习的一个因素——也就是说，独立激活每个控制维度的能力可能有助于学习和掌握高维机器人控制的技能。此外，我们表明，学习控制机器人和学习执行复杂的运动任务可以同时发生。