RoboCup机器人足球仿真比赛的关键技术

多智能体系统是分布式人工智能的一个主要领域。机器人足球仿真比赛是MAS的理想测试平台。该文总结了几个机器人足球仿真队的主要技术特点和对它们进行的研究,并提出了今后的研究方向,以促进机器人足球仿真技术的推广。     

足球机器人系统的工作模型及通信行为

提出了足球机器人系统的三种工作模型,在此基础上基于Agent的思想分析了机器人足球比赛中的推理机制、实现方法,讨论了Agent之间的信息通信及其消息原语的BNF定义.     

机器人足球——智能机器人的新领域

本文主要介绍近年来发展的机器人足球比赛和足球机器人系统．足球机器人系统由机器人、视觉系统、主机系统和通讯系统组成．多机器人组队比赛便构成一个复杂大系统，它涉及机器人、自动控制、通信、传感、图像处理以及人工智能等领域，而机器人足球便成为研究多机器人合作以及多智能体系统的一个很好的实验载体．     

仿真机器人足球中的强化学习

本文总结当前仿真机器人足球中强化学习的研究进展,系统阐述在仿真机器人足球不同决策层次中使用强化学习的不同方法,针对仿真机器人足球的特点讨论当前使用的几种对环境状态空间进行泛化的方法,并展望今后强化学习在仿真机器人足球中的主要应用方向.     

机器人足球智能控制系统分析与设计

该文结合智能控制理论和多智能体系统理论分析了基于多智能体系统(MABS)的分级递阶智能控制系统结构,并将该控制结构用于机器人足球系统,提出了机器人足球系统的分级递阶智能控制结构,并运用基于人工神经网络的模糊控制系统为足球机器人真正实现智能化控制提供了一种可行的控制方案。     

多智能体强化学习及其在足球机器人角色分配中的应用

足球机器人系统是一个典型的多智能体系统, 每个机器人球员选择动作不仅与自身的状态有关, 还要受到其他球员的影响, 因此通过强化学习来实现足球机器人决策策略需要采用组合状态和组合动作. 本文研究了基于智能体动作预测的多智能体强化学习算法, 使用朴素贝叶斯分类器来预测其他智能体的动作. 并引入策略共享机制来交换多智能体所学习的策略, 以提高多智能体强化学习的速度. 最后, 研究了所提出的方法在足球机器人动态角色分配中的应用, 实现了多机器人的分工和协作.     

从宏观和微观论多智能体系统与足球机器人系统体系结构

在半自主型的MAS组织结构的基础上,建立具有Agent、逻辑Agent与物理Agent的异构体系,从微观和宏观两种技术路线分析了多智能体系统 (MAS)的组织结构和Agent的体系结构,提出了一种足球机器人系统的分层知识、分层推理的体系结构模型,可简化推理过程,又增强推理能力,提高足球机器人的应变能力和实时性.     

机器人足球与足球机器人

机器人足球与足球机器人是最近几年在国际上迅速开展起来的高技术对抗活动,虽然历史不长,但由于它集高新技术、娱乐比赛于一体,是密切理论联系实际的极富生命力的成长点,所以引起了社会的广泛关注和极大兴趣.     

基于模块化Q学习的足球机器人合作

提出了一种新的多机器人系统学习结构,这种学习结构能够降低环境状态空间和机器 人的动作空间,加快学习速度。该方法的有效性在机器人足球比赛中得到了验证。     

机器人足球仿真教练模型研究

RoboCup仿真比赛已经在国际上开展几年了,近来在国内也得到了迅速的发展,它通过提供了一个标准问题来促进人工智能和智能机器人的研究。文中以RoboCup仿真比赛为背景,首先讨论了教练模型,包括教练的角色意义和相应的权限,而后针对教练设计中涵盖的几个问题,如对手建模、规划识别、离线训练,分别给出了较好的解决方案。最后从在线教练工作过程的角度总结了有关教练技术的具体应用,并对教练的设计前景提出了一些看法。对于建立和设计仿真教练,进行多智能体系统的合作协调研究具有重要意义。     

基于边界样本协调的多智能体合作学习

针对Q学习状态空间非常大,导致收敛速度非常慢的问题,给出一种基于边界样本协调的多智能体在线合作学习方法,使得智能体在特定的子空间上进行特化并通过边界状态上的开关函数相互协调,从而能够较快地学习到局部最优.仿真实验表明该方法能够取得比全局学习更好的在线学习性能.     

基于WEB的虚拟教学系统综述

在基于WEB的虚拟教学环境中,学生和老师可以不受时间和空间的限制,进行信息共享和交流,协同合作完成教学任务。文章结合计算机支持的协同工作 （Computer Support Cooperative Work）技术、虚拟现实（virtual reality）技术和IEEE上关于协同合作之间信息传输的标准,从基于WEB的虚拟教学环境的产生需求、特征、结构框架以及协同合作信息的传输这几个方面对基于WEB的虚拟教学系统的研究情况进行综述,讨论了存在的一些问题。     

基于半监督学习的增量图像分类方法

为有效使用大量未标注的图像进行分类,提出一种基于半监督学习的图像分类方法。通过共同的隐含话题桥接少量已标注的图像和大量未标注的图像,利用已标注图像的Must-link约束和Cannot-link约束提高未标注图像分类的精度。实验结果表明,该方法有效提高Caltech-101数据集和7类图像集约10%的分类精度。此外,针对目前绝大部分半监督图像分类方法不具备增量学习能力这一缺点,提出该方法的增量学习模型。实验结果表明,增量学习模型相比无增量学习模型提高近90%的计算效率。关键词半监督学习,图像分类,增量学习中图法分类号TP391。41IncrementalImageClassificationMethodBasedonSemi-SupervisedLearningLIANGPeng^1,2,LIShao-Fa²,QINJiang-Wei²,LUOJian-Gao³¹(SchoolofComputerScienceandEngineering,GuangdongPolytechnicNormalUniversity,Guangzhou510665)²(SchoolofComputerScienceandEngineering,SouthChinaUniversityofTechnology,Guangzhou510006)³(DepartmentofComputer,GuangdongAIBPolytechnicCollege,Guangzhou510507)ABSTRACTInordertouselargenumbersofunlabeledimageseffectively,animageclassificationmethodisproposedbasedonsemi-supervisedlearning。Theproposedmethodbridgesalargeamountofunlabeledimagesandlimitednumbersoflabeledimagesbyexploitingthecommontopics。Theclassificationaccuracyisimprovedbyusingthemust-linkconstraintandcannot-linkconstraintoflabeledimages。TheexperimentalresultsonCaltech-101and7-classesimagedatasetdemonstratethattheclassificationaccuracyimprovesabout10%bytheproposedmethod。Furthermore,duetothepresentsemi-supervisedimageclassificationmethodslackingofincrementallearningability,anincrementalimplementationofourmethodisproposed。Comparingwithnon-incrementallearningmodelinliterature,theincrementallearningmethodimprovesthecomputationefficiencyofnearly90%。     

CMAC学习性能及泛化性能研究综述

小脑模型清晰度控制器(CMAC)是一种局部学习前馈网络,结构简单,收敛速度快,易于实现。从其每个神经元来看,各神经元之间是一种线性关系,但从总体结构来看,网络是一种非线性映射关系。而且模型从输入开始就存在一种泛化能力。网络的学习和泛化能力一直是研究热点,因此,该文将对CMAC网络的泛化能力、学习能力以及一些改善途径进行多方面的综合性的讨论。文章最后还将给出一种改善CMAC泛化能力的训练策略,它不仅避免了学习干扰问题加快了学习速度而且可以通过提高训练循环次数增加训练样本量。通过MATLAB仿真发现这种训练策略可以改善CMAC网络的泛化能力。该方法简单有效是可行的。     

足球机器人控制体系结构的研究

提出了基于粗粒度空间和垂直分解结构的控制体系结构,用于解决实时多足球机器人的对抗问题．总结了智能机器人的控制体系结构,提出了控制体系结构设计中的几个重要原则．提出了粗粒度行为的概念,寻求决策精度与系统智能和实时性的平衡,并设计了基于这种思想的控制体系结构．实现了基于这种结构的策略程序,实战证明了该方法的正确性．     

基于多图核的迁移学习方法

医学数据标注成本高昂,不同研究中心提供的脑影像数据间存在分布差异,无法有效整合,影响预测模型性能.针对此问题,文中提出基于多图核的迁移学习方法,将不同的图核用于挖掘脑网络结构信息并衡量脑网络间的相似性.提出多核学习框架,提高迁移模型的性能.在自闭症谱系障碍(ASD)多中心数据集上验证文中方法可有效利用脑网络数据的结构信息.多核学习框架也可综合不同图核的优点,进一步提高方法在脑网络数据上的分类性能.     

基于朴素贝叶斯方法的数字化学习过程评价

学习过程评价既可实时监控学习的每一个步骤,也可有效发挥评价的反馈与调节、激励与促进作用.由于贝叶斯分类方法综合了先验信息和样本数据的概率分布,因此将其应用于数字化学习过程评价,具有较高的科学性,是数据挖掘技术与教育管理相结合的有益探索.实验结果表明,评价客观、一致,具有较高准确性.     

基于低秩表示的标记分布学习算法

针对标记分布学习算法忽略标记相关性信息及数据存在异常和噪声值的情况,文中提出基于低秩表示的标记分布学习算法(LDL-LRR).利用特征空间的基线性表示样本信息,实现对原始特征空间数据的降维.将低轶表示(LRR)迁移至标记空间,对模型施加低秩约束,把握数据的全局结构.分别使用增广拉格朗日乘子法和拟牛顿法求解LRR和目标函数,再通过最大熵模型预测标记分布.在10个数据集上的对比实验表明,LDL-LRR性能良好,效果稳定.     

基于PU学习的链接预测方法

基于分类的链接预测方法中,由于链接未知节点对的大规模性与不确定性,选择可靠负例成为构造链接预测分类器的难点问题.为此,文中提出基于正例和无标识样本(PU)学习的链接预测方法.首先,提取节点对的拓扑信息以构造样本集.再利用社区结构确定候选负例的分布,基于分布进行多次欠采样,获得多个候选负例子集,集成多个负例集与正例集中构建的分类器选择可靠负例.最后基于正例与可靠负例构造链接预测分类器.在4个网络数据集上的实验表明文中方法预测结果较优.     

以问题解决为基础的探究式学习法

以问题解决为基础的探究式学习法是目前比较受学生欢迎的一种学习方法.试图分析该方法的特征、设计原则和注意点,同时探讨该方法在<管理信息系统>课程中的应用.实践表明,该方法比传统教学法具有更好的效果.