具身智能形态控制方法综述

近年来,基于强化学习的具身智能在机器人控制领域得到了广泛的应用。具身智能关注智能体对环境的感知和交互,而这种感知和交互在物理层面上就是智能体物理形态的控制和优化。因此,具身智能研究的问题都是由形态、学习和行为的相互作用产生的。其中,形态信息的引入可以有效地约束由机器人的复杂形态带来的巨大的搜索空间。本文重点关注具身智能的形态控制部分,围绕基于强化学习的形态控制方法展开。介绍了当前具身智能形态控制的研究进展和相关问题,重点是在形态信息引入和模型迁移方面;总结了当前的热点方法,主要是图神经网络和Transformer方法;并对未来的发展方向进行了展望。     

一种面向FPGA的快速Hough变换

在FPGA上设计并实现了一种用于直线检测的快速Hough变换方法。使用分类滤波器把直线目标分成多个方向,使多个方向上的运算在空间上实现了并行处理;在每个方向上,设计实现了一种用于Hough变换的流水线处理结构;提出了一种基于直方图统计的两阶段搜索算法。大量的实验验证了提出的Hough变换实现方法的可行性,结果证明该方法占用空间少,实时性高。     

基于FPGA的实时Hough变换

为解决Hough变换实时性差的问题,提出一种基于现场可编程门阵列的实时Hough变换方法。采用分角度映射方法使Hough变换在空间上并行运算。设计一种基于流水线的计算结构,实现Hough空间参数计算与存储的时间并行性。通过双口RAM,在单个时钟内完成参数空间的一次投票操作,提出一种适合在FPGA中实现的快速寻找极值的二次搜索算法。与DSP进行效率对比实验,结果表明该方法效率较高,能满足实时性处理要求。