基于"非监督-监督-激励"集成学习模式的机器人行为自主学习系统研究

各种行为控制器的设计是机器人技术的核心和难点之一。机器人自主学习是获.取所需行为控制器的一个有效方法，也是智能机器人应有的本质特征。本项目以自生长自消减构造性神经网络为核心，通过对机器人"感知－动作"数据耦合配对特征辨识的自组织模型、"自生长-自消减"网络中神经元生长消减的自适应规则、和Q-学习中先验知识在线嵌入算法与激励学习实时训练方法的研究，构建一个集"非监督－监督－激励"学习三种学习模式为一体的机器人行为学习系统。本项目旨在揭示机器人自主学习中环境感知的自组织特征、"感知－动作"高维非线性映射模型的自构造规律和非监督－监督－激励学习三种学习模式的自动组合与自动切换机理；通过这一具有集成学习模式的行为学习系统可用于不同类型的机器人、具备学习新的机器人行为的能力、和优化现有机器人行为以适应运行环境的动态变化，从而提高机器人的智能与自主控制能力、增强学习系统的普适性、和简化控制器的设计。