30、机器人领域的机器学习与深度学习方法

机器人领域的机器学习与深度学习方法

1. ELM 参数优化

在优化极限学习机（ELM）参数时，关键考虑因素是适应度和粒子编码。LLSO - ELM 粒子由输入层的权重向量和隐藏神经元的偏置向量组成。粒子 P 可以用以下方程数值表示：
[P = [w_{11}, w_{12}, \cdots w_{1L}, \cdots w_{n1}, \cdots w_{nl}, b_1 \cdots b_L]]
其中，n 是输入数据集的维度，L 是隐藏神经元的数量。粒子的长度 Len of Particle 由以下方程表示：
[Len_{of \ Particle} = (n + 1) \times L]
适应度用于评估粒子的质量，值越小表示分类效果越好。适应度值可以通过以下方程确定：
[Fitness = 1 - Acc]
在 LLSO 搜索并获取到最优参数后，Acc 是 ELM 算法正确分类的样本数量与所有采集样本数量的比值。

2. 软机器人的机器学习

传统机器人以精确和刚性著称，但近年来，引入了具有灵活性和适应性等现代概念的改进技术，软机器人展现出了传统刚性机器人所不具备的能力。机器学习（ML）可以利用大型多维数据集提取特征，结合软传感器在机器人上的应用，软机器人的性能得到了显著提升。软传感器可以提高机器人的灵敏度和适应性，但由于软材料的非线性和高滞后性，软传感器在能力和校准方面存在一定限制。

学习方法可以克服软传感器实施中的这些限制。ML 能够通过考虑其非线性和滞后性来实现准确的校准和表征。机器人任务可分为感知和控制两部分：
- 感知任务 ：旨在通过传感器