توضیحات
Manipulating or grasping objects seems like a trivial task for humans, as these are motor skills of everyday life. Nevertheless, motor skills are not easy to learn for humans and this is also an active research topic in robotics. However, most solutions are optimized for industrial applications and, thus, few are plausible explanations for human learning. The fundamental challenge, that motivates Patrick Stalph, originates from the cognitive science: How do humans learn their motor skills? The author makes a connection between robotics and cognitive sciences by analyzing motor skill learning using implementations that could be found in the human brain at least to some extent. Therefore three suitable machine learning algorithms are selected algorithms that are plausible from a cognitive viewpoint and feasible for the roboticist. The power and scalability of those algorithms is evaluated in theoretical simulations and more realistic scenarios with the iCub humanoid robot. Convincing results confirm the applicability of the approach, while the biological plausibility is discussed in retrospect.
————————————————————–
ترجمه ماشینی :
دستکاری یا درک اشیاء به نظر می رسد یک کار بی اهمیت برای انسان است ، زیرا این مهارت های حرکتی زندگی روزمره است. با این وجود ، مهارت های حرکتی برای انسان آسان نیست و این نیز یک موضوع تحقیق فعال در روباتیک است. با این حال ، اکثر راه حل ها برای کاربردهای صنعتی بهینه شده اند و بنابراین ، تعداد کمی از توضیحات قابل قبول برای یادگیری انسان است. چالش اساسی ، که باعث ایجاد انگیزه پاتریک استلف می شود ، از علم شناختی سرچشمه می گیرد: چگونه انسان مهارت های حرکتی خود را می آموزد؟ نویسنده با تجزیه و تحلیل یادگیری مهارت حرکتی با استفاده از پیاده سازی هایی که حداقل تا حدی در مغز انسان یافت می شود ، بین رباتیک و علوم شناختی ارتباط برقرار می کند. بنابراین سه الگوریتم یادگیری ماشین مناسب الگوریتم هایی انتخاب شده اند که از یک دیدگاه شناختی قابل قبول هستند و برای روباتیک امکان پذیر هستند. قدرت و مقیاس پذیری آن الگوریتم ها در شبیه سازی های نظری و سناریوهای واقع بینانه تر با ربات Humanoid ICUB ارزیابی می شود. نتایج قانع کننده کاربرد رویکرد را تأیید می کند ، در حالی که احتمال پذیرش بیولوژیکی در گذشته نگر مورد بحث قرار گرفته است.
tag : دانلود کتاب تجزیه و تحلیل و طراحی تکنیک های یادگیری ماشین: راه حل های تکاملی برای رگرسیون ، پیش بینی و مشکلات کنترل , Download تجزیه و تحلیل و طراحی تکنیک های یادگیری ماشین: راه حل های تکاملی برای رگرسیون ، پیش بینی و مشکلات کنترل , دانلود تجزیه و تحلیل و طراحی تکنیک های یادگیری ماشین: راه حل های تکاملی برای رگرسیون ، پیش بینی و مشکلات کنترل , Download Analysis and Design of Machine Learning Techniques: Evolutionary Solutions for Regression, Prediction, and Control Problems Book , تجزیه و تحلیل و طراحی تکنیک های یادگیری ماشین: راه حل های تکاملی برای رگرسیون ، پیش بینی و مشکلات کنترل دانلود , buy تجزیه و تحلیل و طراحی تکنیک های یادگیری ماشین: راه حل های تکاملی برای رگرسیون ، پیش بینی و مشکلات کنترل , خرید کتاب تجزیه و تحلیل و طراحی تکنیک های یادگیری ماشین: راه حل های تکاملی برای رگرسیون ، پیش بینی و مشکلات کنترل , دانلود کتاب Analysis and Design of Machine Learning Techniques: Evolutionary Solutions for Regression, Prediction, and Control Problems , کتاب Analysis and Design of Machine Learning Techniques: Evolutionary Solutions for Regression, Prediction, and Control Problems , دانلود Analysis and Design of Machine Learning Techniques: Evolutionary Solutions for Regression, Prediction, and Control Problems , خرید Analysis and Design of Machine Learning Techniques: Evolutionary Solutions for Regression, Prediction, and Control Problems , خرید کتاب Analysis and Design of Machine Learning Techniques: Evolutionary Solutions for Regression, Prediction, and Control Problems ,
نقد و بررسیها
هنوز بررسیای ثبت نشده است.