Nonparametric Bayesian Learning for Collaborative Robot Multimodal Introspection / Zhou, Xuefeng  

Público ISBD Ningún comentario para este registro. Título : Nonparametric Bayesian Learning for Collaborative Robot Multimodal Introspection Tipo de documento: documento electrónico Autores: Zhou, Xuefeng, Autor ; Wu, Hongmin, Autor ; Rojas, Juan, Autor ; Xu, Zhihao, Autor ; Li, Shuai, Autor Mención de edición: 1 ed. Editorial: Singapore [Malasya] : Springer Fecha de publicación: 2020 Número de páginas: XVII, 137 p. 50 ilustraciones, 44 ilustraciones en color. ISBN/ISSN/DL: 978-981-1562631-- Nota general: Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos. Palabras clave: Robótica  Estadísticas  Ingeniería de control  Automatización  Aprendizaje automático  Modelos matemáticos  Ingeniería Robótica  Inferencia bayesiana  Control  Modelización Matemática y Matemática Industrial Índice Dewey: 629.892 Robots (Autómatas) Resumen: Este libro de acceso abierto se centra en la introspección de robots, que tiene un impacto directo en la interacción física entre humanos y robots y en la autonomía a largo plazo, y que puede beneficiarse del monitoreo y diagnóstico autónomo de anomalías, así como de estrategias de recuperación de anomalías. En robótica, la capacidad de razonar, resolver las propias anomalías y enriquecer proactivamente el conocimiento propio es una forma directa de mejorar los comportamientos autónomos. Con este fin, los autores comienzan considerando el patrón subyacente de observación multimodal durante la manipulación del robot, que puede modelarse efectivamente como un modelo paramétrico oculto de Markov (HMM). Luego adoptan un enfoque bayesiano no paramétrico para definir un a priori utilizando el proceso jerárquico de Dirichlet (HDP) en los parámetros estándar HMM, conocido como modelo jerárquico de Markov oculto del proceso Dirichlet (HDP-HMM). El HDP-HMM puede examinar un HMM con un número ilimitado de estados posibles y permite flexibilidad en la complejidad del modelo aprendido y el desarrollo de métodos de inferencia variacional confiables y escalables. Este libro es un valioso recurso de referencia para investigadores y diseñadores en el campo del aprendizaje de robots y la percepción multimodal, así como para estudiantes universitarios de pregrado y posgrado. Nota de contenido: Introduction to Robot Introspection -- Nonparametric Bayesian Modeling of Multimodal Time Series -- Incremental Learning Robot Complex Task Representation and Identification -- Nonparametric Bayesian Method for Robot Anomaly Monitoring -- Nonparametric Bayesian Method for Robot Anomaly Diagnose -- Learning Policy for Robot Anomaly Recovery based on Robot. En línea: https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] Link: https://biblioteca.umanizales.edu.co/ils/opac_css/index.php?lvl=notice_display&i Nonparametric Bayesian Learning for Collaborative Robot Multimodal Introspection [documento electrónico] / Zhou, Xuefeng, Autor ; Wu, Hongmin, Autor ; Rojas, Juan, Autor ; Xu, Zhihao, Autor ; Li, Shuai, Autor  . -  1 ed.  . - Singapore [Malasya] : Springer, 2020 . - XVII, 137 p. 50 ilustraciones, 44 ilustraciones en color. ISBN : 978-981-1562631-- Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos. Palabras clave: Robótica  Estadísticas  Ingeniería de control  Automatización  Aprendizaje automático  Modelos matemáticos  Ingeniería Robótica  Inferencia bayesiana  Control  Modelización Matemática y Matemática Industrial Índice Dewey: 629.892 Robots (Autómatas) Resumen: Este libro de acceso abierto se centra en la introspección de robots, que tiene un impacto directo en la interacción física entre humanos y robots y en la autonomía a largo plazo, y que puede beneficiarse del monitoreo y diagnóstico autónomo de anomalías, así como de estrategias de recuperación de anomalías. En robótica, la capacidad de razonar, resolver las propias anomalías y enriquecer proactivamente el conocimiento propio es una forma directa de mejorar los comportamientos autónomos. Con este fin, los autores comienzan considerando el patrón subyacente de observación multimodal durante la manipulación del robot, que puede modelarse efectivamente como un modelo paramétrico oculto de Markov (HMM). Luego adoptan un enfoque bayesiano no paramétrico para definir un a priori utilizando el proceso jerárquico de Dirichlet (HDP) en los parámetros estándar HMM, conocido como modelo jerárquico de Markov oculto del proceso Dirichlet (HDP-HMM). El HDP-HMM puede examinar un HMM con un número ilimitado de estados posibles y permite flexibilidad en la complejidad del modelo aprendido y el desarrollo de métodos de inferencia variacional confiables y escalables. Este libro es un valioso recurso de referencia para investigadores y diseñadores en el campo del aprendizaje de robots y la percepción multimodal, así como para estudiantes universitarios de pregrado y posgrado. Nota de contenido: Introduction to Robot Introspection -- Nonparametric Bayesian Modeling of Multimodal Time Series -- Incremental Learning Robot Complex Task Representation and Identification -- Nonparametric Bayesian Method for Robot Anomaly Monitoring -- Nonparametric Bayesian Method for Robot Anomaly Diagnose -- Learning Policy for Robot Anomaly Recovery based on Robot. En línea: https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] Link: https://biblioteca.umanizales.edu.co/ils/opac_css/index.php?lvl=notice_display&i

---

1 (1 - 1 / 1) Par page : 25 50 100 200