- 博客(11)
- 资源 (1)
- 收藏
- 关注
RSS订阅原创 深度强化学习——A3C
异步的优势行动者评论家算法（Asynchronous Advantage Actor-Critic，A3C）是Mnih等人根据异步强化学习（Asynchronous Reinforcement Learning， ARL） 的思想，提出的一 种轻量级的 DRL 框架，该框架可以使用异步的梯度下降法来优化网络控制器的参数，并可以结合多种RL算法。
2017-06-13 20:32:33
52369
3
原创 深度强化学习——Dueling-DDQN
深度双Q网络（DDQN）和基于竞争构架Q网络（Dueling-DQN）都是DQN的改进版本，前者是对DQN训练算法的改进，后者是对DQN模型结构的改进。
2017-06-13 09:38:56
32575
原创 机器人手眼协调——机械臂自主抓取物体
KinectV2作为视觉输入，获取目标物体以及机械臂各关节在三维空间中的位置，结合几何运动学和数据训练方法实现机械臂自主抓取目标物体。
2017-06-10 19:45:01
50232
10
原创 深度强化学习控制移动机器人
使用深度强化学习控制移动机器人在复杂环境中避障、收集物品到指定点。所用到的算法包括DQN、Deuling-DDQN、A3C、DDPG、NAF。
2017-06-10 17:47:31
14249
3
原创 IMU姿态融合（MPU9250从校正到滤波步骤）
MPU9250包括三轴加速度计、三轴陀螺仪和三轴磁力计。因为加速度/磁力计具有高频噪声（需要低通滤波），将加速度/磁力计的信号看成是音频信号，它们的信号会有很多“毛刺“，也就是说它们的瞬时值不够精确，解算出来的姿态会震荡，但长期来看姿态方向是对的。而陀螺仪具有低频噪声（需要高通滤波），即每个时刻的得到的角速度是比较精确的，使用积分就能得到旋转角度
2017-06-08 21:06:39
75157
13
原创 深度强化学习——DQN
DQN（Deep Q-Learning）可谓是深度强化学习（Deep Reinforcement Learning）的开山之作，是将深度学习与增强学习结合起来从而实现从感知（Perception）到动作（ Action ）的端对端（End-to-end）学习的一种全新的算法。
2017-06-05 21:55:24
113223
20
翻译 四元数与旋转——学习笔记(三)
四元数与旋转——学习笔记(一) 四元数与旋转——学习笔记(二) 四元数与旋转——学习笔记(三)五、四元数的微分和积分假设前面公式(1)给出的四元数是时间 tt 的函数。则对 q(t)q(t) 求导有： q=q0˙+q˙=q0˙+q1˙i^+q2˙j^+q3˙k^q=\dot{q_0}+\dot{\boldsymbol{q}}=\dot{q_0}+\dot{q_1}\hat{i}+\dot{q_
2017-06-01 15:05:53
17314
2
翻译 四元数与旋转——学习笔记(二)
四元数与旋转——学习笔记(一) 四元数与旋转——学习笔记(二) 四元数与旋转——学习笔记(三)三、四元数旋转算子四元数原本是表示四维空间R4\Re^4的，而在对三维空间R3\Re^3的向量v=(xv,yv,zv)\boldsymbol{v}=(x_v,y_v,z_v)进行运算时使用的是纯四元数，该四元数的实数部分为0。因此向量v\boldsymbol{v}的四元数表示为xvi^+yvj^+zvk
2017-06-01 11:28:08
4782
翻译 四元数与旋转——学习笔记(一)
一、引言三维空间里向量或坐标系之间的旋转关系可以用3×33\times3的标准正交矩阵表示，称为旋转矩阵。但是，旋转矩阵中的9个元素只有4个是独立的，因此它是冗余的，而且它的几何解释也不够清楚。此外，在进行两次旋转时，两个旋转矩阵相乘需要进行27次乘法和18次加法操作。四元数（quaternion），是在1843年W.R.Hamilton与他妻子在都柏林皇家运河边散步时突然想到的，他把四元数乘法的基
2017-06-01 11:02:15
8699
平衡二叉树操作的演示
2013-12-21
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人