大家好，欢迎来到IT知识分享网。

各位看官阅读之前，请您点击一下“关注”，既方便您讨论与分享，又能给您带来不一样的参与感，感谢您的支持。

文丨吐不满的痰娱

编辑丨吐不满的痰娱

前言

基于尖峰神经网络的帆船导航控制系统的灵感在于它们在专用硬件上实现快速和低能耗计算的潜力，使用调制尖峰时间依赖性可塑性强化学习规则开发一种基于尖峰神经网络的控制系统。

该系统可以学习策略允许帆船根据航行场景条件，通过沿着直线或执行迎风转向和回转策略在两点之间航行并完成了所提出的导航任务，表明仿真环境和实施的控制策略有效地工作最后提出一些可能的策略来提高其性能

帆船的无人自主导航系统

无人车辆自主导航系统已成为一个热门话题，特别是与帆船的无人车辆自主导航系统相关，因为其主要推进力来源是风，是一种免费丰富且环保的资源。

帆船在长期导航和海洋监测应用中显示出巨大的潜力，因为它们无法长时间接触陆地不同系统的能源效率至关重要，由于帆船动力学复杂以及风浪的多变性为帆船设计无人车辆自主导航系统具有挑战性。

获取动态帆船参数的全面知识很复杂，因此一些工作从不需要动态模型的角度提出了控制策略，提出了一种利用几何定律的位置保持控制器，使用Q学习强化学习算法来解决路径规划问题，结合了从粗到精的策略和Q学习算法来实现避障控制器。

尖峰神经网络已广泛应用于神经科学领域还广泛应用于机器人领域，与人工神经网络不同，基于尖峰神经网络使用随时间分布的短电脉冲进行通信使其行为类似于生物神经元，基于尖峰神经网络被认为是解决机器人技术中各种控制挑战的有前途的解决方案。

它们真实地模仿了大脑的底层机制同时节省了能源，有时还允许简单的硬件实现开发了专门的神经拟态硬件以高效运行基于尖峰神经网络。

这些平台允许大型基于尖峰神经网络以最小的响应延迟和功耗运行，使基于尖峰神经网络成为一种在能量和延迟有限的应用中具有潜力的人工智能技术，此外基于尖峰神经网络的使用为迈向更绿色的人工智能范式提供了绝佳的机会。

机器人技术领域的一些工作已将基于基于尖峰神经网络的控制器应用于各种控制任务，在移动机器人领域使用基于生物的循环基于尖峰神经网络和泄漏积分和激发神经元模型以及尖峰时间依赖可塑性学习规则和速率编码来解决无人机问题。

使用具有泄漏积分和激发神经元模型的前馈基于尖峰神经网络和强化尖峰时间依赖可塑性以及学习规则和速率编码来控制车道保持应用中的两轮车辆。

使用具有泄漏积分和激发神经元模型和尖峰时间依赖可塑性学习规则以及群体编码的前馈基于尖峰神经网络]为人形机器人实现疼痛机制，解决警报实际伤害任务和预防潜在伤害任务。

基于尖峰神经网络为控制机器人提供了一种有前途的解决方案，具有高生物学合理性和良好的性能，然而由于其复杂的构造和优化，基于尖峰神经网络在给定的机器人应用中使用可能具有挑战性，因此基于尖峰神经网络尚未扩展到许多潜在的应用。

必须强调的是基于尖峰神经网络的设计仍然没有统一的框架，使用强化学习规则将基于尖峰神经网络应用于帆船导航控制系统，这种方法使我们能够在不知道动态帆船参数且不需要帆船数据库的情况下训练基于尖峰神经网络。

目标是使用基于尖峰神经网络设计帆船控制系统并进行模拟以评估其有效性，为了实现这一目标引入了一种设计方法并利用它来构建各种基于基于尖峰神经网络的无人车辆自主导航系统。

控制系统可以运行并改善了一些其他算法的偏差误差，但需要进一步细化以匹配更先进的算法，基于尖峰神经网络在帆船控制中的应用以及所获得的结果为该领域的未来研究奠定了基础。

开发基于尖峰神经网络架构的系统

通过将无人水面车辆开源模拟器模拟器与控制环境集成来开发模拟环境，定义了基于尖峰神经网络架构和控制策略以及训练方法，建立了训练和测试场景并探索了与基于尖峰神经网络架构和控制策略相关的各种超参数的设计空间。

训练了多个基于基于尖峰神经网络的无人车辆自主导航系统控制器，并根据偏差误差和总航行时间以及总输入神经元评估了它们的性能，设计了一种基于尖峰神经网络的帆船无人车辆自主导航系统以及用于训练和测试的模拟环境。

该项目的初始阶段涉及创建模拟环境，为了实现这一目标对无人水面车辆开源模拟器模拟器中的某些文件进行了一些修改，确保模拟环境正常运行后，继续定义使用帆船中可用的执行器实施无人车辆自主导航系统所需的基于基于尖峰神经网络的控制器。

这涉及定义基于尖峰神经网络的架构和设计控制策略，指定了各种基于尖峰神经网络特征包括神经元模型和输出解码等，采用M尖峰时间依赖可塑性学习规则来训练基于尖峰神经网络控制器，最后根据帆船所需的操纵为每个基于尖峰神经网络建立了奖励函数。

在设计基于基于尖峰神经网络的控制器时发现了几个影响无人车辆自主导航系统控制器行为的超参数，因此探索了这些参数的设计空间以确定一组能够最小化偏差误差和总航行时间的控制器。

最后一步为基于基于尖峰神经网络的无人车辆自主导航系统创建了训练和测试场景并使用它们来进行设计空间探索，对于每个设计点训练和测试每对控制器改变超参数以获得不同的性能，消除了控制器未在特定时间范围内完成训练或测试序列的设计点。

接下来通过识别帕累托最优控制器集来评估其余控制器的性能，最后我们选择了最好的控制器并将其与其他帆船控制算法进行了比较。

对无人水面车辆无人导航系统模拟测试

根据真实风向和目标点位置的不同帆船可能面临六种主要的航行场景，目标是训练基于基于尖峰神经网络的控制器使帆船能够向任何方向移动并且使用这些场景来定义训练和测试场景。

为了训练基于基于尖峰神经网络的无人车辆自主导航系统依赖于传统的航行策略而不是提出新颖的策略，这些航行策略可以分为两类。

如果帆船朝向目标点的航向处于逆风或顺风区域则帆船将沿着直线轨迹到达目标，如果帆船朝目标点的航向位于禁区，它将执行迎风航行和回转机动以到达目标，因为直线轨迹是不可行的。

强化学习是一种人工智能技术，不同于监督学习和无监督学习，它的目的是根据数字奖励信号来学习要采取的行动，为了开发和理解我们的控制策略定义了一些强化学习概念。

仿真环境充当在帆船无人车辆自主导航系统环境中训练和测试基于尖峰神经网络控制器的软件基础设施，能够训练和运行基于尖峰神经网络同时对帆船和作用在其上的环境力进行建模。

为此选择了无人水面车辆开源模拟器，在可用的帆船模拟器中无人水面车辆开源模拟器因其高度详细的物理模拟而被选中，包括对风和波浪等环境干扰的建模定制了无人水面车辆开源模拟器提供的默认帆船模型以类似于在现实世界中实现的实际帆船。

另一方面使用Python3和BindsNET库来实现控制器环境，BindsNET是一个Python3库用于模拟基于尖峰神经网络，选择BindsNET是因为它的高级抽象，它能够直接描述基于尖峰神经网络的行为。

使用BindsNET库制作基于基于尖峰神经网络的控制器并执行控制系统，生成训练和测试场景的目标点执行并保存不同实验的相关信息。

由于无人水面车辆开源模拟器和我们的控制器环境使用的Python版本之间不兼容必须将它们隔离，为了在它们之间建立通信通过Socat开发了通信链路，最后通过配置文件加载输入数据包含配置基于基于尖峰神经网络的无人车辆自主导航系统所需的信息。

所有算法都成功完成了场景，Viel的控制器优于其他算法，因为它相对于理想路径具有最小的行进时间和偏差误差。

虽然无人水面车辆开源模拟器算法比基于基于尖峰神经网络的无人车辆自主导航系统具有更好的行程时间，但基于尖峰神经网络的无人车辆自主导航系统具有较低的偏差误差。

尽管基于基于尖峰神经网络的无人车辆自主导航系统的性能并不比Viel等鲁棒控制器更好，但在低偏差误差很重要的任务中它可能可以作为PI控制器的可行替代方案。

结语

一种基于基于尖峰神经网络的帆船控制无人车辆自主导航系统在模拟实验中进行了设计空间探索以最大限度地减少测试时间和总输入神经元，在偏差误差方面优于无人水面车辆开源模拟器控制器。

然而它的性能比Viel的控制器差，表明需要重新评估方法的各个方面，一个潜在的变化是使用具有资格跟踪的强化学习算法而不是M尖峰时间依赖可塑性算法，因为它将支持更高级的奖励策略。

文章描述过程、图片都来源于网络，此文章旨在倡导社会正能量，无低俗等不良引导。如涉及版权或者人物侵权问题，请及时联系我们，我们将第一时间删除内容！如有事件存疑部分，联系后即刻删除或作出更改。