智能无线机器人：人工智能算法与应用

技术缩略语

参考文献

10.3.2 网络协同多机器人系统

10.3.1 曼哈顿街道上的联网自动驾驶汽车

10.3 网络多机器人系统

10.2.3 多址通信

10.2.2 计算机网络

10.2.1 数字通信系统

10.2 无线通信和网络

10.1.3 工厂自动化

10.1.2 多旅行商问题

10.1.1 最优分配

10.1 多机器人任务分配

第10章 多机器人系统

参考文献

9.4.4 多接入通信上的联邦学习

9.4.3 无线网络上的联邦学习

9.4.2 通过无线通信进行联邦学习

9.4.1 联邦学习基础

9.4 联邦学习

9.3.7 带决策树的强化学习

9.3.6 定位机器人

9.3.5 规则和树

9.3.4 回归树

9.3.3 分类树

9.3.2 正式处理

9.3.1 决策示例

9.3 决策树

9.2 基于视觉功能的多模态信息融合

9.1.3 图像特征和目标识别

9.1.2 边缘检测

9.1.1 计算机视觉基础

9.1 计算机视觉

第9章 多模态数据融合

参考文献

8.3.4 条件穷举规划

8.3.3 定长规划

8.3.2 强化学习的系统阐述

8.3.1 规划和导航示例

8.3 自主移动机器人的规划和导航

8.2 离散规划

8.1.2 语义表示

8.1.1 贝叶斯网络

8.1 知识表示和分类逻辑

第8章 机器人规划

参考文献

7.4 网络定位和导航

7.3.3 立体摄像机辅助的SLAM

7.3.2 扩展卡尔曼滤波SLAM

7.3.1 概率SLAM

7.3 同时定位与建图

7.2 移动机器人定位

7.1.3 到达时间差技术

7.1.2 到达角技术

7.1.1 到达时间技术

7.1 传感器网络定位

第7章 定位

参考文献

6.4.3 扩展卡尔曼滤波

6.4.2 标量卡尔曼滤波

6.4.1 卡尔曼滤波

6.4 高斯滤波

6.3 贝叶斯滤波

6.2 递归状态估计

6.1.4 极大似然估计

6.1.3 贝叶斯估计

6.1.2 线性预测

6.1.1 基于观测的线性估计量

6.1 估计基础

第6章 状态估计

参考文献

5.3.4 Q学习与TD学习的关系

5.3.3 SARSA

5.3.2 时序差分学习

5.3.1 蒙特卡罗方法

5.3 无模型的学习

5.2.3 Q学习示例

5.2.2 Q学习算法

5.2.1 部分可观测状态

5.2 Q学习

5.1.4 贝尔曼最优性原理

5.1.3 基于马尔可夫过程的强化学习

5.1.2 强化学习基础

5.1.1 重访多臂赌博机问题

5.1 强化学习基础

第5章 强化学习

参考文献

4.5.3 汤普森采样

4.5.2 上置信界

4.5.1 ε-贪婪算法

4.5 多臂赌博机问题

4.4 MDP的应用：搜索移动目标

4.3 决策及规划：动态规划

4.2.3 开发贝尔曼方程的解

4.2.2 最优策略

4.2.1 马尔可夫决策过程的数学基础

4.2 马尔可夫决策过程

4.1.4 贝叶斯序贯决策

4.1.3 雷达信号探测

4.1.2 贝叶斯决策

4.1.1 数学基础

4.1 统计决策

第4章 马尔可夫决策过程

参考文献

3.4 数据预处理

3.3 深度神经网络

3.2.3 主成分分析

3.2.2 EM算法

3.2.1 K均值聚类

3.2 无监督学习

3.1.4 支持向量机

3.1.3 KNN

3.1.2 贝叶斯分类

3.1.1 回归

3.1 监督学习

第3章 机器学习基础

参考文献

2.5.3 凸优化

2.5.2 非线性规划

2.5.1 线性规划

2.5 优化

2.4 有信息搜索

2.3.3 深度优先搜索

2.3.2 动态规划

2.3.1 广度优先搜索

2.3 统一搜索

2.2 搜索求解

2.1 问题求解智能体

第2章 基本搜索算法

参考文献

1.3.2 通过搜索来求解CSP

1.3.1 约束满足问题

1.3 推理

1.2.4 机器人和多智能体系统

1.2.3 任务环境

1.2.2 系统动力学

1.2.1 合理性的概念

1.2 智能体

1.1 人工智能、控制论和机器人学的基础知识

第1章 人工智能和机器人概述

作译者简介

前言

译者序

版权页

封面

封面

版权页

译者序

前言

作译者简介

第1章 人工智能和机器人概述

1.1 人工智能、控制论和机器人学的基础知识

1.2 智能体

1.2.1 合理性的概念

1.2.2 系统动力学

1.2.3 任务环境

1.2.4 机器人和多智能体系统

1.3 推理

1.3.1 约束满足问题

1.3.2 通过搜索来求解CSP

参考文献

第2章 基本搜索算法

2.1 问题求解智能体

2.2 搜索求解

2.3 统一搜索

2.3.1 广度优先搜索

2.3.2 动态规划

2.3.3 深度优先搜索

2.4 有信息搜索

2.5 优化

2.5.1 线性规划

2.5.2 非线性规划

2.5.3 凸优化

参考文献

第3章 机器学习基础

3.1 监督学习

3.1.1 回归

3.1.2 贝叶斯分类

3.1.3 KNN

3.1.4 支持向量机

3.2 无监督学习

3.2.1 K均值聚类

3.2.2 EM算法

3.2.3 主成分分析

3.3 深度神经网络

3.4 数据预处理

参考文献

第4章 马尔可夫决策过程

4.1 统计决策

4.1.1 数学基础

4.1.2 贝叶斯决策

4.1.3 雷达信号探测

4.1.4 贝叶斯序贯决策

4.2 马尔可夫决策过程

4.2.1 马尔可夫决策过程的数学基础

4.2.2 最优策略

4.2.3 开发贝尔曼方程的解

4.3 决策及规划：动态规划

4.4 MDP的应用：搜索移动目标

4.5 多臂赌博机问题

4.5.1 ε-贪婪算法

4.5.2 上置信界

4.5.3 汤普森采样

参考文献

第5章 强化学习

5.1 强化学习基础

5.1.1 重访多臂赌博机问题

5.1.2 强化学习基础

5.1.3 基于马尔可夫过程的强化学习

5.1.4 贝尔曼最优性原理

5.2 Q学习

5.2.1 部分可观测状态

5.2.2 Q学习算法

5.2.3 Q学习示例

5.3 无模型的学习

5.3.1 蒙特卡罗方法

5.3.2 时序差分学习

5.3.3 SARSA

5.3.4 Q学习与TD学习的关系

参考文献

第6章 状态估计

6.1 估计基础

6.1.1 基于观测的线性估计量

6.1.2 线性预测

6.1.3 贝叶斯估计

6.1.4 极大似然估计

6.2 递归状态估计

6.3 贝叶斯滤波

6.4 高斯滤波

6.4.1 卡尔曼滤波

6.4.2 标量卡尔曼滤波

6.4.3 扩展卡尔曼滤波

参考文献

第7章 定位

7.1 传感器网络定位

7.1.1 到达时间技术

7.1.2 到达角技术

7.1.3 到达时间差技术

7.2 移动机器人定位

7.3 同时定位与建图

7.3.1 概率SLAM

7.3.2 扩展卡尔曼滤波SLAM

7.3.3 立体摄像机辅助的SLAM

7.4 网络定位和导航

参考文献

第8章 机器人规划

8.1 知识表示和分类逻辑

8.1.1 贝叶斯网络

8.1.2 语义表示

8.2 离散规划

8.3 自主移动机器人的规划和导航

8.3.1 规划和导航示例

8.3.2 强化学习的系统阐述

8.3.3 定长规划

8.3.4 条件穷举规划

参考文献

第9章 多模态数据融合

9.1 计算机视觉

9.1.1 计算机视觉基础

9.1.2 边缘检测

9.1.3 图像特征和目标识别

9.2 基于视觉功能的多模态信息融合

9.3 决策树

9.3.1 决策示例

9.3.2 正式处理

9.3.3 分类树

9.3.4 回归树

9.3.5 规则和树

9.3.6 定位机器人

9.3.7 带决策树的强化学习

9.4 联邦学习

9.4.1 联邦学习基础

9.4.2 通过无线通信进行联邦学习

9.4.3 无线网络上的联邦学习

9.4.4 多接入通信上的联邦学习

参考文献

第10章 多机器人系统

10.1 多机器人任务分配

10.1.1 最优分配

10.1.2 多旅行商问题

10.1.3 工厂自动化

10.2 无线通信和网络

10.2.1 数字通信系统

10.2.2 计算机网络

10.2.3 多址通信

10.3 网络多机器人系统

10.3.1 曼哈顿街道上的联网自动驾驶汽车

10.3.2 网络协同多机器人系统

参考文献

技术缩略语