本书旨在系统介绍人工智能与机器人研究领域的相关基础理论，同时展示国内外最新的研究成果，全书分为人工智能基础与智能机器人两大部分，共17章。第一部分主要介绍人工智能的基本概念、知识工程、确定性推理、不确定性推理、搜索技术、人工神经网络、机器学习、进化计算与群体智能、分布式人工智能等内容。第二部分主要介绍智能机器人的定义和研究领域、机器人感知、机器人定位与建图、机器人导航、机器人路径规划、多机器人系统、生物启发式方法在机器人中的应用、智能机器人设计与开发等内容。
样章试读
目录
- 目录
前言
第一部分 人工智能基础
第1章 人工智能概述 3
1.1 人工智能的基本概念 3
1.1.1 人工智能的定义 3
1.1.2 人工智能的研究目标 5
1.2 人工智能发展简史 6
1.2.1 孕育期 6
1.2.2 形成期 6
1.2.3 发展和应用期 8
1.3 人工智能的不同学派 10
1.3.1 符号主义学派 10
1.3.2 联结主义学派 11
1.3.3 行为主义学派 11
1.3.4 三大学派的综合集成 12
1.4 人工智能研究的基本内容 12
1.5 人工智能的主要研究领域 13
1.6 人工智能与机器人的关系 21
课后习题 21
第2章 知识工程 22
2.1 知识表示方法 22
2.1.1 一阶谓词逻辑表示法 22
2.1.2 产生式表示法 28
2.1.3 框架表示法 29
2.1.4 语义网络表示法 32
2.2 知识获取 38
2.3 知识管理与知识工程 39
2.3.1 知识管理 39
2.3.2 知识工程 39
2.3.3 知识管理系统 40
课后习题 41
第3章 确定性推理 43
3.1 推理方法概述 43
3.1.1 推理的定义 43
3.1.2 推理方式分类 43
3.1.3 推理的控制策略 44
3.2 自然演绎推理 50
3.3 归结演绎推理 51
3.3.1 归结演绎推理的逻辑基础 51
3.3.2 海伯伦定理 55
3.3.3 罗宾逊归结原理 56
3.3.4 归结演绎推理 60
课后习题 62
第4章 不确定性推理 64
4.1 不确定性推理概述 64
4.2 基本概率方法 65
4.2.1 贝叶斯理论 65
4.2.2 简单概率推理 66
4.3 主观贝叶斯推理 67
4.3.1 知识不确定性的表示 67
4.3.2 证据不确定性的表示 68
4.3.3 组合证据不确定性算法 68
4.3.4 不确定性的传递算法 69
4.3.5 结论不确定性的合成算法 70
4.3.6 主观贝叶斯方法的优缺点 72
4.4 模糊推理 73
4.4.1 模糊数学基础 73
4.4.2 简单模糊推理 76
4.5 证据理论 79
4.5.1 证据理论的基本概念 79
4.5.2 基于证据理论的不确定性推理 80
4.6 粗糙集理论 82
课后习题 85
第5章 搜索技术 87
5.1 状态空间搜索技术 87
5.2 盲目搜索策略 90
5.2.1 广度优先搜索 90
5.2.2 深度优先搜索 91
5.2.4 代价推进搜索 94
5.3 启发式搜索算法 96
5.3.1 启发式搜索算法基本概念 96
5.3.2 局部择优搜索 97
5.3.3 全局择优搜索 98
5.3.4 图的有序搜索算法 100
课后习题 101
第6章 人工神经网络 102
6.1 人工神经网络概述 102
6.1.1 人工神经网络发展史 102
6.1.2 人工神经网络特点 103
6.2 人工神经网络基本原理 104
6.2.1 神经元数学模型 104
6.2.2 人工神经元转移函数 105
6.2.3 人工神经网络分类 107
6.3 人工神经网络主要算法 109
6.3.1 BP神经网络 109
6.3.2 RBF神经网络 111
6.3.3 Hop-eld神经网络 113
6.3.4 自组织神经网络 115
6.4 模糊神经网络 117
课后习题 120
第7章 机器学习 121
7.1 机器学习概述 121
7.1.1 机器学习的主要策略 122
7.1.2 机器学习系统的基本结构 122
7.2 决策树学习 123
7.3 贝叶斯学习 127
7.3.1 贝叶斯公式的密度函数形式 127
7.3.2 贝叶斯法则 128
7.3.3 朴素贝叶斯学习 129
7.3.4 贝叶斯信念网 129
7.4 统计学习 131
7.4.1 机器学习问题表示 131
7.4.2 学习过程的一致性条件 132
7.4.3 函数集的学习性能与VC维 133
7.4.4 推广性的界 134
7.4.5 结构风险最小化 134
7.4.6 支持向量机 135
7.5 强化学习 137
7.5.1 强化学习概述 137
7.5.2 Q学习 139
7.5.3 强化学习存在的问题 139
7.6 深度学习 140
7.6.1 深度学习概述 140
7.6.2 深度学习与神经网络 140
7.6.3 深度学习的常用模型 141
课后习题 143
第8章 进化计算与群体智能 144
8.1 遗传算法 144
8.1.1 遗传算法概述 144
8.1.2 遗传算法原理 145
8.1.3 遗传算法优缺点 147
8.1.4 遗传算法举例 148
8.2 进化策略 151
8.2.1 进化策略概述 151
8.2.2 (1+1)-ES算法 152
8.2.3 进化策略算法演变 152
8.2.4 一般进化策略算法 154
8.3 蚁群算法 154
8.3.1 蚁群算法概述 154
8.3.2 蚁群算法基本原理 155
8.3.3 蚁群算法基本步骤 156
8.3.4 蚁群算法优缺点 158
8.4 粒子群优化算法 159
8.4.1 粒子群优化算法概述 159
8.4.2 PSO基本工作原理 159
8.4.3 PSO优缺点 161
8.4.4 应用举例 162
课后习题 164
第9章 分布式人工智能 165
9.1 分布式人工智能概述 165
9.1.1 分布式人工智能的特点 165
9.1.2 分布式人工智能的研究与发展 166
9.2 Agent简介 168
9.2.1 Agent的基本概念 168
9.2.2 Agent的模型与结构 169
9.3 多Agent学习 172
9.3.1 多Agent学习概述 172
9.3.2 多Agent-Q学习算法 173
9.4 多Agent协调 174
9.4.1 基本概念 174
9.4.2 合同网模型 175
课后习题 177
第二部分 智能机器人
第10章 智能机器人概述 181
10.1 机器人发展简史 181
10.2 机器人分类 186
10.2.1 按发展程度分类 186
10.2.2 按负载能力分类 187
10.2.3 按开发内容和目的分类 187
10.2.4 按应用领域分类 188
10.3 机器人定义和主要特征 190
10.3.1 机器人定义 190
10.3.2 机器人主要特征 190
10.3.3 机器人优缺点 191
10.4 智能机器人 192
10.4.1 智能机器人概念 192
10.4.2 智能机器人关键技术 193
10.4.3 智能机器人发展与展望 195
课后习题 198
第11章 机器人感知 199
11.1 机器人传感器 199
11.1.1 内部传感器 199
11.1.2 外部传感器 201
11.2 图像处理与机器人视觉 203
11.2.1 图像处理基础 203
11.2.2 图像处理的常用方法 206
11.2.3 机器人视觉 211
11.3 语音识别与机器人听觉 213
11.3.1 语音识别技术简介 213
11.3.2 语音识别常用算法 215
11.3.3 机器人听觉系统 217
11.4 多源信息融合 218
11.4.1 信息融合基本概念 218
11.4.2 多源信息融合的主要方法 219
11.4.3 信息融合技术在机器人中的应用 220
课后习题 220
第12章 机器人定位与建图 222
12.1 机器人定位技术 222
12.1.1 经典定位方法 222
12.1.2 机器人无线定位算法 224
12.2 机器人地图构建 229
12.2.1 地图模型 229
12.2.2 基于距离测量的地图构建算法 231
12.3 机器人同时定位与建图 232
12.3.1 SLAM基本概念 232
12.3.2 基于EKF的SLAM方法 233
12.3.3 基于PF的FastSLAM方法 235
课后习题 237
第13章 机器人导航 238
13.1 机器人导航概述 238
13.2 机器人导航基础知识 239
13.2.1 机器人坐标系 239
13.2.2 机器人导航方式 240
13.3 传统导航方法 242
13.3.1 航位推算法 242
13.3.2 惯性导航法 244
13.3.3 人工势场法 245
13.4 智能导航方法 250
13.4.1 基于模糊逻辑的机器人导航 250
13.4.2 基于强化学习的机器人导航 251
课后习题 253
第14章 机器人路径规划 254
14.1 机器人路径规划概述 254
14.1.1 路径规划的研究内容 254
14.1.2 路径规划方法分类 255
14.2 传统路径规划方法 255
14.2.1 构形空间方法 255
14.2.2 可视图法 256
14.2.3 栅格法 257
14.2.4 拓扑法 258
14.2.5 概率路径图法 259
14.3 智能路径规划方法 260
14.3.1 基于遗传算法的路径规划 260
14.3.2 基于蛙跳算法的路径规划 263
课后习题 266
第15章 多机器人系统 267
15.1 多机器人系统概述 267
15.1.1 研究内容 267
15.1.2 发展现状 269
15.1.3 存在的问题 272
15.2 多机器人任务分配 273
15.2.1 任务分配方式分类 273
15.2.2 任务分配常用方法 274
15.3 多机器人路径规划 278
15.3.1 基于模糊逻辑的多机器人路径规划 278
15.3.2 基于差分进化算法的多机器人路径规划 280
15.4 多机器人编队控制 282
15.4.1 基于行为的编队方法 283
15.4.2 基于领航者的方法 285
课后习题 287
第16章 生物启发式方法在机器人中的应用 288
16.1 生物启发式方法概述 288
16.1.1 生物启发式方法定义 288
16.1.2 常见生物启发式方法 290
16.2 基于生物刺激神经网络的机器人导航 296
16.2.1 生物刺激神经网络模型 296
16.2.2 基于生物刺激神经网络的机器人导航 297
16.3 仿动物空间认知的机器人SLAM方法 299
16.3.1 动物空间认知机理研究概述 299
16.3.2 空间认知计算模型 301
16.3.3 仿动物空间认知的Rat SLAM算法 305
课后习题 305
第17章 智能机器人设计与开发 307
17.1 智能机器人设计的基本步骤 307
17.2 机器人硬件设计与开发 308
17.2.1 主板 308
17.2.2 数据采集卡 309
17.2.3 传感器 309
17.2.4 触摸屏 311
17.2.5 无线网卡 312
17.2.6 其他硬件设备 312
17.3 机器人软件设计与开发 312
17.3.1 机器人的软件架构 312
17.3.2 机器人编程方式 315
17.3.3 机器人程序设计语言 316
17.4 机器人仿真平台 317
课后习题 321
参考文献 322
京公网安备 11010102004214号