基于内在动机的强化学习算法在两轮机器人中的研究

针对两轮自平衡机器人在学习过程中遇到的主动性差和以往强化学习对单步学习效率低的问题,受心理学中内在动机理论的启发,提出一种基于内在动机的强化学习算法;该算法利用内在动机信号作为内部奖励,模拟人类心理认知机理并与外部信号一起作用于整个学习过程,提高了智能体的自学习能力,同时采用自组织神经网络进行训练,保证了算法的快速性;通过无扰动和有扰动两种仿真实验的对比,验证了基于内在动机的强化学习算法能够使两轮机器人在未知环境下通过自主学习最终达到平衡,且体现了该算法的鲁棒性和可行性。     

基于动态结构模型的两轮机器人平衡控制研究

针对无监督学习网络模型对于特定的映射空间,期望产生特定的影响具有一定的局限性,提出了有监督的可生长结构的动态结构模型;该模型将动态结构模型与径向基函数网络结构有机结合,采用的是需要时生长的自组织生长算法,通过插入新的神经元、改变竞争层神经元间的连接以及调整层与层的连接权值,达到模型输出的精度要求,有效地解决了在输入特定的网络数据时,能产生期望的输出;该模型应用于两轮平衡机器人的平衡控制,经过仿真实验表明,该动态结构模型能够实现对两轮平衡机器人的平衡控制,且有一定的抗干扰性和实用价值。     

CoSe2/C复合电催化材料修饰隔膜对高载量锂硫电池性能的影响

以具有菱形十二面体结构的ZIF-67为模板, 采用两步烧结法合成了CoSe₂/C复合材料, CoSe₂纳米颗粒直径约30 nm, 均匀分散在碳骨架上. 电化学测试结果表明, CoSe₂/C复合材料在放电过程中可以加快可溶性聚硫离子的还原反应动力学, 还能够促进不溶性Li₂S的沉积过程, 同时加速充电过程中Li₂S的氧化分解. 将CoSe₂/C作为电催化材料与碳材料混合后用于隔膜修饰, 修饰层面载量仅为0.15 mg/cm², 其中CoSe₂/C的质量分数仅占30%时, 电池依然表现出优异的电化学性能; 当硫载量为4.8 mg/cm²时, 在0.2C倍率下电池初始放电比容量为756 mA·h/g, 经过180次循环后, 容量依然能够维持715 mA·h/g, 每次衰减率仅为0.031%.