Věchet, S. - Výsledky hledání - Digitální repozitář

host :: přihlásit Digitální repozitář
		Hledej		Nový záznam		Nápověda		O repozitáři

Hlavní stránka > Výsledky hledání: Věchet, S.

Hledej:

Tipy pro vyhledávaní :: Rozšířené hledání

Hledej ve sbírkách:

Seřadit podle:	Zobrazit výsledky:	Výstupní formát:

	Markovská lokalizace pro mobilní roboty: simulace a experiment Krejsa, Jiří ; Věchet, S. Lokalizací robotu se míní odhad jeho polohy na základě senzorických údajů. Článek popisuje základní principy metody Markovské lokalizace, úspěšně použité pro danou úlohu. Metoda je robustní vůči chybám sensorů a je schopná určit polohu robota i v případě že je tato zcela neznámá. Článek obsahuje jak simulační tak experimentální verifikaci použitelnosti metody. Úplný záznam
	Plánování cesty pro čtyřnohého kráčejícího robota použitím rychlých náhodných stromů Krejsa, Jiří ; Věchet, S. Problém plánování cesty lze řešit řadou metod. Metoda rychlých náhodných stromů je schopná pracovat s omezeními typickými pro kráčející roboty, např. omezené rozlišení rotačního pohybu. Článek popisuje vlastní metodu a její použití na plánování cesty čtyřnohého kráčivého robotu, včetně poruchových stavů kdy je robot schopen rotace jen v jednom směru. Metoda je rychlá a robustní. Úplný záznam
	Using modified Q-learning with LWR for inverted pendulum control Věchet, S. ; Míček, P. ; Březina, Tomáš Paper shows modified version of Q-learning together with locallz weighted learning method used for simple control task. Úplný záznam
	The using some approximating methods by inverse modelling Míček, P. ; Věchet, S. ; Březina, Tomáš Paper compares making of inverse kinematic models using different approximation methods. Úplný záznam
	Using Modified Q-learning with LWR for Inverted Pendulum Control Věchet, S. ; Krejsa, Jiří ; Březina, Tomáš Locally Weighted Regression together with Q-learning is demonstrated in control task of a simple model of inverted pendulum. Úplný záznam
	Stochastická strategie při Q-učení užitá pro řízení AML Březina, Tomáš ; Krejsa, Jiří ; Věchet, S. V poslední době je značná pozornost věnována metodám opakovaně posilovaného učení (RL). Článek se zabývá zlepšením RL metody bez modelu známé jako Q-učení, použité na modelu aktivního magnetického ložiska. Stochastická strategie a adaptivní integrační krok zvýšily rychlost učení přibližně stokrát. Nemožnost spřaženého použití navrženého zlepšení je nevýhodou, i když jej může být použito při předučení s následným provedením spřaženého doučování. Úplný záznam
	High and low cycle fatigue of austempered ductile iron Věchet, S. ; Polák, Jaroslav ; Obrtlík, Karel ; Dorasil, E. ; Švejcar, J. ; Skrbek, B. Úplný záznam
	Aplikace metody spojitého Q-učení Věchet, S. ; Krejsa, Jiří ; Míček, P. Standardní algoritmus Q-učení je omezen na použití diskrétních stavů a akcí a Q-funkce je obvykle reprezentována diskrétní tabulkou. Aby bylo možno se tomuto omezení vyhnout a rozšířit použití Q-učení na spojité stavy a akce, bylo nutné algoritmus modifikovat. Tato modifikace je předmětem článku. Diskrétní tabulka je zde nahrazena vhodným aproximátorem. Úplný záznam
	Konstrukce malého laboratorního čtyřnohého robotu Švehlák, M. ; Grepl, Robert ; Věchet, S. ; Bezdíček, M. ; Chmelíček, J. Konstrukce malého laboratorního čtyřnohého robotu. Úplný záznam
	Aproximace modelu stability kráčivého robotu Krejsa, Jiří ; Grepl, Robert ; Věchet, S. Příspěvek srovnává globální a lokální aproximační metody použité pro model stability kráčivého robotu. Globální aproximátory zastupuje dopředná vícervrstvá neuronová síť trénovaná pomocí gradientní metody; lokální aproximátory zastupují lokálně vážená regrese a vážená regrese recepčních polí. Úplný záznam

Viz též: podobná jména autorů
7	Věchet, Stanislav

Chcete být upozorněni, pokud se objeví nové záznamy odpovídající tomuto dotazu?
Přihlásit se k odběru RSS.

Digitální repozitář :: :: :: ::
Powered by v1.1.2
Spravuje

Tato stránka je dostupná také v následujících jazycích:
Česky English