Handling Uncertainty and Networked Structure in Robot Control

این کتاب بر دو چالش در کنترل روبات‌ها با پذیرش فزاینده روبات‌ها در محیط روزمره انسان تمرکز دارد: عدم اطمینان و ارتباطات شبکه‌ای. بخش اول کتاب کنترل یادگیری را برای رسیدگی به عدم قطعیت محیطی توصیف می کند. بخش دوم تخمین حالت، حس فعال و ادراک سناریوی پیچیده را برای مقابله با عدم قطعیت حسی مورد بحث قرار می دهد. بخش سوم کتاب را با کنترل ربات‌های شبکه‌ای و تیم‌های چند روباتی کامل می‌کند.

هر فصل دارای پوشش فنی عمیق و مطالعات موردی است که کاربرد تکنیک‌ها را با روبات‌های واقعی یا شبیه‌سازی برجسته می‌کند. پلتفرم‌ها شامل ربات‌های زمینی، هوایی و زیر آب متحرک و همچنین ربات‌های انسان‌نما و بازوهای روباتی هستند. کد منبع و داده‌های آزمایشی در http://extras.springer.com موجود است.

این متن مشارکت‌های متخصصان دانشگاهی و صنعتی را جمع‌آوری می‌کند و منبع ارزشمندی را برای محققان یا دانشجویان فارغ‌التحصیل در زمینه کنترل و ادراک ربات ارائه می‌کند. . همچنین برای محققان در زمینه‌های مرتبط، مانند بینایی رایانه، کنترل غیرخطی و یادگیری، و سیستم‌های چند عاملی مفید است.

This book focuses on two challenges posed in robot control by the increasing adoption of robots in the everyday human environment: uncertainty and networked communication. Part I of the book describes learning control to address environmental uncertainty. Part II discusses state estimation, active sensing, and complex scenario perception to tackle sensing uncertainty. Part III completes the book with control of networked robots and multi-robot teams.

Each chapter features in-depth technical coverage and case studies highlighting the applicability of the techniques, with real robots or in simulation. Platforms include mobile ground, aerial, and underwater robots, as well as humanoid robots and robot arms. Source code and experimental data are available at http://extras.springer.com.

The text gathers contributions from academic and industry experts, and offers a valuable resource for researchers or graduate students in robot control and perception. It also benefits researchers in related areas, such as computer vision, nonlinear and learning control, and multi-agent systems.