人工智能技术与智能机器人电子书

前言

第1章 搜索策略

1.1 搜索概述

1.2 状态图搜索

1.2.1 盲目搜索

1.2.2 启发式搜索

1.2.3 A和A*搜索

1.2.4 A*算法在移动机器人路径规划中的应用

1.3 与或树搜索

1.3.1 与或树基础

1.3.2 代价计算

1.3.3 有序搜索

1.4 博弈对策

1.4.1 博弈树

1.4.2 极大极小分析法

1.4.3 α-β剪枝技术

第2章 确定性推理

2.1 推理概述

2.1.1 推理定义

2.1.2 推理方式及分类

2.1.3 推理方向

2.1.4 模式匹配与冲突消解

2.2 自然演绎推理

2.3 消解原理

2.3.1 子句集

2.3.2 海伯伦理论

2.3.3 鲁宾逊消解原理

2.4 规则演绎

2.4.1 基于规则的正向演绎推理

2.4.2 基于规则的逆向演绎推理

2.4.3 规则双向演绎推理

第3章 不确定性推理

3.1 不确定性推理概述

3.1.1 不确定性的类型

3.1.2 不确定性知识表示

3.2 概率贝叶斯方法

3.2.1 简单贝叶斯推理

3.2.2 主观贝叶斯方法

3.3 非单调推理

3.3.1 单调推理与非单调推理

3.3.2 非单调推理系统

3.4 模糊推理在机器人避障中的应用

3.4.1 救援机器人的运动学模型

3.4.2 环境信息分类及其避障行为

3.4.3 基于模糊推理的避障控制

第4章 专家系统

4.1 专家系统概述

4.1.1 专家系统的类型

4.1.2 专家系统的应用

4.1.3 专家系统的特点

4.2 专家系统的结构与工作原理

4.3 知识获取

4.3.1 知识获取的过程

4.3.2 知识获取的直接方法

4.3.3 知识获取的新方法

4.4 专家系统的建造与评价

4.4.1 一般步骤与方法

4.4.2 知识表示

4.4.3 知识库及其管理系统

4.4.4 推理机及解释机构

4.4.5 接口设计

4.4.6 专家系统评价

4.5 专家系统的开发工具与开发环境

4.6 新型专家系统

4.7 专家系统在智能机器人领域的应用

第5章 机器学习

5.1 机械学习

5.1.1 主要模式及问题

5.1.2 应用举例

5.2 归纳学习

5.2.1 归纳学习概述

5.2.2 归纳学习方法

5.2.3 决策树学习

5.3 基于案例的推理

5.3.1 基于案例的推理过程

5.3.2 基于案例的推理优点及应用

5.4 解释学习

5.4.1 解释学习概述

5.4.2 解释学习框架

5.4.3 解释学习过程

5.5 强化学习在机器人系统中的应用

5.6 自主学习在机器人系统中的应用

第6章 自然语言理解

6.1 自然语言概述

6.2 语法分析

6.2.1 转移网络

6.2.2 扩充转移网络

6.3 语义解释

6.4 语言理解

6.4.1 简单句理解

6.4.2 复合句理解

6.5 机器翻译

6.6 语音识别

6.7 自然语言理解系统在机器人中的应用

6.7.1 湖水清污机器人中的自然语言理解系统

6.7.2 ASP在服务机器人中的应用

第7章 遗传算法

7.1 概述

7.1.1 遗传算法与进化论

7.1.2 遗传算法的发展史

7.1.3 遗传算法设计的原则及内容

7.1.4 遗传算法的鲁棒性

7.2 遗传算法的工作原理

7.2.1 基本思想

7.2.2 基本操作

7.3 经典遗传算法

7.3.1 参数编码

7.3.2 种群设定

7.3.3 适应度函数

7.3.4 选择

7.3.5 交叉

7.3.6 变异

7.4 高级遗传算法

7.4.1 选择方法的改进

7.4.2 遗传算法的改进

7.5 改进的遗传算法在机器人路径规划中的应用

7.6 免疫遗传算法在机器人路径规划中的应用

7.6.1 一种改进的免疫遗传算法

7.6.2 基于免疫遗传算法的最优路径规划

参考文献