作为作业的一部分，我必须实施一种学习方法，使扫雷艇能够避免与地雷相撞。我可以在有监督/无监督/强化学习算法之间进行选择。
我记得在我的一次讲座中，讲师提到了ALVIN。他在教人工神经网络。
由于我正在寻找的行为与 ALVINN 的行为或多或少相似，因此我想实现一个 ANN。我之前已经实现了一个人工神经网络来解决 3 奇偶异或问题，这里是my solution。我从来没有真正理解过人工神经网络背后的直觉。
我想知道，我的 ANN 的输入是什么？在 3parity xor 问题的情况下，这很明显。
【问题讨论】：
标签： algorithm artificial-intelligence supervised-learning
当谈到 ANN 的框架时，每个人都会有自己的偏好。我最近使用Encog 框架来实现一个图像处理项目，发现它很容易实现。
现在，谈到你的问题陈述，“一种让扫雷艇避免与地雷相撞的学习方法”是一个非常广泛的范围。您对 ANN 的意见究竟是什么？您必须根据是在真实机器人上还是在模拟环境中实施来决定您的输入。
可以清楚地推断，如果您尝试实现 ALVIN 之类的东西，则可以排除无监督学习。
在模拟环境中，最好的选择是您可以根据模拟的传感器数据以某种方式形成环境的网格图。那么机器人周围的占用网格可以很好地输入到机器人的人工神经网络中。
如果您无法形成网格图（如果数据不足），那么您应该尝试将所有可用且相关的传感器数据提供给 ANN。但是，它们可能必须进行预处理，具体取决于仿真环境给出的建模传感器噪声。如果您有摄像头供稿（如 ALVIN 模型），那么您可以直接跟随他们的脚步，同样训练您的 ANN。
如果这是一个真正的机器人，那么选择会有很大差异，具体取决于稳健性和准确性要求。我真的希望你不要单枪匹马地建造一个强大的和现场准备的扫雷艇。 :) 对于小型受控环境，您的选项将与模拟环境的选项非常相似，但是传感器噪音会更严重，您必须在各种特殊情况下将其纳入任务规划器。尽管如此，还是建议将其他一些传感器（LRF、超声波等）与视觉传感器融合在一起，并将其用作规划器的输入。如果没有其他可用的，复制粘贴只有前置摄像头输入的 ALVIN 系统。
ANN 训练方法将类似（如果仅使用视觉）。输出将是右/左/直等。首先尝试使用 5-7 个隐藏层节点，因为这是 ALVIN 使用的。最多增加到 8-10。应该管用。正确使用激活函数。
【讨论】：
鉴于它在现实世界中的成功，ALVIN 似乎是一个很好的系统，可以作为您的基础！正如您链接到的页面所讨论的那样，ALVIN 本质上是接收前方道路的图像作为其输入。在低层次上，这是通过代表 30X32 像素图像的 960 个输入节点来实现的。每个节点的输入值是该节点所代表的像素的颜色饱和度（0 是完全白色的图像，1 是完全黑色的图像，或者类似的东西）（我很确定图片是灰度的，尽管他们现在可能正在使用颜色，例如，这可以通过每个像素使用三个输入节点来实现，一个代表红色饱和度，一个代表绿色，一个代表蓝色）。您是否有理由认为这对您的系统来说也不是一个好的输入？
更多底层细节，见the original paper.
【讨论】：