一种受大脑启发的ISMO-PNN框架,用于基于神经网络的轴承故障诊断
《Frontiers in Neurorobotics》:A brain-inspired ISMO-PNN framework for neurally-grounded bearing fault diagnosis
【字体:
大
中
小
】
时间:2026年03月20日
来源:Frontiers in Neurorobotics 2.8
编辑推荐:
摘要
引言:在先进的机器人系统中,监测传动系统中关键部件(如轴承)的健康状况对于实现可靠的自主运行至关重要。然而,在动态和嘈杂的条件下准确诊断轴承故障仍然存在挑战。
方法:为了解决这个问题,本文提出了一种受大脑启发的计算框架,该框架将改进的蜘蛛猴优化算法(ISMO)与概率神经
摘要
引言:在先进的机器人系统中,监测传动系统中关键部件(如轴承)的健康状况对于实现可靠的自主运行至关重要。然而,在动态和嘈杂的条件下准确诊断轴承故障仍然存在挑战。
方法:为了解决这个问题,本文提出了一种受大脑启发的计算框架,该框架将改进的蜘蛛猴优化算法(ISMO)与概率神经网络(ISMO-PNN)相结合,用于机器人系统中的基于神经的轴承故障诊断。主要内容包括:(1)从振动信号中提取22维的混合特征集;(2)使用智能PCA策略将特征维度降低到三个维度,同时保留超过80%的区分信息;(3)使用ISMO算法自动优化PNN的关键平滑参数。
结果:在CWRU轴承数据集上,ISMO-PNN模型的故障分类准确率为97.14%,宏观平均F1分数为97.32%,优于文章中的其他比较模型。此外,该模型的最小训练和测试准确率差异为0.72%,表明其具有很强的泛化能力。
讨论:这种受大脑启发的框架将基于神经的概率分类器与受生物启发的群体优化器相结合,形成了一个强大且高效的嵌入式健康监测模型,为先进机器人系统的开发提供了可行的解决方案。
1 引言
近年来,机器人技术逐渐从结构化的工业环境发展到动态的、非结构化的服务和协作场景,这对机器人驱动系统的可靠性和安全性提出了前所未有的要求(Rehman等人,2025年)。作为这些系统的核心运动执行部件,驱动系统的健康状况直接决定了运动精度、任务性能和整体运行安全性。作为驱动系统中的关键部件,轴承是最容易发生故障的部件之一。因此,准确且稳健的早期轴承故障检测是实施预测性维护协议和最小化计划外灾难性停机时间的重要措施(Li等人,2025年;Li等人,2025年)。
传统的轴承故障诊断技术,如基于振动信号的光谱分析和时域统计,在受控实验室环境中表现良好。这些方法具有明确的物理可解释性和低计算成本,为健康状况监测奠定了基础(Smith和Randall,2015年)。然而,在实际机器的工作环境中,通常涉及运动控制、避障和多智能体协作等复杂任务(Sun等人,2025年;Xie等人,2025年;Liu等人,2025年),由于复杂的背景噪声、可变负载条件和非稳态运行状态,振动信号往往会退化,这限制了传统方法的泛化性能和诊断可靠性(Zhang等人,2025年;Li等人,2025年;Li等人,2025年)。在机器人操作中常见的可变速度和负载下,它们的诊断准确性往往会显著下降(Chen等人,2024年)。最近开发的先进诊断模型,如采用深度学习和自适应信号处理的模型,已经提高了对噪声和可变条件的鲁棒性(Che等人,2020年;Sohaib等人,2017年)。与传统技术相比,这些方法在处理非稳态信号方面表现出更强的能力。因此,开发能够处理不确定性的自适应和高度稳健的智能诊断算法对于维持先进机器人系统的长期自主和安全运行至关重要(Gao等人,2024年)。
近年来,为了应对这些挑战,一些学者提出了受生物神经系统信息处理机制启发的计算方法(Mishra和Behera,2025年)。基于贝叶斯决策论的概率神经网络(PNN)分类模型因其与生物神经系统在不确定性下的决策过程密切相关以及其支持开发可解释诊断模型的能力而在业界引起了广泛关注(Liu和Cai,2025年)。PNN特别以其快速训练速度和固有的概率输出而著称,这提供了分类置信度的度量(Specht,1990年)。将先进的信号处理与PNN相结合在提高诊断准确性方面显示出了有希望的结果。相关的神经动力学方法在解决噪声条件下的机器人运动规划和控制问题中也显示出有效性(Sun等人,2023年;Lian等人,2024年)。
然而,PNN的性能在很大程度上取决于其核心平滑参数(扩散)。该参数的选择不当会大大降低分类准确性和泛化能力。手动调整此参数效率低下,且往往无法在多种故障条件下实现最佳性能。群体智能优化算法,包括Bansal等人提出的蜘蛛猴优化(SMO)算法,模拟了动物种群的协作觅食行为(Bansal等人,2014年)。这些算法在解决复杂优化问题方面具有显著潜力,并可以自动高效地调整PNN参数(Rajeshwari和Sughasiny,2023年)。尽管如此,标准的SMO算法可能会过早收敛,表明在平衡全局搜索和局部搜索方面还有改进的空间。这一限制可能会阻止它在高维或嘈杂的特征空间中找到PNN等复杂模型的全局最优参数。
基于这些见解,本文提出了一种受大脑启发的ISMO-PNN框架,用于机器人系统中的基于神经的轴承故障诊断。为了确保在资源受限的应用中的实用性,该模型采用了主成分分析(PCA)(Liu等人,2023年)来降低混合特征的维度。然后应用改进的蜘蛛猴优化(ISMO)算法自动优化概率神经网络(PNN)的平滑因子,从而解决其参数敏感性问题。通过在公共轴承数据集上的实验验证了所提出的ISMO-PNN框架的有效性和优势。其结构将在后续章节中详细说明。
本文的其余结构如下:第2节详细介绍了本文提出的模型的基本方法和原理;第3节介绍了实验设置,并基于公共CWRU轴承数据集对结果进行了全面分析;第4节总结了本研究并讨论了可能的未来研究方向。
2 方法论
本节提出了一种用于机器人驱动系统轴承的故障诊断模型,该模型结合了特征工程、降维和元启发式优化概率建模。首先,从嘈杂的振动信号中自动提取区分性特征。然后,使用PCA压缩特征空间以提高计算效率。最后,将改进的蜘蛛猴优化(ISMO)算法与PNN结合,形成所提出的受大脑启发的ISMO-PNN框架。该模型旨在实现高诊断准确性和强大的泛化能力,同时保持嵌入式健康状况监测的实用性。以下部分分别介绍了每个组成部分:实验数据和预处理、特征提取和降维、ISMO-PNN诊断模型以及实验设置和评估指标。
2.1 实验数据和预处理
本研究使用了Case Western Reserve University(CWRU)轴承数据中心公开提供的旋转机械故障诊断的公认基准数据集(Smith和Randall,2015年)。该数据集包括在不同采样频率下捕获的振动信号;本文选择了以12 kHz采样率采集的数据,由安装在电机驱动端的加速度计收集。
实验设置的示意图如图1所示,配置用于模拟四种主要的轴承健康状态:正常、滚珠故障、内圈故障和外圈故障。这些故障是通过电放电加工人工诱导的,故障直径范围从0.007到0.040英寸,并在不同电机负载条件(0到3马力)下记录数据。
图1 CWRU轴承测试台的示意图。
为了准备监督学习的数据,本文实施了以下预处理步骤:
2.1.1 数据分割
本文将连续的振动信号分割成固定长度的样本,将样本长度LL设置为1,024个数据点,并在连续样本之间应用50%的重叠。选择1,024个点是为了确保每个样本包含足够的振动信息(在12 kHz采样率下大约0.085秒),以便有效特征提取,同时保持适合嵌入式监测应用的计算效率。采用50%的重叠策略是为了增加训练数据集并提高模型的鲁棒性,因为它有助于捕获可能在信号不同阶段出现的故障相关模式,同时保持相邻样本之间的足够独立性。这种方法不仅最大化了可用数据的利用,还保持了足够的样本独立性,最终得到了17,503个有效样本用于进一步分析。
2.1.2 数据集划分
所有生成的样本被随机分为三个不同的子集:训练集、验证集和测试集。本文使用了7:2:1的比例,得到12,252个训练样本、3,500个验证样本和1,751个测试样本。这种随机划分是仔细执行的,以确保每个子集中都按比例代表了所有故障类别,从而避免潜在的偏差。
2.1.3 数据标准化
为了便于模型训练并提高收敛性,本研究对原始振动信号(在特征提取之前)和随后提取的特征进行了标准化。本文采用了Z分数标准化,使用训练集的统计数据进行计算,以防止数据泄漏。标准化公式定义如下:
z = (x ? μ) / δ
其中xx是原始值,μ和δ分别是从训练集计算出的均值和标准差。
2.2 特征提取和降维
2.2.1 来自多个域的特征提取
为了全面表征不同健康状态下的轴承振动信号,本文提取了22个特征,涵盖了四个分析域:时间、频率、解调(包络)和非线性分析。这些特征的完整列表及其定义和物理解释在附录A中提供。特征集的详细分类如下:
时间域统计特征(特征1-10):这一类别包括均值、标准差、均方根(RMS)、峰值和峰峰值、偏度、峰度、形状因子、脉冲因子和边缘因子等常见指标。这些特征直接量化了信号的幅度分布、能量含量和冲击强度,使它们对故障发展的早期阶段非常敏感(Zhang等人,2024年)。
包络谱特征(特征11-13):首先,本文通过对原始振动数据应用希尔伯特变换获得包络信号。然后从该包络信号的谱中提取了三个关键特征:谱峰幅度、相应的频率和谱均值。包络谱在隔离由局部轴承缺陷引起的周期性冲击成分方面表现出色,使得这些特征对于诊断特定类型的故障(如滚珠和内圈故障)至关重要(Zou等人,2024年)。
频率域统计特征(特征14-21):包括谱质心、谱RMS、谱方差、谱偏度、谱峰度、谱峰频率和谱熵(Chen等人,2024年)。谱熵量化了谱能量分布的不确定性或随机性,提供了信号在频率域复杂性的度量,公式如下:
Hspec = ?∑k=1pk log2(pk)
其中pk = (M[k]/∑ki=1M[i])是频率bin k处的标准化谱幅度(一个标量),M[k]是频率bin kk处的谱幅度。
2.2.2 通过主成分分析(PCA)进行特征降维
直接使用所有22个特征可能导致信息冗余、高计算成本和“维数灾难”。因此,采用了主成分分析(PCA)进行无监督降维(Hotelling,1933年)。PCA将原始特征转换为一组新的正交轴(主成分),按它们解释的方差量排序。
给定标准化的训练集特征矩阵X∈Rm×22(其中m是样本数量),其协方差矩阵为C=(1/(m?1)XTX,XX是一个矩阵,CC是一个22×22的协方差矩阵。对C进行特征值分解,公式如下:
Cvi = λivi
其中λi是第i个特征值,vivi是其对应的特征向量(第i个主成分的方向)。
每个主成分的方差贡献比为(λi/∑λi)。设置了80%的累积方差贡献阈值。然后选择满足以下条件的最小数量的成分kk:
∑ki=1λi ≥ 0.8
实验确定k=3,特征维度从22减少到3。这个过程保留了原始数据中80.53%的区分信息,同时将数据总量减少了86.4%,显著提高了后续模型的计算效率。2.3 ISMO-PNN诊断模型2.3.1 概率神经网络(PNN)的基础概率神经网络(PNN)是一种基于贝叶斯决策理论和Parzen窗口概率密度估计的前馈网络(Specht,1990)。它作为一种基于神经网络的概率分类器,用于在不确定性条件下进行决策。对于一个待分类的输入向量x∈R^d(这里d=3),PNN计算它属于类别θi的后验概率。其决策函数Di(x)定义为公式6:Di(x) = 1/(2πd/2σ^d) * Σ_k=1 * exp(?(x-x_k)^2/2σ^2)(6)其中Ni是属于类别θi的训练样本数量;x_k是来自类别θi的第k个训练样本;σ是平滑参数(Spread),PNN的唯一关键超参数。它控制高斯核的宽度,直接影响分类边界的平滑度和模型的泛化能力。PNN的最终决策规则是将输入x分配给Di(x)值最大的类别θi。2.3.2 改进的蜘蛛猴优化(ISMO)算法蜘蛛猴优化(SMO)算法是一种元启发式算法,模仿了蜘蛛猴的分裂-融合社会觅食行为(Bansal等人,2014)。本文引入了一种改进的SMO(ISMO)作为受生物启发的群体智能优化器,用于自动调整PNN的关键参数。标准SMO可能会过早收敛。本文提出了两项关键改进来形成ISMO算法,以优化PNN的σ参数。非线性自适应扰动率(PR)(Agrawal等人,2018):固定或线性变化的PR被修改为随迭代次数t非线性衰减,公式为7:PR(t) = PR_max ? (PR_max ? PR_min) * (t/T_max)^α(7)其中T_max是最大迭代次数,α>1(这里α设为2)。早期迭代中的高PR值促进全局探索,而后期迭代中的低值则有利于局部利用,从而实现更好的搜索平衡。精英引导的局部搜索:在局部领导者阶段,位置更新结合了全局最佳解和局部领导者的信息,以增强利用能力。具体来说,以概率Pelite,更新机制遵循公式8,其中全局最佳解G_best指导搜索方向,同时通过局部领导者项保持多样性(Swami等人,2017):X_new(j) = X(j) + rand() * (G_best ? X(j)) + rand() * (LL(j) ? X(j))(8)其中X(j)是种群中第j只蜘蛛猴的当前位置,LL(j)是第j只蜘蛛猴所属组的局部领导者的位置,rand()表示在[0, 1]范围内均匀生成的随机数。本文将ISMO算法的适应度函数定义为通过对训练集进行5折交叉验证得到的PNN模型的平均分类误差率的最小化。优化变量是平滑参数σ,搜索范围为[0.01, 5]。然后,使用ISMO程序确定的最佳σ值来配置和构建最终的PNN诊断模型。2.3.3 ISMO-PNN框架的实现步骤提出的ISMO-PNN框架的步骤如下:步骤1:数据预处理和特征提取。首先将原始振动信号分割成具有重叠的固定长度样本。从每个样本中提取一组全面的22个统计、频谱和非线性特征,形成初始的高维特征集。步骤2:标准化和分割数据集。使用Z分数标准化方法对提取的特征进行标准化,参数从训练集中计算得出。然后,根据预设的比例将整个数据集随机划分为训练、验证和测试子集。步骤3:通过PCA进行特征降维。应用PCA对训练特征进行标准化。自动选择主成分的数量,以保留超过80%的原始方差,显著减少特征维度和后续步骤的计算负担。步骤4:基于ISMO的超参数优化。使用ISMO算法搜索PNN的最佳平滑参数(σ)。该算法通过训练PNN模型并在训练集上进行5折交叉验证来迭代评估候选参数的性能。步骤5:最终模型训练和评估。使用ISMO找到的最佳σ*在整个降维后的训练集上训练最终的PNN模型,并评估模型的准确性、精确度、召回率和F1分数。2.4 实验设置和评估指标所有实验都在一致的计算环境中进行,使用MATLAB R2024a进行数据处理、特征提取、统计分析和模型实现。统计和机器学习工具箱用于实现基准分类器,而自定义代码用于开发的ISMO-PNN框架。ISMO参数设置为:种群大小N=20,最大迭代次数Tmax=20,PR_max=0.9,PR_min=0.1,精英引导概率Pelite=0.3。为了全面评估模型性能,本文采用了以下评估指标:(1)准确性,定义正确分类的测试样本的比例。(2)每个故障类别的精确度、召回率和F1分数,用于详细评估分类的精确度和召回率。(3)宏观平均F1分数(每个类别的F1分数的算术平均值),为多类分类中的整体模型性能提供稳健和平衡的衡量标准。(4)混淆矩阵,用于可视化分类结果并检查所有健康状态下的错误分布。3 实验和结果分析本节使用公共的CWRU轴承数据集(Smith和Randall,2015)对我们的ISMO-PNN模型进行了全面评估。首先,将ISMO-PNN的整体诊断性能与其他几个模型进行了基准测试。其次,本文严格评估了ISMO-PNN算法的固有泛化能力和操作可靠性。所有评估都基于第2.3.1节描述的一致的数据划分和特征工程过程。2.4.1 综合诊断性能的比较分析本文将ISMO-PNN模型与五个代表性的机器学习基准进行了比较。这些包括:原始的概率神经网络(PNN)及其默认平滑参数(σ=0.1);带有径向基函数核的支持向量机(SVM-RBF)(Cortes和Vapnik,1995);K最近邻(KNN)分类器(Cover和Hart,1967);决策树模型(Loh,2011);以及随机森林集成(Breiman,2001)。为了公平比较,所有模型都在相同的训练集上进行了训练和调整(如适用),并在相同的保留测试集上评估了它们的最终性能。测试集上的关键性能指标总结在表1和图2中。我们的ISMO-PNN模型在整体分类准确性(97.14%)和宏观平均F1分数(97.32%)方面取得了最高分数。与使用默认参数的原始PNN相比,ISMO-PNN在准确性和F1分数上分别提高了0.17和0.19个百分点。尽管数值很小,但这种持续的改进验证了使用我们改进的蜘蛛猴优化算法微调PNN的关键平滑参数的有效性,使模型更好地适应数据的底层特征分布。表1模型准确性(%)宏观平均F1分数(%)SVM(RBF核)95.8396.05KNN96.4096.52决策树95.0995.35随机森林96.5796.78原始PNN(σ=0.1)96.9797.13ISMO-PNN97.1497.32不同模型在测试集上的综合性能比较。粗体值代表本文采用的方法。图2增强的综合性能。从ISMO-PNN模型与其他模型的比较结果可以看出,SVM-RBF模型的表现相对较差,主要是因为我们使用了未经微调的默认核参数,无法适应特定的数据特征。KNN和决策树模型在从训练集过渡到测试集时准确性显著下降,表明存在数据过拟合的风险。相比之下,PNN模型由于其由平滑参数σ控制的固有正则化,表现出更稳定的泛化能力。随机森林集成方法的准确率为96.57%,与我们的模型最为接近。然而,ISMO-PNN在计算复杂性和模型占用方面具有实际优势,使其特别适用于嵌入式应用。3.2 ISMO-PNN模型的详细性能和鲁棒性分析3.2.1 收敛分析和最佳参数确定图3显示了ISMO在20次迭代过程中的适应度优化曲线,描绘了算法逐渐收敛到最佳解的过程。搜索后获得的适应度值为0.0325,对应的平均5折交叉验证准确率为96.75%。与常用的默认值0.1不同,算法确定的最佳平滑参数为σ*=0.1327,直接证明了在这种诊断任务中自动化和数据驱动的参数优化策略的必要性和价值。图3 ISMO算法的适应度优化曲线。3.2.2 每类诊断性能和错误分析表2列出了每种健康条件下的性能。可以看出,在“正常”条件下,ISMO-PNN模型的准确率和召回率为100%,并且在三种故障状态下的性能相对平衡,F1分数超过95.4%。其中,“内圈故障”类别的召回率最高(97.88%),表明ISMO-PNN模型检测这种故障的能力更强,而“内圈故障”类别的准确性最高(96.24%),表明该模型的误报率最低。总体而言,模型对不同故障具有可靠性和敏感性。表2类别精确度(%)召回率(%)F1分数(%)正常100.00100.00100.00球形故障96.2494.7195.47内圈故障95.8597.8896.86外圈故障96.9896.69ISMO-PNN模型在测试集上的每类性能。混淆矩阵结果显示在图4中。从图中可以看出,ISMO-PNN模型对正常状态样本进行了完全正确的分类。少量的分类错误主要集中在三种故障之间的相互误判上。应该注意的是,在本文提出的模型中,故障样本被误判为正常的情况极为罕见,确保了故障检测的高可靠性(即低误报率)。尽管在某些情况下,特定类型的故障可能无法准确区分(允许一定的误报率),但从工程应用的角度来看,这种错误模式更为可接受,因为在实际操作和维护中这是一个更可取的权衡。图4 ISMO-PNN在测试集上的混淆矩阵。3.2.3 泛化能力和特征工程分析模型的泛化能力通过其在训练集和测试集之间的性能差异进行了评估。如表3所示,ISMO-PNN的训练-测试准确率差距仅为0.72%,远小于原始PNN的1.41%。这种较小的性能下降表明,优化的参数σ*=0.1327帮助模型在记忆训练数据和保持泛化能力之间取得了更好的平衡。表3模型训练准确率(%)测试准确率(%)准确率差距(%)原始PNN(σ=0.1)98.3896.971.41ISMO-PNN(σ*=0.1327)97.8697.140.72泛化差距(%)。粗体值代表本文采用的方法。特征处理流程的设计也增强了模型的实用性。图5说明了PCA中每个主成分解释的方差。从图5可以看出,仅使用前三主成分就可以累积解释超过80%的数据方差。因此,本文最终选择将特征从22维压缩到3维。表4显示了这种降维前后的特征结果。表4特征在降维前后的变化特征维度223?86.4%总数据量385,066点52,653点?86.4%方差保留100%80.53%?19.47%预期加速~7×+600%PCA降维效果的定量分析。如表4所示,通过使用降维方法,数据总量减少了86.4%,同时保留了80.53%的区分信息。这一措施不仅显著降低了后续故障诊断ISMO-PNN模型的计算复杂性,还通过关注主要变化模式增强了特征对噪声的鲁棒性。这也平衡了信息保留和计算效率,对于嵌入式机器人的诊断算法具有实际意义。3.2.4 可重复性验证为了验证方法的稳定性,有必要研究其可重复性。本文使用ISMO确定的最佳平滑参数σ*=0.1327在同一数据集上重新训练了模型。新训练模型的准确率为97.14%,其他参数和结果与之前的实验结果完全一致。因此,在固定随机种子下的这种精确复制证明了我们提出的ISMO-PNN模型的稳定性和程序可重复性。3.2.5 分析上述实验结果验证了将基于贝叶斯理论的概率神经网络与基于群体智能的优化器相结合的有效性。所提出的受大脑启发的ISMO-PNN框架表明,基于神经的概率分类器与基于生物的群体优化器之间的协同作用可以显著提高诊断的鲁棒性。ISMO算法的引入使得PNN中的关键平滑参数能够自动调整,从而显著提高了模型对轴承故障诊断任务中固有数据模式的适应能力。这种协同效应在为机器人系统设计自适应和反射式感知模块时至关重要。从受大脑启发的计算角度来看,我们框架中PNN和ISMO的结合反映了基本的生物机制。基于ISMO的自动化参数调整可以被视为神经可塑性的类比。正如生物神经网络中的突触强度通过学习动态调整以优化信息处理和决策制定一样,ISMO算法迭代地调整PNN的平滑参数以适应振动数据的统计特性。这一自适应过程使诊断系统能够“学习”其当前操作环境下的最佳配置,反映了生物系统如何通过持续自我调节来维持性能。因此,该框架体现了一种自适应稳态,其中模型参数能够自动校准,以在不同故障条件下保持诊断准确性,而无需人工干预。从实际应用的角度来看,ISMO-PNN框架具有几个使其特别适合实际部署的优势。首先,其相对简单的结构导致计算开销较低,非常适合移动机器人和自主系统中常用的资源受限的嵌入式平台。其次,PNN的概率输出不仅提供了分类决策,还提供了置信度度量,这对于可靠性至关重要的应用(如人机协作或自主导航)非常有价值。第三,通过ISMO实现的自动化参数优化消除了手动调整的需要,使得系统能够在无需专家干预的情况下适应不同的操作条件。这些特性表明,所提出的框架可以集成到工业机器人或服务机器人的实时状态监测系统中,用于预测性维护。我们认识到,尽管我们提出的框架在标准轴承数据集上展示了强大的诊断性能,但其直接应用于实际机器人系统还需要进一步验证。未来的工作应集中在将ISMO-PNN框架实施到实际机器人硬件上,以评估其在这些现实约束下的性能。4 结论本文提出了一种受大脑启发的ISMO-PNN框架,用于基于神经的轴承故障诊断。该框架整合了多域特征提取、基于PCA的降维和ISMO优化的概率神经网络分类。该模型使用公开可用的CWRU轴承数据集进行了验证,结果显示ISMO-PNN模型具有强大的诊断性能,测试集准确率为97.14%,宏观平均F1分数为97.32%。通过将其参数与未优化的PNN标准算法和其他几种传统机器学习模型进行比较,验证了所提出模型的综合优势。主要优势包括:(1)所有故障类别的识别率平衡且高;(2)出色的泛化能力,表现为最小的训练-测试性能差距(0.72%);(3)通过基于PCA的降维提高了计算效率,减少了86.4%的数据量,同时保留了超过80%的判别信息。这些特性使得所提出的框架特别适合于先进机器人系统中的嵌入式健康监测。未来的研究需要验证该模型在真实机器人动态环境中的鲁棒性,并探索其与机器人控制系统深度集成的可能性。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号