电源模块 PW01
电源模块 PW01
电源模块 PW01
目标识别
环境感知过程中的目标识别，如无人机目标的识别和追踪等，有神经网络的帮助，可以识别的更准确，已经在大疆等无人机上应用。
定位导航和路径规划
目前机器人的定位导航，主要基于流行的vSLAM或激光雷达SLAM技术。主流的激光雷达方案大概可以分三步，中间部分环节可能涉及到一些深度学习，大部分内容并不涉及深度学习相关。
步：SLAM，构建场景地图，用激光雷达构建场景的2D或3D点云，或者重建出3D场景。
第二步：构建语义地图，可能会对物体进行识别和分割，对场景中的物体进行标记。（有的可能略过这一步）
第三部：基于算法进行路径规划，并驱动机器人的运动。
环境交互
典型应用场景：机械臂抓取目标物体等。与环境的交互，一直是传统自动控制难以解决的问题。近年来，以强化学习为基础，AI相关技术用在了这类问题上，取得了一定的研究进展，但是否是未来的主流方向，仍存在很大争议。
1）强化学习
强化学习框架中，有一个包含神经网络的Agent负责决策。Agent以当前机器人传感器所采集到的环境为输入，输出控制机器人的行动命令action，机器人行动后，再观察新的环境状态和行动带来的结果Reward，决定下一步新的行动action。Reward根据控制目标进行设置，并有正反向之分。例如，如果以自动驾驶为目标，正向的Reward的就是到达目的地，反向就是不能达到目的地，更不好的Reward就是出车祸。然后重复这个过程，目标是化Reward。
强化学习的控制过程，本来就是个正向反馈的控制过程，是AI用于机器人控制的基础。以此为基础，强化学习在机器人控制方面出现了一些研究成果。
Bussmann 170M6035
BUSSMANN 170M6712
Bussmann 170M6081 400A690V
Bussmann 170M6417
Bussmann 161-1027
Bussmann FWP-15B / FWP-15A
Bussmann 170M6010
Bussmann 170M1373
Bussmann 170M4183
Bussmann FWP-50Ba
Bussmann 170M3469
Bussmann 170M6145
Bussmann / NH2-315A 500V (315NHG2B) 500NH3G-690630NHG3B
Bussmann 170M4908
Bussmann 170M6067
Bussmann FWP-60A
Bussmann 170M6766
BUSSMANN 170M6665
Bussmann FWH-700A
BUSSMANN 225MMT 225AMP
Bussmann 170M5463
Bussmann 170M6452
Bussmann 170M4017
Bussmann 170M3468
Bussmann 170M3418
Bussmann 170M4467
Bussmann 170M1369
BUSSMANN 170M4058
Bussmann 170M3473
Bussmann 170M3215
Bussmann 170M5113
Bussmann 170M7082
Bussmann 170M6421
Bussmann 355P J30-7 / 400P J31-7
Bussmann 170M7060/7061/7062/7063/7064/7065