Neural Networks in Robotics

شبکه‌های عصبی در رباتیک اولین کتابی است که دیدگاهی یکپارچه از کاربرد شبکه‌های عصبی مصنوعی برای کنترل ربات و مدل‌های عصبی عضلانی که ربات‌ها از آن ساخته شده‌اند را ارائه می‌کند. رفتار سیستم‌های بیولوژیکی الهام‌بخش و چالشی برای روباتیک است. هدف، ساخت ربات‌هایی است که می‌توانند توانایی موجودات زنده را برای ادغام ورودی‌های ادراکی به آرامی با پاسخ‌های حرکتی، حتی در حضور محرک‌های جدید و تغییرات در محیط، تقلید کنند. توانایی سیستم‌های زنده برای یادگیری و سازگاری، استانداردی را فراهم می‌کند که سیستم‌های رباتیک بر اساس آن قضاوت می‌شوند. به منظور تقلید از این توانایی ها، تعدادی از محققین تلاش کرده اند تا کنترل کننده های رباتی را ایجاد کنند که بر اساس فرآیندهای شناخته شده در مغز و سیستم اسکلتی- عضلانی مدل شده اند. تعدادی از این مدل ها در این کتاب توضیح داده شده است.
از سوی دیگر، فرمول‌های اتصالگرا (شبکه عصبی مصنوعی) برای محاسبه سینماتیک معکوس و دینامیک روبات‌ها جذاب هستند، زیرا می‌توان آنها را بدون برنامه‌نویسی صریح برای این منظور آموزش داد. برخی از مزایا و مشکلات محاسباتی این رویکرد نیز ارائه شده است.
برای هر دانشجوی جدی رباتیک، شبکه های عصبی در رباتیک مرجعی ضروری به کار محققان بزرگ در این زمینه است. به طور مشابه، از آنجایی که رباتیک یک حوزه کاربردی برجسته برای شبکه‌های عصبی مصنوعی است، شبکه‌های عصبی در رباتیک برای کارگران در ارتباط‌گرایی و برای دانش‌آموزان برای کنترل حسگر مانیتور در سیستم‌های زنده به همان اندازه مهم است.

Neural Networks in Robotics is the first book to present an integrated view of both the application of artificial neural networks to robot control and the neuromuscular models from which robots were created. The behavior of biological systems provides both the inspiration and the challenge for robotics. The goal is to build robots which can emulate the ability of living organisms to integrate perceptual inputs smoothly with motor responses, even in the presence of novel stimuli and changes in the environment. The ability of living systems to learn and to adapt provides the standard against which robotic systems are judged. In order to emulate these abilities, a number of investigators have attempted to create robot controllers which are modelled on known processes in the brain and musculo-skeletal system. Several of these models are described in this book.
On the other hand, connectionist (artificial neural network) formulations are attractive for the computation of inverse kinematics and dynamics of robots, because they can be trained for this purpose without explicit programming. Some of the computational advantages and problems of this approach are also presented.
For any serious student of robotics, Neural Networks in Robotics provides an indispensable reference to the work of major researchers in the field. Similarly, since robotics is an outstanding application area for artificial neural networks, Neural Networks in Robotics is equally important to workers in connectionism and to students for sensormonitor control in living systems.