|
已选(0)清除
条数/页： 排序方式： |
| 面向多模态语义理解与推理的视觉问答研究 学位论文
, 2024
作者: 张熙
 Adobe PDF(39126Kb) |  收藏 | 浏览/下载：21/2 | 提交时间：2024/07/08
多模态 视觉问答 语义挖掘 可靠关联 推理泛化 |
| 仿生触力觉感知系统设计与多维度信息表征方法研究 学位论文
, 2024
作者: 桂美将
Adobe PDF(8969Kb) | 收藏 | 浏览/下载：42/7 | 提交时间：2024/06/25
仿生触力觉感知系统 海尔贝克阵列 动态杨氏模量 磁偶极子模型 可解释性信息表征 |
| 并联超声机器人的设计与控制方法研究 学位论文
, 2024
作者: 邓兆锟
Adobe PDF(43415Kb) | 收藏 | 浏览/下载：12/1 | 提交时间：2024/06/24
并联超声机器人，构型参数优化，六自由度位姿感知，强化学习，超声 切面自动获取 |
| 基于神经辐射场的动态人脸编辑 学位论文
, 2024, 2024
作者: 杨嵩林
Adobe PDF(11258Kb) | 收藏 | 浏览/下载：23/4 | 提交时间：2024/06/24
神经辐射场 动态人脸编辑 人脸属性编辑 人脸运动编辑 神经辐射场 动态人脸编辑 人脸属性编辑 人脸运动编辑 |
| CSIR: Cascaded Sliding CVAEs with lterative Socially-Aware Rethinking for Trajectory Prediction 期刊论文
IEEE Transactions on Intelligent Transportation Systems, 2024, 页码: -
作者: Zhou H(周浩); Yang X(杨旭); Ming-Yu Fan; Hai Huang; Dongchun Ren
 Adobe PDF(4364Kb) | 收藏 | 浏览/下载：16/6 | 提交时间：2024/06/21 |
| 面向多目标覆盖任务的深度强化学习迁移泛化方法研究 学位论文
, 2024
作者: 徐一凡
Adobe PDF(20521Kb) | 收藏 | 浏览/下载：33/3 | 提交时间：2024/06/20
多目标覆盖任务 强化学习 迁移泛化 课程学习 域自适应 环境偏移 |
| Ultimately Bounded Output Feedback Control for Networked Nonlinear Systems With Unreliable Communication Channel: A Buffer-Aided Strategy 期刊论文
IEEE/CAA Journal of Automatica Sinica, 2024, 卷号: 11, 期号: 7, 页码: 1566-1578
作者: Yuhan Zhang; Zidong Wang; Lei Zou; Yun Chen; Guoping Lu
Adobe PDF(2016Kb) | 收藏 | 浏览/下载：31/10 | 提交时间：2024/06/07
Buffer-aided strategy neural networks nonlinear control output-feedback control unreliable communication channel |
| 面向水下搜索的仿生机器金枪鱼系统优化与运动控制 学位论文
, 2024
作者: 仝茹
Adobe PDF(38243Kb) | 收藏 | 浏览/下载：49/8 | 提交时间：2024/06/05
请输入关键词 |
| A memory and attention-based reinforcement learning for musculoskeletal robots with prior knowledge of muscle synergies 期刊论文
Robotic Intelligence and Automation, 2024, 卷号: 44, 期号: 2, 页码: 316-333
作者: Xiaona Wang; Jiahao Chen; Hong Qiao
Adobe PDF(2591Kb) | 收藏 | 浏览/下载：51/14 | 提交时间：2024/06/04
Musculoskeletal robot Partial observable Reinforcement learning LSTM Attention Muscle synergy |
| 基于内在动机的深度强化学习探索策略研究 学位论文
, 2024
作者: 陈忠鹏
Adobe PDF(5803Kb) | 收藏 | 浏览/下载：28/1 | 提交时间：2024/06/04
深度强化学习，内在动机，探索策略，稀疏奖励 |
