如何选择人工网络的输入？

Question

作为任务的一部分，我必须实施一种学习方法，使扫雷人员能够避免与地雷相撞。我可以选择监督/无监督/强化学习算法。

我记得在我的一个讲座中，讲师提到ALVIN。他在教人工神经网络。

由于我正在寻找的行为或多或少与ALVINN类似，我想实现一个ANN。我之前已经实现了一个ANN来解决3-parity xor问题，这里是my solution。我从未真正理解人工神经网络的直觉。

我想知道，我的人工神经网络的输入是什么？在3parity xor问题的情况下，很明显。

Answer 1

鉴于它在现实世界中取得的成功，ALVIN似乎是一个很好的系统，以此为基础！当您链接到的页面进行讨论时，ALVIN基本上会收到前方道路的图像作为其输入。在较低的水平上，这通过表示30X32像素图像的960个输入节点来实现。每个节点的输入值是该节点表示的像素的颜色饱和度（0表示完全白色图像，1表示完全黑色图像，或沿着这些线表示的东西）（我很确定图片是灰度的，虽然他们现在可能正在使用颜色，例如，可以通过每个像素使用三个输入节点来实现，一个表示红色饱和度，一个表示绿色，一个表示蓝色。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？

有关更多低级详细信息，请参阅the original paper.

Answer 2

对于ANN的框架，每个人都有自己的偏好。我最近使用Encog框架来实现图像处理项目，并发现它很容易实现。

现在，在你的问题陈述中，“一种让扫雷人员避免与地雷相撞的学习方法”是一个非常广泛的范围。什么确实是你对人工神经网络的投入？您必须根据它是在真实机器人上还是在模拟环境中实现来决定输入。

可以清楚地推断，如果你试图实现像ALVIN这样的东西，可以排除无监督学习。

在模拟环境中，最佳选择是基于模拟传感器数据以某种方式形成环境的网格图。然后机器人周围的占用网格可以形成机器人ANN的良好输入。

如果无法形成网格图（如果数据不足），则应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。如果您有摄像头输入（如ALVIN型号），那么您可以直接跟随他们的脚步并训练您的人工神经网络。

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手建立一个强大的，准备好现场的扫雷艇。 :)对于一个小型的受控环境，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加糟糕，您必须在各种特殊情况下将其计入您的任务规划器中。尽管如此，建议将一些其他传感器（LRF，超声波等）与视觉传感器融合，并将其用作计划器的输入。如果没有别的可用，请复制粘贴ALVIN系统，只需要前置摄像头输入。

ANN培训方法将类似（如果仅使用愿景）。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。最多可将其增加到8-10。应该管用。正确使用激活功能。