Multiobjective Neuromodulated Controllers for Efficient Autonomous Vehicles with Mass and Drag in the Pursuit-Evasion Game
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Autonomous vehicles in the pursuit-evasion game, subject to the effects of mass and drag, are controlled using an evolutionary multiobjective neuromodulated controller with unsupervised learning. Multiobjective evolution of network weights and topologies (NEAT-MODS) is extended with Lamarckian-inherited neuromodulated learning. NEAT-MODS is an NSGA-II augmented multiobjective neurocontroller that uses two conflicting objectives. By evolving pursuit agents optimized with the separate and conflicting objectives of `capturing evaders' and `minimizing energy consumption', efficient neurocontrollers can be evolved. NEAT-MODS uses a selection process that aims to ensure Pareto-optimal genotypic diversity and elitism. Neuromodulation is a biologically-inspired technique that can adapt the per-connection learning rates of synaptic plasticity. Lamarckian inheritance allows behaviours learned during parent generations to be passed on to their offspring. The capability of the design is demonstrated in a series of experiments with a simulated evolved vehicle pursuing a basic evader vehicle. It is shown that compact and efficient neurocontrollers for pursuer agents with nonzero mass and drag, capable of capturing an optimal evader while simultaneously minimizing energy consumption, are evolved.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle