智慧消防的一些知识点
- 分类:新闻中心
- 作者:
- 来源:
- 发布时间:2021-11-02
- 访问量:0
【概要描述】 随着人工智能技术的深入研究,智慧消防的研究进入了一个新的阶段。面对复杂的公共场所,传统的灭火是由人们从发现火源到处置火情,再到搜救被困人员。这可能会造成被困人员位置不清、
智慧消防的一些知识点
【概要描述】 随着人工智能技术的深入研究,智慧消防的研究进入了一个新的阶段。面对复杂的公共场所,传统的灭火是由人们从发现火源到处置火情,再到搜救被困人员。这可能会造成被困人员位置不清、
- 分类:新闻中心
- 作者:
- 来源:
- 发布时间:2021-11-02
- 访问量:0
随着人工智能技术的深入研究,智慧消防的研究进入了一个新的阶段。面对复杂的公共场所,传统的灭火是由人们从发现火源到处置火情,再到搜救被困人员。这可能会造成被困人员位置不清、搜救时间长等一系列问题。因此,对灭火过程的自主性和未知空间的探索提出了新的挑战。当公共场所发生火灾紧急情况时,代理人如何根据过往经验快速识别被困人员,为消防救援人员提供合理的救援路线,是公共安全领域亟待解决的问题。
面对上述消防问题,构建一个图像识别和路径规划的智慧消防是解决这类基于视觉感知的控制任务的关键。卷积神经网络在图像识别方法中具有突出的性能。卷积神经网络通过卷积层提取输入视频图像数据的特征,输出的特征图传递给汇聚层进行特征选择和信息过滤。在为救援人员提供合理救援路线的方法中,路径规划算法是核心,直接影响救援结果。传统的运动规划方法是智能主体根据人们预设的规则实现路径规划。然而,当遇到动态未知环境时,这类方法由于缺乏灵活性,难以适应复杂环境。
基于智能系统在智慧消防中的应用场景,设计了系统的总体结构。根据总体结构设计的智能体系统主要有三个部分:目标识别、自主路径规划和与外界的信息交互。这种代理结构通过用摄像机捕捉视频图像来与环境交互,并收集不同的外部环境数据。通过随机选择并执行动作,然后根据环境状态和当前环境状态变化给出的反馈选择并执行下一个动作,通过深度强化学习算法不断与环境进行交互,获取知识,增加经验,称为当智能体得知有火灾时,立即通过摄像头搜索被困人员。发现被困人员后,立即根据以往学到的经验,将位置信息和合理的救援路线传达给外部救援人员。
智慧消防中移动代体对被困人员的识别可以通过卷积神经网络实现。然而,对于智能体的路径规划,经典的强化学习方法往往不能解决状态和动作空间的高维问题。在机器学习方法中,深度神经网络具有表达复杂环境的能力,经典的强化学习算法是解决复杂决策问题的有效手段。
因此,两者的结合的智慧消防智能体的感知决策问题提供解决方案。DQN是一个经典的深度强化学习方法。与经典的强化学习算法不同,当DQN使用深度神经网络逼近价值函数时,价值函数是否更新取决于参数。DQN在强化学习中使用卷积神经网络框架拟合行为值函数,可以使智能体独立地学习一个或多个策略。
扫二维码用手机看
相关资讯