刚才徐教授和钟教授都对人工智能做了很全面的演讲，我讲的是受生物启发的智能及其多个带有网络的应用。

我总体介绍的话人工智能的话总的来说有几大类，比如说神经网络，现在比较（英文），他主要的在学习以及神经动力学是一个实时的系统，我们这边主要是在（英文），他模拟人的（英文）在很多机器人里面也用的非常多，我们（英文）通过一些行为的一些方法用的到的，接下来还有其他的人工智能方法一大类比如说（英文），都是一些优化的，所以我这里强调就是说，现在人工神经网络（英文），大家对它的兴趣也是越来越多，如果你（英文）关键词在搜索里面你会发现越来越多的应用。

它早前我们的研究的话，最早我原来本科是学物理，后来是学生物物理，当时对生物就一直很有兴趣，比如说细胞膜的模型，大家可能在高中就学过了，他解释系统的动态平衡，（英文），是一个神经网络专家，他用的（英文）解释动物对自然出现变化的快速反应，比如说我们在物理面光线辐射把光关掉你会觉得很黑，过一会儿就没有那样黑了，我们最早把这中反映用到了机器人，后来也用到了其他的控制，还有一些干燥控制等等，今天主要是介绍在机器人方面的应用，因为时间关系。

因为内容比较多，我这里主要是讲讲我们当初想的思路的一个想法，具体的算法的话在网络还有发表的文件详细了学术了，我就不讲了。

早期的研究的话就是我原来在读硕士在科学物理研究所，我们早期做的是生物方面的，我们早期是做生物系统，这个是（英文），视觉系统我们可以建立一个神经网络，可以模拟他动态的行为，包括对运动的感知以及对视觉早期的反应。我们当时在实验室做的是运动飞行控制系统，现在用的比较多的是很多人用水库、桥梁房屋监督，还有运动控制的话比如说蝗虫翅膀的飞行，有中枢神经系统还有传感系统，这里面有神经网络可以通过学习有它的传感器，就是（英文），即使情况非常复杂，所以我们用（英文）也可以很方便的解决一下问题。

这是早期的一个工作就是从我的博士开始然后到今年或者去年都有相关文章的发展，基于刚才讲的神经动力学的方法，然后提出来了一个理论，最后把它用道不同的系统，然后有一些扩展。他的思路就是说神经源之间的理解描述了动态的变化，刚才讲到的变化的时候，系统会有动态进行快速反应，所以这边方法的话，他的优点是对于动态的方法有非常的（英文）。

他考虑的话整个算法只有一个公式，来自细胞膜的模型，他演义的话就是目标吸引机器人，（英文）到了理论上的话严格的理论证明他的稳定性或者收敛性，在静态的情况下比较简单，刚才讲了是个动态的系统，比如说目标在走的时候他也在跟着走，这是神经动力学的衰减，根据动态的环节做一个追踪，文章本身有很多的例子，我这里选了一点点。

有很多的领域，比如说汽车一样的机器人碰到障碍物的时候他可以很快的绕开，后来的应用的话有的研究的话常常是我们当初受到生物的启发提出来这样的想法，很多人觉得很有趣，我要改进的话可以做的更快，所以（英文）说的更快一些，但是思路还是来源于人类的生物启发，这个应用的话在去年我们在（英文）有一篇文章，就是用到多个网络化的移动机器人，然后它也可以就是在比较复杂的环境里面可以优化解决扫地的问题，扫地的话是简单的，在覆盖有很多领域，我们这方面的文章也有一系列的，这个是其中的一篇。

在后来的话我们也用德国机器人，比如说目标在移动，刚开始的时候目标是不知道的，三个过程，第一个是探索，然后布阵，然后抓。

这个方法用于不同的领域，自然也很简单，主要是思路问题，这个的话我们可以走的更快一点，这个方法很多人听的非常有趣，可不可以继续往前走，像波的传播的话可以更快一点，波的神经网络，然后做的话可以做的更快一点，所以在TN2000年就发了一篇长的文章。

这个就是把它用到网络里面，今天的会是以网络为主，徐教授也讲到网络跟人工智能的关系，我们把这个方法推展到网络里面，这个方法实际上就是我们在机器人里面有用的这，路径的规划是找最短的路，用网络他会有延迟，我们在百度也好，高德的地图也是，他会有交通的延迟，我们就加到了（英文）网络里面，找到最优的方法跟传统的方法进行比较。

这个是把它用到真实的系统里面，比如说水下的机器人，他里面有控制器，所以在2016年有篇长文章就介绍了，结合具体的动力学把它解决这个问题。用到那个水下机器人的话大家可以想到，原来的二维变成三维，包括突然出现障碍物或者目标的运动。

这个是另外一个有趣的研究，就是说在一个系统里面有很多的目标和机器人，我们怎么用简单的方法做任务分配，我们当时用的是自组织神经网络，这里面比如说是一个动态相识，方块是目标，红点是机器人，在一个很简单的方法，通过竞争和协同的关系，它可以找到一个路线，这个思路比如说刚开始有一个目标来的以后，他（英文）然后进行学习。

这个是多种例子，比如说多种目标还有机器人的概述，在不同的情况有的机器人需要在动态过程中死掉了，或者有的目标在运动，我们又规划到不同的领域比如说三维，我们（英文）2012年就把它用到水下机器人里面。

这是去年的一篇文章，也是把它用到三维的（英文），也是一个比较人们的话题，是有很多的机器人怎么可以进行任务分配，控制它的运动，所以我们在动态的环境里面把刚才的方法回到三维里面。

刚才是位置的控制，现在是速度的控制，因为控制在不同的程度，把传统的方法和现在的方法结合在一起，传统的方法有速度的更新，我们把神经动力学加进去，进行理论的证明，所以他速度要更快一些，离散的情况也是一样的。

我们把他规道不同的领域，比如说水面机器人，跟汽车还是不一样的，因为船的话可以被风吹着走，思路是一样的。

再往下的话比如“蛟龙号”载人的水下机器人，我们把这个方法用到了蛟龙号了里面，7千米以下有人的，我们也是算的它的控制，这是他的模型，这是算法，然后它可以用生物学的方法和传统方法的看出。

最后我们用到了空中的机器人，比如说用不同的系统，空中的机器人也是类似的，它有四个（英文），进行控制，我们把它分解成不同的运动，就是水平的运动，然后最后用同样的方式把神经动力学的方式找出了他跟传统方法的不足之处，用神经动力学的方法进行解决。

这是一个早期的一个例子，我们用到了刚才说的神经动力学，传统的也用了些，我们类似于昆虫的就是（英文），它的传感器有摄像头之类的，他有行为的控制，没有完整的逻辑推理，他不需要反应，比如说视觉的话告诉他跟踪移动目标，每一个就是一个行为，这是传感器的位置，这（英文），因为控制的话有很多的（英文）。

我们强调的是智能系统，所以我们用GA的方法进行识别，我们做了一些调整，因为机器人是动的，他可以通过GA做的比较快，我们做（英文）躲障碍物，如果你要用模型的话是很难做到的，我们用示意图，输出是方向，比如说很近的时候通过不同的反应进行控制。

这里面比较复杂一点，就是说大家知道，（英文）都是（英文），用到一个具体的基键系统的话稳定性比较困难，我们通过（英文）函数的方法，证明了它的稳定性，这是参数选择范围。

最近的话我们扩展到了比较复杂的（英文）一个车子（英文），我们可以做一种（英文）然后这是有一串（英文）的情况，有人机障碍物，可以方便躲开障碍物。

这是（英文）就是一群机器人在走的时候有移动的障碍物可以躲过去。

这是前几天讲的，今天的报告就讲到这里，谢谢大家。