{“状态”：“确定”，“消息类型”：“工作”，“信息版本”：“1.0.0”，“邮件”：{“索引”：{-“日期-部件”：[[2022,6,23]]，“日期-时间”：“2022-06-23T09:43:09Z”，“时间戳”：1655977389619}，“引用-计数”：26，“发布者”：“Frontiers Media SA”，“许可证”：[{“开始”：{-date-parts“：[[2022,6,23]，“时间”：”2022-06-23T00:00Z“，”时间戳“：1655942400000}，“content-version”：“vor”，“delay-in-days”：0，“URL”：“https:\/\/creativecommons.org\/licenses\/by\/4.0\/”}]，“funder”：[{“DOI”：“10.13039\/100010661”，“name”：“Horizon 2020 Framework Programme”，“DOI-asserted-by”：“publisher”，“id”：[[{”id“：”10.13039\\100010661“，”id-type“DOI“，”asserted-by“：”publisher“}]}]，“内容域”：{“域”：[“frontiersin.org”]，“crossmark-restriction”：true}，“short-container-title”：[“Front.Robot.AI”]，“abstract”：“最近的实验表明，对一般任务的端到端强化学习神经网络进行预训练可以加快特定机器人应用的训练过程。然而，如果这些网络形成了通用特征提取器和可重复使用的层次结构，例如卷积神经网络，那么它仍然是开放的。在本研究中，我们分析了针对关节数增加的机器人操作器目标到达训练的网络中的固有神经元激活，并分析了网络中单个神经元的激活分布。我们引入了一种剪枝算法来增加网络信息密度并描述神经元激活模式的相关性。最后，我们在为不同复杂度的机器人运动学训练的网络之间搜索神经元激活的投影。结果表明，与内层相比，输入和输出网络层需要更明显的神经元激活。我们的剪枝算法显著减小了网络规模，增加了神经元激活的距离，同时保持了较高的训练和评估性能。我们的结果表明，关节数差异较小的机器人显示出更高的分层投影精度，而更清晰的机器人运动学显示出对第一层的优势投影<\/jats:p>“，”DOI“：”10.3389\/frobt.2022.799644“，”type“：”journal-article“，”created“：{”date-parts“：[2022,6,23]]，”date-time“：”2022-06-23T08:58:20Z“，”timestamp“：1655974700000}，”update-policy“：“http://\/dx.DOI.org\/10.3389\/crossmark-policy”，“source”：“Crossref”，“is-referenced-by-count”：0，“title”：[“基于RL的机器人到达任务的网络层分析“]，“前缀”：“10.3389”，“卷”：“9”，“作者”：[｛“给定”：“Benedikt”，“家族”：“Feldotto”，“序列”：“第一个”，“隶属关系”：[]｝，｛“给定”：“Heiko”，“家族”：“Lengenfelder”，“序列”：“附加”，“隶属关系”：[]｝，｛“给定”：“Florian”，“家族”：“R\u00f6hrbein”，“序列”：“附加”，“隶属关系”：[]｝，{“given”：“Alois C.”，“family”：“Knoll”，“sequence”：“additional”，“affiliation”：[]}]，“member”：“1965”，“published-on-line”：{“date-parts”：[2022,6,23]]}，“reference”：[{“key”：}，{“键”：“B3”，“doi-asserted-by”：“publisher”，“first page”：“253”，“doi”：“10.1613\/jair.3912”，“article-title”：“The Arcade Learning Environment:An Evaluation Platform for General Agents”，“volume”：”47“，“author”：“Bellemare”，“year”：“2013”，“journal-title“：”J.Artif.Intell.Res，“author”：“Carlo”，“year”：“2020”}，{“key”：“B5”，“doi-asserted-by”：“publisher”，“first page”：《184》，“doi”：“10.1016\/j.neuroimage.2016.10.001”，“article-title”：“Seeing it all:Convolution Network Layers Map the Function of the Human Visual System”，“volume”：”152“author:”Eickenberg“，”year“2017”，“journal-title“：”neuroimage“}”，{”key“B1”，“首页”：“32”，“volume-title”：“Weight Agnostic Neural Networks”，“author”：“Gaier”，“year”：“2019”}，{“key”：“B6”，“first-pages”：“249”，“article-title“：“Understanding the Hardware of Training Deep Feedforward Neural Networks”，”author“：”Gloot“，“year:”2010，“volume-title”：“神经信息处理系统的进展，第5卷”，“author”：“Hassibi”，“year”：“1992”}，{“key”：“B8”，“doi-asserted-by”：“crossref”，《volume-title》：“The Elements of Statistical Learning：Data Mining，Inference，and Prediction”，”author“：”Hastie“，”year“2009”，“doi”：“10.1007\/978-0-387-84858-7”}，“文章标题”：“用于图像识别的深度残差学习”，“作者”：“何”，“年份”：“2016”}，{“密钥”：“B10”，“首页”：“245”，“文章标题”：“通过节点修剪重塑用于快速解码的深度神经网络”，“作者”：“何”，“年份”：“2014”}，{“密钥”：“B11”，“首页”：“1545”，“文章标题”：“学习编写用于问答的神经网络”，“author”：“Jacob”，“year”：“2016”}，{“key”：“B12”，“doi-asserted-by”：“crossref”，《first page》：“121”，”doi“：“10.1007\/978-3319-94042-7_7”，“article-title”：“Learning to Run Challenge Solutions:Adapting Reinforcement Learning Methods for Neurommuscleoskeletal Environments”，“volume-title“The NIPS\u201917 Competition：Building Intelligent Systems”，”author“：“Kidzi\u0144ski”，“年份”：“2018”}，{“key”：“B13”，“首页”：“1”，“article-title”：“Adam:随机优化方法”，“author”：“Kingma”，“year”：“2015”}“首页”：“598”，“文章标题”：“Solla.最佳脑损伤（修剪）”，“volume-title”：“神经信息处理系统的进展”，“author”：“LeCun”，“year”：“1990”}，{“key”：“B16”，“volume-titel”：“深度强化学习的持续控制”，“author”:“Lillicrap”，“year”：”2015“}，}“key:”B17“first page”：”789“volume-title”：“PoPS：深度强化学习的政策修剪和收缩”，“author”：“Livne”，“year”：“2020”}，{“key”：“B18”，“doi-asserted-by”：“publisher”，“first pages”：“529”，“doi”：“10.1038\/nature14236”，“article-title”：“通过深度强化学习进行人性化控制”，“volume”：”518“authors”：“Mnih”，“年份”：“2015”，“journal-title“：”Nature“}，9英寸，“首页”：“1”，“文章-标题”：“演员-模拟深度多任务和转移强化学习”，“作者”：“帕里索托”，“年份”：“2016”}，{“关键”：“B20”，“首版”：“618”，“文件-标题”:“Grad-cam：通过基于梯度的本地化从深度网络中进行视觉解释”，“作家”：“塞尔瓦拉朱”，“年”：“2017”}：“使用一般强化学习算法通过自学游戏掌握国际象棋和Shogi”，“author”：“Silver”，“year”：“2017”}，{“key”：“B22”，“doi-asserted-by”：“publisher”，《first page》：“484”，“doi”：“10.1038\/nature16961”，“article-title”：“Mastering the Game of Go with Deep Neural Networks and Tree Search”，”volume“529”，“author”:“Silvor”，“年份”：“2016”，“journal-title”：“Nature”}，{“key”：“B24”，“volume-title“：“争取简单：全卷积网络”，“author”：“Springenberg”，“year”：“2014”}：“B25”，“首页”：“3642”，“article-title”：“分享多任务强化学习的经验”，“author”：“Vuong”，“year”：“2019”}，{“key”：“B26”，“first page”：”818“，“article-title:”可视化和理解卷积网络“，“author”：“Zeiler”，“年份”：“2014”}]，“container-title“：[”机器人和人工智能的前沿“]，“original-tittle”：[]，“link”：[{“URL”：“https:\/\/www.frontiersin.org\/articles\/10.3389\/frobt.2022.799644\/full”，“content-type”：“unspecified”，“content-version”：“vor”，“intended-application”：“similarity-checking”}]，“deposed”：{“date-parts”：[[2022,6,23]]，“date-time”：”2022-06-23T08:58:34Z“timestamp”：1655974714000}，“score”：1，“resource”:{“primary”：{“URL”：“https://www.frontiersin.org/articles\/10.3389\/frobt.2022.799644\/full”｝，“副标题”：[]，“短标题”：[]，“已发布”：{“日期部分”：[[2022,6,23]]｝，“参考文献计数”：26，“替代id”：[“10.3389\/frobt.2022.799644”]，“URL”：“http:\/\/dx.doi.org/10.3389\/frobt.2022.799644”，“关系”：{}，“ISSN”：[“2296-999644 144“]，”ISSN类型“：[｛”value“：”2296-9144“，”类型“：“电子”}]，“主题”：[]，“发布”：{“日期部分”：[[2022,6,23]]}}}