排序方式: 共有4条查询结果,搜索用时 62 毫秒
1
1.
2.
3.
深度强化学习(Deep Reinforcement Learning, DRL)是机器学习领域的一个重要分支,用于解决各种序贯决策问题,在自动驾驶、工业物联网等领域具有广泛的应用前景。由于DRL具备计算密集型的特点,导致其难以在计算资源受限且功耗要求苛刻的嵌入式平台上进行部署。针对DRL在嵌入式平台上部署的局限性,采用软硬件协同设计的方法,设计了一种面向DRL的FPGA加速器,提出了一种设计空间探索方法,在ZYNQ7100异构计算平台上完成了对Cartpole应用的在线决策任务。实验结果表明,研究在进行典型DRL算法训练时的计算速度和运行功耗相对于CPU和GPU平台具有明显的优势,相比于CPU实现了12.03的加速比,相比于GPU实现了28.08的加速比,运行功耗仅有7.748W,满足了深度强化学习在嵌入式领域的在线决策任务。 相似文献
4.
针对巷道采用炮掘过陷落柱效率低的问题,结合长平矿二盘区胶带机大巷的地质情况,对原施工工艺及支护存在问题进行分析,通过采用EBZ260掘进机组,提高巷道过陷落柱的掘进效率,并对巷道围岩支护方案进行优化。试验表明:采用EBZ260机组截割过陷落柱,掘进效率提升150%;巷道支护方案优化后,顶板下沉量不大于150mm,两帮收缩量不大于250mm,巷道支护效果良好。 相似文献
1