学习导航

摘要： 在信息化教学的背景下,微课、慕课、精品视频公开课等视频课程在学习中得以广泛应用。视频课程以视频媒体作为主要的教学呈现形式,具有制作简便、播放简单的特点,正在成为一种重要的教学发展趋势,其设计和开发也一直受到普遍关注。目前的视频课程往往注重教学内容的设计,而在学习导航设计方面则关注不够,因而在学习过程中,学习者难以将课程知识的层序关系梳理清晰、构建完备。基于此,根据知识地图的思路,对视频课程内容的层次化、知识的结构化以及学习的路径化问题进行了深入思考,进而研究了视频课程知识地图的绘制与学习导航的构建,以实现视频课程学习路径的有效指航、学习轨迹的动态记录以及学习策略的合理优化,从而改善视频课程的学习质量,促进学习者的高效学习。

摘要： 分析了单元学习导航所具有的帮助学生合理规划单元学程、实现个性化学习等功能,并结合实例说明单元学习导航的设计须以知识地图为基础、以单元境脉为载体、以问题解决为"定位",将三者整合可形成以重要概念为目的地、次位概念为途经点、情境—问题—任务—活动—评价为路标和问题解决为定位器的"单元学习导航图".

摘要： 《义务教育语文课程标准(2022年版)》(以下简称《课程标准》)的颁布,标志着我国基础教育课程改革步入核心素养目标引领下的新阶段。其中,解决复杂问题所需的高阶思维培养是核心素养体系的关键。在此背景下,我们提出引领学生思维攀登的自主学习导航,即以学生为主体,以促进思维拓展为目标,在自主学习过程中,通过相关导航进行解释、探究,加深学生对学科知识的理解,促进学生思维的进阶,帮助学生真正学会学习。

摘要： 学习导航单的“导”是指教师的引导和指导,“航”是指以学为中心学生主体地位的凸显,学习导航单是以学为中心,提升学生学习能力,实现核心素养的有效载体。小学数学单元复习课,是一个单元的小结,因此尤为重要。这就对单元复习学习导航单的设计提出了更高的要求,学习导航单设计的基本要求如下。

摘要： 函数模型及其应用是高中数学的重要内容,也是高考的常考点,同学们一定要理解和掌握几种常见的函数模型,学会应用函数的模型解决实际问题。一、要点梳理1.几类函数模型及其增长差异(1)几类函数模型:①反比例函数模型:f(x)=k/x+b(k,b为常数且k≠0).

摘要： 一元一次方程是刻画实际生活问题的一个有效模型,是初中数学教材中的重点也是难点,更是之后学习二元一次方程组、一元一次不等式及其它方程的基础.在小学阶段,我们主要以算术知识的学习为主,数量关系也基本用数字符号表示,进入初中后开始尝试用字母符号表示数量关系,进而深入学习方程,这与算术有着本质区别,是思维方式从算术思维向代数思维转化的一个开端.一元一次方程是最基本的代数方程,学好本章内容在初中阶段解决实际问题中起着重要的启蒙作用.

摘要： 学习导航单是指教师根据学生的实际情况,创造性地设计出的符合实际的学案,主要目的是调动学生参与学习,引导学生通过 自己的思考和合作完成主要的学习任务。这里主要是研究了学习导航单的设计问题。

摘要： 随着教育事业的推进,为了让学生接受更好的教育,教师不断改革教学方法,学习导航单与思维导图的结合在数学单元复习中 起到了很好的效果。

摘要： 学习对象元数据(LOM,Learning Object Metadata)是IEEE采用的一种表示学习对象(教学资源)信息的规范,本文采用LOM规范管理网络教学资源,通过LOM中的"关系"元素表示教学资源之间的依赖关系,构造从LOM到扩展知识结构图的转换接口,从而利用基于扩展知识结构图的教学规划方法为学习者提供个性化学习导航.以人工智能教学资源整合和学习导航为例加以说明.

摘要： 本发明涉及一种导航仪的路径导航学习方法。导航仪的触摸屏操控单元显示引导路径，若当前位置偏离所述引导路径，则记录该当前位置为偏离点，并记录当前行进的路线信息；回到所述引导路径上时记录为回归点；所述偏离点至回归点之间的路线信息生成学习文档；用户通过导航仪中触摸屏操控单元设定第二起始点和第二目的地；CPU单元查询所述学习文档，若判定所述学习文档中的偏离点和回归点都在该第二引导路径上，则CPU单元根据所述学习文档对第二引导路径进行修改，以将所述偏离点至回归点之间的路线作为最后生成的第二最优引导路径的一部分；导航仪沿第二最优引导路径执行路径引导过程，直至到达所述第二目的地。

摘要： 本发明属于机器人中的多移动机器人技术领域，更具体地，涉及一种用于在稀疏奖励信号下学习多机器人编队导航策略的课程学习方法。当奖励信号稀疏时，基于深度强化学习的多机器人编队导航方法难以通过试错的方式学习出有效的导航策略。为了让多机器人编队在奖励信号稀疏的情况下依然能够学习出导航策略，本发明提出了一种基于融合相对表现和绝对表现的课程学习方法；该方法首先依据起始点到目标点的距离对场景进行分类，然后基于多机器人编队在不同类型场景中的相对表现和绝对表现来安排接下来要进行交互的场景类型。通过本发明所提出的课程学习方法，多机器人编队能够在奖励信号稀疏的情况下学习出有效的导航策略。

摘要： 一种自主车辆包括决策器模块和耦合到解析器模块的分级器模块。决策器模块生成当前时间的轨迹决策，生成自主车辆周围的平坦空间的当前二维切片，通过在时间上向前投影平坦空间的当前二维切片来生成平坦空间的未来二维切片，并且通过堆叠当前二维切片和未来二维切片来生成三维状态空间。分级器模块基于自主车辆的最近行为来生成针对轨迹决策的奖励。解析器模块基于三维状态空间和奖励从轨迹决策中选择自主车辆的最终轨迹决策。当前二维切片包括当前自主车辆位置和当前相邻车辆位置。未来二维切片包括未来自主车辆位置和未来相邻车辆位置。

摘要： 本发明公开了一种基于对抗对比学习的导航系统训练方法、装置及导航系统，所述方法包括：在智能体移动时采集智能体处于不同模态下的模态信息，将所述模态信息编码成特征向量；当确定智能体停止移动时，根据所述特征向量获取隐藏状态向量；对所述隐藏状态向量进行轨迹编码得到轨迹编码数据；调用预设的障碍场景轨迹数据和预设的无障碍场景轨迹数据对所述轨迹编码数据进行对抗对比学习的训练模型，得到导航训练系统。本发明可以通过对抗对比学习和训练，优化智能体长期计划能力，可以大大提高导航器在障碍条件下的鲁棒性，并提高导航的准确性。

摘要： 一种基于大数据机器学习的导航方法及其导航系统包括：在第一步骤(S1)中，采集车辆出行信息以构建包括海量所述出行信息的大数据库，其中，所述出行信息包括起点、终点和行车路径；在第二步骤(S2)中，输入搜索条件在所述大数据库中直接使用大数据训练进行机器学习以获得导航路线，所述搜索条件为起点和终点。

摘要： 本发明涉及一种导航仪的路径导航学习方法。导航仪的触摸屏操控单元显示引导路径，若当前位置偏离所述引导路径，则记录该当前位置为偏离点，并记录当前行进的路线信息；回到所述引导路径上时记录为回归点；所述偏离点至回归点之间的路线信息生成学习文档；用户通过导航仪中触摸屏操控单元设定第二起始点和第二目的地；CPU单元查询所述学习文档，若判定所述学习文档中的偏离点和回归点都在该第二引导路径上，则CPU单元根据所述学习文档对第二引导路径进行修改，以将所述偏离点至回归点之间的路线作为最后生成的第二最优引导路径的一部分；导航仪沿第二最优引导路径执行路径引导过程，直至到达所述第二目的地。

摘要： 本发明提供了一种基于模仿学习及深度强化学习的移动机器人导航方法包括如下步骤：步骤1，建立移动机器人的环境模型；步骤2，构建基于模仿学习及深度强化学习算法耦合的导航控制框架，利用耦合的导航框架对移动机器人模型进行训练；步骤3，利用训练好的模型实现导航任务。

摘要： 本发明属于机器人中的多移动机器人技术领域，更具体地，涉及一种用于在稀疏奖励信号下学习多机器人编队导航策略的课程学习方法。当奖励信号稀疏时，基于深度强化学习的多机器人编队导航方法难以通过试错的方式学习出有效的导航策略。为了让多机器人编队在奖励信号稀疏的情况下依然能够学习出导航策略，本发明提出了一种基于融合相对表现和绝对表现的课程学习方法；该方法首先依据起始点到目标点的距离对场景进行分类，然后基于多机器人编队在不同类型场景中的相对表现和绝对表现来安排接下来要进行交互的场景类型。通过本发明所提出的课程学习方法，多机器人编队能够在奖励信号稀疏的情况下学习出有效的导航策略。

摘要： 本发明公开了一种用于实现导航的可迁移的元学习的无监督DQN强化学习方法，所述方法的ULTRA框架包括三个部分，无监督的对抗性任务生成、共享层次结构策略和元强化学习；所述的无监督的对抗性任务生成的基于任务的对抗性训练过程包含任务生成器和元学习器；任务生成器自动生成多组任务，而没有来自环境的任何监督信号，元学习者将尝试完成这些任务；所述的共享层次结构策略，元学习器的体系结构是共享层次结构策略，其中包含一个主策略和一组子策略；在每个主时间脉络中，主策略首先根据算法随机进行选择要激活的子策略，然后所选的子策略执行主操作。所述的元强化学习，是使用强化学习的算法对整个任务中所有主策略下分配的子策略的参数进行优化。

摘要： 在过去的专利地图中，未能表现出实施方式与权利要求的包含关系或关联性。以点或能够与点近似的任意图形等(第1表示)来表现实施方式，以大致扇形(第2表示)来表现权利要求。当某件专利的专利权人与某项实施方式的实施者相同时，代表权利要求的大致扇形(第2表示)的圆心角与代表实施方式的点等(第1表示)重合或者配置于相近的位置。在此，在大致扇形(第2表示)存在多个时，配置为放射状。另一方面，在实施者为第三方的情况下，当实施方式包括在权利要求内时，以代表实施方式的点等(第1表示)位于代表权利要求的大致扇形(第2表示)的内部的方式进行配置，当实施方式不包括在权利要求内时，以代表实施方式的点等(第1表示)位于代表权利要求的大致扇形(第2表示)的外部的方式进行配置。此时，如果不同点少的话，将第1表示与第2表示近距离配置，如果不同点较多的话，将第1表示配置在远离第2表示的距离。