Based on the number of iterations,

Based on the number of iterations, we can see that almost all
algorithms solve the problem in less that the allowed number of
iterations (k = 5000), which is also indicated by success ratios
close to 100%. The only exception is the RRT-K algorithm, which
fails to find a solution for the Quadropod robot, and the success
ratio is only 15% in this case. The RRT-MP algorithm outperforms
the other two methods in all measured aspects: it solves the problem
in the shortest time and it generates the fastest trajectories.
RRT-MP is able to find a solution for all robots in less than 20 iterations,
which indicates that its motion primitives are very efficient.
Although RRT-CPG can also provide a solution, its runtime is
significantly worse than the runtime of RRT-MP, especially for the
Lizard and Quadropod robots. While RRT-MP is able to move the
robot over long distances in each expansion step, the movements
achieved by RRT-CPG are less effective. This is indicated by the
highest number of iterations over all algorithms. The runtime and
the number of required planning iterations of RRT-CPG increase
with the size of the robot.

ผลลัพธ์ (ไทย) 1:

ขึ้นอยู่กับจำนวนการเกิดซ้ำ เราสามารถเห็นว่าเกือบทั้งหมดอัลกอริทึมที่แก้ปัญหานั้นได้รับอนุญาตจำนวนซ้ำ (k = 5000), ซึ่งจะระบุ โดยอัตราส่วนของความสำเร็จปิด 100% ข้อยกเว้นเดียวคือ อัลกอริทึม RRT-K ที่ล้มเหลวในการค้นหาวิธีแก้ปัญหาหุ่นยนต์ Quadropod และความสำเร็จอัตราส่วนเป็นเพียง 15% ในกรณีนี้ อัลกอริทึม RRT MP outperformsอื่น ๆ วิธีการสองวิธีในทุก ๆ วัด: จะแก้ปัญหาในเวลาอันสั้นและสร้าง trajectories ที่เร็วที่สุดRRT-MP จะสามารถหาทางออกสำหรับหุ่นยนต์ทั้งหมดในการทำซ้ำน้อยกว่า 20ว่า นำการเคลื่อนไหวมีประสิทธิภาพมากขึ้นแม้ว่าประเภทวัสดุสิ้นเปลือง RRT ยังสามารถให้การแก้ไขปัญหา เป็นของรันไทม์อย่างมีนัยสำคัญเลวกว่ารันไทม์ของ RRT-MP โดยเฉพาะอย่างยิ่งสำหรับการหุ่นยนต์จิ้งจกและ Quadropod ขณะ RRT MP สามารถย้ายหุ่นยนต์ระยะไกลในแต่ละขั้นตอนการขยาย เคลื่อนไหวโดย RRT ประเภทวัสดุสิ้นเปลืองน้อยกว่ามีประสิทธิภาพ แสดงโดยการจำนวนสูงสุดของการวนซ้ำกว่าอัลกอริทึมทั้งหมด การรันไทม์ และเพิ่มจำนวนซ้ำต้องวางของ RRT ประเภทวัสดุสิ้นเปลืองขนาดของหุ่นยนต์

ผลลัพธ์ (ไทย) 2:

ขึ้นอยู่กับจำนวนของการทำซ้ำที่เราจะเห็นได้ว่าเกือบทุกขั้นตอนวิธีการแก้ปัญหาในน้อยกว่าที่ได้รับอนุญาตจำนวนของการทำซ้ำ(k = 5000) ซึ่งถูกระบุโดยอัตราส่วนความสำเร็จเกือบ100% ยกเว้นอย่างเดียวคืออัลกอริทึม RRT-K ซึ่งล้มเหลวในการหาทางออกให้กับหุ่นยนต์Quadropod และความสำเร็จอัตราส่วนเพียง15% ในกรณีนี้ อัลกอริทึม RRT-MP มีประสิทธิภาพดีกว่าอีกสองวิธีการในทุกแง่มุมวัด: จะแก้ปัญหาที่เกิดขึ้นในเวลาอันสั้นและสร้างไบร์ทที่เร็วที่สุด. RRT-MP สามารถที่จะหาทางออกให้กับหุ่นยนต์ทั้งหมดในเวลาน้อยกว่า 20 ซ้ำที่ซึ่งบ่งชี้ว่าที่พื้นฐานการเคลื่อนไหวของมันมีประสิทธิภาพมาก. แม้ว่า RRT-CPG ยังสามารถให้การแก้ปัญหารันไทม์ของมันอย่างมีนัยสำคัญเลวร้ายยิ่งกว่ารันไทม์ของRRT-MP โดยเฉพาะอย่างยิ่งสำหรับจิ้งจกและหุ่นยนต์Quadropod ในขณะที่ RRT-MP สามารถที่จะย้ายหุ่นยนต์ในระยะทางไกลในแต่ละขั้นตอนการขยายตัวของการเคลื่อนไหวทำได้โดยRRT-CPG มีประสิทธิภาพน้อย นี่คือการแสดงโดยจำนวนสูงสุดของการทำซ้ำในช่วงขั้นตอนวิธีการทั้งหมด รันไทม์และจำนวนของการทำซ้ำการวางแผนต้องการ RRT-CPG เพิ่มขนาดของหุ่นยนต์

ผลลัพธ์ (ไทย) 3:

บนพื้นฐานของจำนวนซ้ำ เราสามารถเห็นได้ว่าขั้นตอนวิธีเกือบทั้งหมด
แก้ไขปัญหาน้อยที่ได้รับอนุญาตจำนวน
ซ้ำ ( k = 5 , 000 ) , ซึ่งยังพบโดยอัตราส่วนความสำเร็จ
เกือบ 100 % ยกเว้นอย่างเดียวคือขั้นตอนวิธี rrt-k ซึ่ง
ล้มเหลวในการหาโซลูชั่นสำหรับ quadropod หุ่นยนต์และอัตราส่วนความสำเร็จ
เพียง 15 % ในคดีนี้ การ rrt-mp ขั้นตอนวิธีมีประสิทธิภาพดีกว่า
อีกสองวิธีในการวัดด้านมันแก้ปัญหา
ในเวลาอันสั้น และสร้างวิถีที่เร็วที่สุด
rrt-mp สามารถค้นหาโซลูชั่นสำหรับหุ่นยนต์ในน้อยกว่า 20 รอบ
, ซึ่งแสดงให้เห็นว่าการเคลื่อนไหวของ primitives จะมีประสิทธิภาพมาก .
ถึงแม้ว่า rrt-cpg สามารถให้โซลูชั่นของ Runtime คือ
อย่างมากยิ่งกว่า rrt-mp Runtime ของ ,โดยเฉพาะอย่างยิ่งสำหรับ
จิ้งจกและหุ่นยนต์ quadropod . ในขณะที่ rrt-mp สามารถย้าย
หุ่นยนต์ไกลแต่ละขั้นตอนในการ , การเคลื่อนไหว
โดย rrt-cpg มีประสิทธิภาพน้อยลง นี้จะแสดงจำนวนทั้งหมดของรอบ
อัลกอริธึม รันไทม์และ
จำนวนที่ต้องการการวางแผนรอบ rrt-cpg เพิ่ม
กับขนาดของหุ่นยนต์