7 Conclusions and perspectivesThe m

7 Conclusions and perspectives
The main goal of this paper was to describe the use of a gradient descent learning algorithm (RPROP) to adjust weights of a recurrent neural network used in a legged robot gait control. For this, it was described the properties of the neural network used and the methodology for the generation of the examples database used in the neural learning. The neural networks results are more robust than the results obtained by the controller based in the locus based functions, and the ANN has the advantage that it does not require the inverse kinematics calculation.
The perspectives of this work includes to use motion capture devices to generate the learning database files, and to use more complex robots, like bipeds. We want too use more sensor information (gyroscope, accelerometers, sonars) to improve the quality of the obtained gaits. The perspectives also includes to adapt gait control in order to make possible control robots moving over irregular surfaces and to climb or to descend stairs.

ผลลัพธ์ (ไทย) 1:

บทสรุป 7 และมุมมองเป้าหมายหลักของเอกสารนี้จะ อธิบายการใช้โคตรไล่ระดับการเรียนรู้ขั้นตอนวิธี (RPROP) เพื่อปรับน้ำหนักของเครือข่ายประสาทเกิดซ้ำที่ใช้ในการควบคุมหุ่นยนต์ขาเปลือยเดินได้ สำหรับนี้ มันถูกอธิบายคุณสมบัติของเครือข่ายประสาทที่ใช้และวิธีการสำหรับการสร้างฐานข้อมูลตัวอย่างที่ใช้ในการเรียนรู้ประสาท ผลเครือข่ายประสาทจะแข็งแกร่งมากขึ้นกว่าผลได้รับ โดยตัวควบคุมที่ใช้ในฟังก์ชันโลกัสโพลตาม และแอนจะมีข้อดีที่ว่า ไม่ต้องคำนวณ kinematics ผกผันมุมมองของงานนี้รวมถึงการใช้อุปกรณ์จับภาพเคลื่อนไหวเพื่อสร้างการเรียนรู้แฟ้มฐานข้อมูล และการใช้หุ่นยนต์ที่ซับซ้อนมากขึ้น เช่น bipeds เราต้องใช้ข้อมูลเซนเซอร์เพิ่มเติม (ไจโรสโคป หัว sonars) เพื่อปรับปรุงคุณภาพของ gaits ได้รับมากเกินไป ยังมีมุมมองการปรับควบคุมเดิน เพื่อให้สามารถควบคุมหุ่นยนต์ย้ายผ่านพื้นผิวที่ไม่สม่ำเสมอ และไต่ หรือลงบันได

ผลลัพธ์ (ไทย) 2:

7 สรุปและมุมมองที่
เป้าหมายหลักของงานวิจัยนี้คือการอธิบายการใช้งานของขั้นตอนวิธีการเรียนรู้ไล่ระดับสีโคตร (RPROP) เพื่อปรับน้ำหนักของเครือข่ายประสาทกำเริบใช้ในการควบคุมการเดินของหุ่นยนต์ขา สำหรับเรื่องนี้มันก็อธิบายคุณสมบัติของเครือข่ายประสาทที่ใช้และวิธีการในการสร้างฐานข้อมูลตัวอย่างที่ใช้ในการเรียนรู้ของระบบประสาท ผลเครือข่ายประสาทมีความแข็งแกร่งมากขึ้นกว่าผลที่ได้จากการควบคุมอยู่ในฟังก์ชั่นตามสถานที่และ ANN มีประโยชน์ที่มันไม่จำเป็นต้องผกผันคำนวณจลนศาสตร์.
มุมมองของงานนี้รวมถึงการใช้อุปกรณ์จับการเคลื่อนไหวในการสร้าง ไฟล์ฐานข้อมูลการเรียนรู้และใช้งานหุ่นยนต์ที่มีความซับซ้อนมากขึ้นเช่น bipeds เราต้องการใช้ข้อมูลที่มากเกินไปเซ็นเซอร์มากขึ้น (หมุน, accelerometers, sonars) เพื่อปรับปรุงคุณภาพของเกทส์ที่ได้รับ มุมมองยังรวมถึงการปรับตัวเข้ากับการควบคุมการเดินเพื่อที่จะทำให้การควบคุมหุ่นยนต์ที่เป็นไปได้ย้ายไปพื้นผิวที่ผิดปกติและปีนขึ้นไปหรือลงบันได

ผลลัพธ์ (ไทย) 3:

7 สรุปและมุมมอง
เป้าหมายหลักของบทความนี้คือการอธิบายการไล่ระดับสีโคตรอัลกอริทึมการเรียนรู้ ( rprop ) เพื่อปรับน้ำหนักของกำเริบเครือข่ายประสาทที่ใช้ในหุ่นยนต์เดินขาควบคุม สำหรับเรื่องนี้ มันก็อธิบายคุณสมบัติของโครงข่ายประสาทเทียมที่ใช้และวิธีการสำหรับการสร้าง ตัวอย่างฐานข้อมูลที่ใช้ในการเรียนรู้ ประสาทข่ายงานผลลัพธ์จะมีเสถียรภาพมากขึ้นกว่าผลที่ได้โดยควบคุมอยู่ในสถานที่ตามหน้าที่ และ แอน มีข้อดีที่ไม่ต้องคำนวณกลศาสตร์การเคลื่อนไหวผกผัน
มุมมองของงานนี้รวมถึงการใช้อุปกรณ์จับการเคลื่อนไหวเพื่อสร้างการเรียนรู้และไฟล์ฐานข้อมูลที่ซับซ้อนมากขึ้นเช่นการใช้หุ่นยนต์ bipeds .เราต้องการใช้ข้อมูล ( เซ็นเซอร์ gyroscope , accelerometers , sonars ) เพื่อปรับปรุงคุณภาพของที่ได้สามารถ . มุมมองยังรวมถึงการปรับควบคุมการเดินเพื่อให้หุ่นยนต์เคลื่อนที่ควบคุมเป็นไปได้มากกว่าพื้นผิวผิดปกติและปีนขึ้นไปหรือลงมาบันได .