This article presents an artificial

This article presents an artificial neural network (ANN) structure applied to control a mobile robot movement in dynamically changing environments (environments with mobile obstacles). The proposed structure is a backward neural one. So, it is based on past and future positions, and on a optimal pre-established path. The past positions provide the ANN with memory of the mobile robot previous positions. On the other hand, the future positions provide the ANN with a goal, i.e., where the robot should go. Based on this information, the robot do not lose its goal, even if it has to avoid an obstacle. The results show the efficiency of the ANN in a form of simulations.

ผลลัพธ์ (ไทย) 1:

บทความนี้นำเสนอโครงสร้างเครือข่ายประสาทเทียม (แอน) ที่ใช้ในการควบคุมการเคลื่อนไหวของหุ่นยนต์เคลื่อนไหวเปลี่ยนสภาพแวดล้อม (สภาพแวดล้อมฆ่ามือถือ) โครงสร้างการนำเสนอเป็นหนึ่งประสาทย้อนหลัง ดังนั้น มันจะขึ้น ในอดีตและในอนาคตตำแหน่ง และเส้นทางก่อนกำหนดเหมาะสมที่สุด ตำแหน่งอดีตให้แอนน์ ด้วยหน่วยความจำของหุ่นยนต์เคลื่อนตำแหน่งก่อนหน้านี้ บนมืออื่น ๆ ตำแหน่งงานในอนาคตให้แอนน์ ด้วยเป้าหมาย เช่น หุ่นยนต์ควรไปไหน ตามข้อมูลนี้ หุ่นยนต์ไม่สูญเสียเป้าหมาย แม้ว่ามีการหลีกเลี่ยงอุปสรรค ผลลัพธ์แสดงประสิทธิภาพของแอนที่ในรูปแบบของการจำลอง

ผลลัพธ์ (ไทย) 2:

บทความนี้นำเสนอเครือข่ายประสาทเทียม (ANN) โครงสร้างที่ใช้ในการควบคุมการเคลื่อนไหวของหุ่นยนต์เคลื่อนที่ในสภาพแวดล้อมที่เปลี่ยนแปลงแบบไดนามิก (สภาพแวดล้อมที่มีอุปสรรคมือถือ) โครงสร้างที่นำเสนอเป็นประสาทย้อนหลังหนึ่ง ดังนั้นจึงขึ้นอยู่กับตำแหน่งที่ผ่านมาและในอนาคตและบนเส้นทางก่อนขึ้นที่ดีที่สุด ตำแหน่งที่ผ่านมาให้ ANN กับหน่วยความจำของหุ่นยนต์เคลื่อนที่ตำแหน่งก่อนหน้านี้ ในทางตรงกันข้าม, ตำแหน่งในอนาคตให้ ANN โดยมีเป้าหมายคือหุ่นยนต์ที่ควรจะไป จากข้อมูลนี้หุ่นยนต์จะไม่สูญเสียเป้าหมายแม้ว่าจะมีอุปสรรคที่จะหลีกเลี่ยง ผลที่ได้แสดงประสิทธิภาพของแอนในรูปแบบของแบบจำลอง

ผลลัพธ์ (ไทย) 3:

บทความนี้นำเสนอโครงข่ายประสาทเทียม ( ANN ) โครงสร้างที่ใช้ในการควบคุมหุ่นยนต์เคลื่อนที่เคลื่อนไหวเปลี่ยนแปลงในสภาพแวดล้อมแบบไดนามิก ( สภาพแวดล้อมที่มีอุปสรรคมือถือ ) การนำเสนอโครงสร้างเป็นประสาทไปคนเดียว ดังนั้นมันขึ้นอยู่กับอดีตและอนาคตตำแหน่ง และในที่สุดก่อนสร้างเส้นทางตำแหน่งในอดีตให้แอนกับหน่วยความจำของหุ่นยนต์เคลื่อนที่ก่อนหน้านี้ตำแหน่ง บนมืออื่น ๆ , ตำแหน่งในอนาคตให้แอนกับเป้าหมาย เช่น หุ่นยนต์ ที่ควรจะไป ตามข้อมูลนี้ หุ่นยนต์ไม่สูญเสียเป้าหมาย แม้ว่าจะต้องหลีกเลี่ยงอุปสรรค ผลลัพธ์ที่ได้แสดงให้เห็นว่าประสิทธิภาพของแอน ในรูปแบบของการจำลอง .