The _rst step in the neural gait co

The _rst step in the neural gait control was to create the examples data set to be employed in the ANN learning. The half-ellipse controller, described above, was adapted in order to generate a log _le, containing records of: the current joint angles at time t, the sensors state (bumpers below the paws indicating the leg phase . 0 = swing phase; 1 = sustained phase), and the desired joint angles for the next time t+1. In the near future we plan to use motion capture devices to provide the examples for the training database. The learning database was created with 6000 examples, (3000 for the learning and 3000 for the generalization test), each one with 16 inputs and 12 outputs. The_rst 12 inputs are the current joint angles, and the 4 last inputs are obtained through bumpers. The 12 outputs are the expected joint angles at time t + 1. With the neural network controller, there is no need to calculate the inverse kinematics. The neural network used in the experiments was an Elman network, as shows the Figure 5. This _gure is just illustrative, because we used in our experiments more neurons and connections per layer.

ผลลัพธ์ (ไทย) 1:

_Rst ขั้นตอนในการควบคุมการเดินประสาทเพื่อ สร้างชุดข้อมูลตัวอย่างการทำงานในแอนที่เรียนได้ ควบคุมวงรีครึ่ง ข้าง ถูกดัดแปลงเพื่อสร้างเป็นล็อก _le ประกอบด้วยการ: มุมร่วมปัจจุบันที่เวลา t รัฐเซ็นเซอร์ (กันชนล่าง paws ระบุระยะขา 0 =แกว่งระยะ 1 =ระยะ sustained), และมุมร่วมต้องทีเวลาถัดไป + 1 ในอนาคตอันใกล้เราจะใช้อุปกรณ์จับภาพเคลื่อนไหวให้ตัวอย่างสำหรับฐานข้อมูลการฝึกอบรม ฐานเรียนรู้สร้าง 6000 ตัวอย่าง, (3000 สำหรับการเรียนรู้และ 3000 สำหรับทดสอบ generalization), แต่ละคน ด้วย 16 อินพุตและเอาท์พุต 12 อินพุต The_rst 12 มุมร่วมปัจจุบัน และอินพุตสุดท้าย 4 จะได้รับผ่านกันชน แสดงผล 12 มีมุมร่วมที่คาดไว้ที่เวลา t + 1 มีตัวควบคุมเครือข่ายประสาท มีไม่จำเป็นต้องคำนวณ kinematics ผกผัน เครือข่ายประสาทที่ใช้ในการทดลองมีการ Elman เครือข่าย ตามที่แสดงในรูปที่ 5 _Gure นี้เป็นเพียงแสดง เพราะเราใช้ในการทดลองของ neurons และเชื่อมต่อชั้นเพิ่มเติม

ผลลัพธ์ (ไทย) 2:

ขั้นตอน _rst ในการควบคุมการเดินประสาทคือการสร้างข้อมูลตัวอย่างชุดที่จะใช้ในการเรียนรู้ ANN ควบคุมครึ่งวงรีอธิบายไว้ข้างต้นถูกนำมาดัดแปลงเพื่อที่จะสร้าง _le บันทึกที่มีบันทึก:. มุมร่วมกันในปัจจุบันที่เวลา t, รัฐเซ็นเซอร์ (กันชนด้านล่างแสดงให้เห็นอุ้งเท้าขาเฟส 0 = แกว่งเฟส 1 ขั้นตอนอย่างยั่งยืน =) และร่วมกันในมุมที่ต้องการสำหรับเวลา t + 1 ต่อไป ในอนาคตอันใกล้เราวางแผนที่จะใช้อุปกรณ์จับการเคลื่อนไหวเพื่อให้ตัวอย่างสำหรับฐานข้อมูลการฝึกอบรม ฐานข้อมูลการเรียนรู้ที่ถูกสร้างขึ้นด้วยตัวอย่าง 6000 (3000 สำหรับการเรียนรู้และ 3000 สำหรับการทดสอบทั่วไป) แต่ละคนมี 16 ปัจจัยการผลิตและ 12 เอาท์พุท The_rst 12 ปัจจัยการผลิตที่มีมุมร่วมกันในปัจจุบันและ 4 ปัจจัยการผลิตที่ผ่านมาจะได้รับผ่านกันชน 12 เอาท์พุทที่มีมุมร่วมกันเวลา t + คาดว่า 1. ควบคุมเครือข่ายประสาทมีความจำเป็นในการคำนวณจลนศาสตร์ผกผัน เครือข่ายประสาทที่ใช้ในการทดลองเป็นเครือข่ายเอลแมนเป็นแสดงให้เห็นรูปที่ 5 _gure นี้เป็นตัวอย่างเพียงเพราะเราใช้ในการทดลองของเรามากขึ้นเซลล์ประสาทและการเชื่อมต่อต่อชั้น

ผลลัพธ์ (ไทย) 3:

ขั้นตอน _rst ในการควบคุมการเดินประสาทเพื่อสร้างชุดข้อมูลตัวอย่างที่จะใช้ในการเรียนรู้ แอน ครึ่งวงรีตัวควบคุมที่อธิบายไว้ข้างต้นถูกดัดแปลงเพื่อสร้างบันทึก _le ที่มีประวัติ : ปัจจุบันร่วมมุมที่เวลา t เซ็นเซอร์ของรัฐ ( กันชนด้านล่าง เท้าชี้ขาเฟส 0 = ระยะแกว่ง ; 1 = ยั่งยืนเฟส )และที่ต้องการร่วมมุมสำหรับคราวหน้า T 1 ในอนาคตเราวางแผนที่จะใช้อุปกรณ์จับการเคลื่อนไหวเพื่อให้ตัวอย่างการฝึกอบรมฐานข้อมูล ฐานข้อมูลการเรียนรู้ที่สร้างขึ้นด้วย 6 , 000 ตัวอย่าง ( 3000 สำหรับการเรียนรู้และ 3000 สำหรับการทดสอบ ) , แต่ละกับ 12 16 อินพุตและเอาท์พุท the_rst 12 กระผมเป็นปัจจุบันร่วมมุมและสุดท้าย ปัจจัย 4 ได้ผ่านกันชน 12 ซึ่งเป็นมุมที่คาดว่าร่วมเวลา t 1 ด้วยตัวควบคุมแบบโครงข่ายประสาทเทียม ไม่ต้องคำนวณกลศาสตร์การเคลื่อนไหวผกผัน ซึ่งโครงข่ายประสาทเทียมที่ใช้ในการทดลอง คือ เครือข่าย เ แมนที่แสดงรูปที่ 5 _gure นี้เป็นเพียงตัวอย่าง เพราะเราใช้ในการทดลองของเราประสาทมากขึ้นและเชื่อมต่อชั้น