The above-mentioned locomotion gene

The above-mentioned locomotion generators as well as motion
planning methods can provide motion for modular robots.
Locomotion generators are efficient in providing basic motions,
but they do not consider complex situations in the environment.
Although generators can be extended to cope with altering terrain,
finding suitable parameters for such models is time consuming.
However, motion planning techniques are well fitted to solve the
global planning problem, as they cope with obstacles and consider
the situation on a higher level. However, their performance can
degrade when they need to derive control signals for many
actuators, which is the case of modular robots.
In this paper, we propose the novel RRT-MP planner (Rapidly
Exploring Random Tree with Motion Primitives), that combines
locomotion generation and motion planning. To fulfill a highlevel
goal, sampling-based motion planning is utilized, as it
considers the overall situation in the environment and it can
avoid collisions with obstacles or other robots. To speed up the
planning process, the problem of finding control inputs is solved
by utilizing locomotion generators that provide basic skills—
motion primitives. The result of RRT-MP is a sequence of motion
primitives, which can easily be executed by the robot. Whenever
the situation in the environment changes, a new plan can easily
be generated without the necessity to adapt the individual motion
primitives.
The main contribution of our approach is the novel motion
planner, which can create plans for modular robots moving in
complex environments. Our approach can be combined with
various locomotion generators, which can realize different gaits.
The motion planner allows the use of simple motion primitives
without the need to introduce sensory feedback to detect obstacles
or other difficult areas. The proposed system allows the robot
to visit distant places in complex environments, where obstacles
need to be avoided. It is assumed, that the dynamics of the robots is
not crucial here, as the studied robots move mostly using crawling
and therefore the impact of dynamics is negligible and it can be
handled on the CPG level. This allows us to focus this paper only to
the motion planning problem.

ผลลัพธ์ (ไทย) 1:

เครื่องกำเนิดไฟฟ้า locomotion ดังกล่าวรวมทั้งเคลื่อนไหววิธีการวางแผนสามารถให้การเคลื่อนไหวสำหรับหุ่นยนต์โมดุลLocomotion กำเนิดมีประสิทธิภาพในการให้การเคลื่อนไหวพื้นฐานแต่พวกเขาไม่พิจารณาสถานการณ์ซับซ้อนในสภาพแวดล้อมแม้ว่าเครื่องกำเนิดไฟฟ้าสามารถขยายเพื่อรับมือกับการเปลี่ยนแปลงสภาพภูมิประเทศการหาพารามิเตอร์ที่เหมาะสมสำหรับรุ่นดังกล่าวเป็นเวลานานอย่างไรก็ตาม เทคนิคการวางแผนเคลื่อนไหวจะเหมาะแก้การส่วนกลางปัญหา การวางแผน ตามที่พวกเขารับมือกับอุปสรรค และพิจารณาสถานการณ์ในระดับสูงขึ้น อย่างไรก็ตาม การปฏิบัติสามารถลดลงเมื่อพวกเขาต้องได้รับสัญญาณควบคุมสำหรับหลายหัวขับ ซึ่งในกรณีของหุ่นยนต์โมดูลาร์ในเอกสารนี้ เราเสนอวางแผน RRT MP นวนิยาย (อย่างรวดเร็วสำรวจต้นไม้สุ่ม โดยนำการเคลื่อนไหว), ที่รวมรุ่น locomotion และวางแผนการเคลื่อนไหว เพื่อตอบสนองความ highlevelเป้าหมาย เคลื่อนไหวตามการสุ่มตัวอย่างการวางแผนการใช้ประโยชน์ ตามพิจารณาโดยรวมสถานการณ์สิ่งแวดล้อมและสามารถหลีกเลี่ยงไม่เกิดการชนกับสิ่งกีดขวางหรือหุ่นยนต์อื่น ๆ เพื่อเร่งการกระบวนการวางแผน การแก้ไขปัญหาของอินพุตควบคุมการค้นหาได้อย่างโดยใช้กำเนิด locomotion ที่ให้ทักษะพื้นฐานเช่นนำการเคลื่อนไหว ผลของ RRT MP คือ ลำดับของการเคลื่อนไหวนำ ซึ่งสามารถดำเนินการ โดยหุ่นยนต์เดิน เมื่อไรก็ได้สถานการณ์การเปลี่ยนแปลงสภาพแวดล้อม แผนใหม่อย่างง่ายดายสร้าง โดยไม่มีความจำเป็นการปรับการเคลื่อนไหวแต่ละนำสัดส่วนหลักของวิธีการของเราคือ การเคลื่อนไหวที่นวนิยายวางแผน ซึ่งสามารถสร้างแผนสำหรับหุ่นยนต์โมดูลาร์ในสภาพแวดล้อมที่ซับซ้อน วิธีของเราสามารถใช้ร่วมกับต่าง ๆ locomotion กำเนิด ซึ่งสามารถทราบ gaits แตกต่างกันวางแผนการเคลื่อนไหวให้ใช้นำเคลื่อนไหวเรื่องโดยไม่ต้องแนะนำคำติชมทางประสาทสัมผัสเพื่อตรวจหาอุปสรรคหรือพื้นที่อื่น ๆ ยาก ระบบจะเสนอให้หุ่นยนต์ชมสถานที่ห่างไกลในสภาพแวดล้อมที่ซับซ้อน ที่อุปสรรคต้องหลีกเลี่ยง มีสมมุติ ของหุ่นยนต์ว่าที่นี่ไม่สำคัญ เป็นการย้ายศึกษาหุ่นยนต์ส่วนใหญ่ใช้การตระเวนดังนั้นผลกระทบของ dynamics เป็นระยะ และสามารถจัดการในระดับประเภทวัสดุสิ้นเปลือง เราเน้นกระดาษนี้เพื่อให้ปัญหาวางแผนเคลื่อนไหว

ผลลัพธ์ (ไทย) 2:

ดังกล่าวข้างต้นกำเนิดการเคลื่อนไหวเช่นเดียวกับการเคลื่อนไหวการวางแผนวิธีการที่สามารถให้การเคลื่อนไหวของหุ่นยนต์แบบแยกส่วน.
กำเนิดการเคลื่อนไหวที่มีประสิทธิภาพในการให้บริการการเคลื่อนไหวขั้นพื้นฐาน
แต่พวกเขาไม่ได้พิจารณาสถานการณ์ที่ซับซ้อนในสภาพแวดล้อม.
แม้ว่ากำเนิดสามารถขยายเพื่อรับมือกับการเปลี่ยนแปลงสภาพภูมิประเทศ
การหาค่าพารามิเตอร์ที่เหมาะสมสำหรับรูปแบบดังกล่าวจะใช้เวลานาน. อย่างไรก็ตามเทคนิคการวางแผนการเคลื่อนไหวเป็นอย่างดีติดตั้งในการแก้ปัญหาการวางแผนระดับโลกเช่นที่พวกเขารับมือกับอุปสรรคและพิจารณาสถานการณ์ในระดับที่สูงขึ้น อย่างไรก็ตามผลการดำเนินงานของพวกเขาสามารถลดลงเมื่อพวกเขาต้องการที่จะได้รับสัญญาณควบคุมหลายตัวกระตุ้นซึ่งเป็นกรณีของหุ่นยนต์จำเพาะ. ในบทความนี้เรานำเสนอนวนิยาย RRT-MP วางแผน (อย่างรวดเร็วสำรวจต้นไม้สุ่มที่มีการเคลื่อนไหวPrimitives) ที่รวมการเคลื่อนไหวรุ่นและการวางแผนการเคลื่อนไหว เพื่อตอบสนองความ highlevel เป้าหมายการวางแผนการเคลื่อนไหวการสุ่มตัวอย่างตามถูกนำมาใช้ในขณะที่มันคิดว่าสถานการณ์โดยรวมในสภาพแวดล้อมและสามารถหลีกเลี่ยงการชนกับอุปสรรคหรือหุ่นยนต์อื่นๆ เพื่อเพิ่มความเร็วในขั้นตอนการวางแผนที่เป็นปัญหาในการหาปัจจัยการผลิตการควบคุมแก้ไขได้โดยการใช้เครื่องกำเนิดไฟฟ้าเคลื่อนที่ที่ให้skills- พื้นฐานพื้นฐานการเคลื่อนไหว ผลจากการ RRT-MP เป็นลำดับของการเคลื่อนไหวพื้นฐานซึ่งสามารถจะดำเนินการโดยหุ่นยนต์ เมื่อใดก็ตามที่สถานการณ์ในการเปลี่ยนแปลงสภาพแวดล้อมที่แผนใหม่สามารถสร้างขึ้นโดยไม่จำเป็นที่จะต้องปรับตัวเข้ากับการเคลื่อนไหวของแต่ละบุคคลวิทยาการ. สนับสนุนหลักของวิธีการของเราคือการเคลื่อนไหวนวนิยายวางแผนซึ่งสามารถสร้างแผนสำหรับหุ่นยนต์แบบแยกส่วนไปในสภาพแวดล้อมที่ซับซ้อน วิธีการของเราสามารถใช้ร่วมกับเครื่องกำเนิดไฟฟ้าเคลื่อนที่ต่างๆซึ่งสามารถตระหนักถึงเกทส์ที่แตกต่างกัน. วางแผนการเคลื่อนไหวช่วยให้การใช้พื้นฐานการเคลื่อนไหวที่เรียบง่ายโดยไม่จำเป็นต้องแนะนำข้อเสนอแนะทางประสาทสัมผัสในการตรวจสอบสิ่งกีดขวางหรือพื้นที่ที่ยากอื่นๆ ระบบที่นำเสนอจะช่วยให้หุ่นยนต์ที่จะเยี่ยมชมสถานที่ห่างไกลในสภาพแวดล้อมที่ซับซ้อนที่มีอุปสรรคจะต้องมีการหลีกเลี่ยง มันจะสันนิษฐานว่าการเปลี่ยนแปลงของหุ่นยนต์ที่เป็นไม่ได้ที่สำคัญที่นี่เป็นหุ่นยนต์ศึกษา move ส่วนใหญ่ใช้การรวบรวมข้อมูลและดังนั้นจึงส่งผลกระทบของการเปลี่ยนแปลงเล็กน้อยและสามารถจัดการได้ในระดับCPG นี้จะช่วยให้เราสามารถมุ่งเน้นกระดาษนี้เฉพาะกับปัญหาการวางแผนการเคลื่อนไหว

ผลลัพธ์ (ไทย) 3:

ดังกล่าวข้างต้นการเคลื่อนไหวตลอด รวมทั้งวิธีการวางแผน
สามารถให้เคลื่อนไหวสำหรับหุ่นยนต์แบบแยกส่วน เป็นเครื่องที่มีประสิทธิภาพในการให้บริการของ

แต่การเคลื่อนไหวขั้นพื้นฐาน พวกเขาไม่พิจารณาสถานการณ์ที่ซับซ้อนในสิ่งแวดล้อม
แม้ว่าเครื่องกำเนิดไฟฟ้าสามารถขยายเพื่อรับมือกับการเปลี่ยนแปลงภูมิประเทศ การหาค่าพารามิเตอร์ที่เหมาะสมสำหรับรูปแบบเช่น

เป็นเวลานาน อย่างไรก็ตามเทคนิควางแผนจะติดตั้งแก้ปัญหา
วางแผนทั่วโลกเช่นที่พวกเขารับมือกับอุปสรรค และพิจารณา
สถานการณ์ในระดับที่สูงขึ้น อย่างไรก็ตาม ผลงานของพวกเขาจะลดลงเมื่อพวกเขาต้องการเพื่อให้ได้

หลายสัญญาณควบคุม actuators ซึ่งเป็นกรณีของหุ่นยนต์ Modular .
ในกระดาษนี้เรานำเสนอแผน rrt-mp นวนิยาย ( อย่างรวดเร็ว
สำรวจต้นไม้สุ่มกับเคลื่อนไหว primitives )ที่รวม
รุ่นการเคลื่อนไหวและการวางแผนการเคลื่อนไหว เพื่อตอบสนองมาก
) ตามเป้าหมาย วางแผน เป็น ใช้ ตามที่
พิจารณาสถานการณ์โดยรวมในระบบและสามารถ
หลีกเลี่ยงการชนกับอุปสรรคหรือหุ่นยนต์อื่น ๆ เพื่อเพิ่มความเร็วใน
กระบวนการวางแผน ปัญหาของการหาปัจจัยการผลิต การควบคุมจะแก้ไขโดยการใช้เครื่องกำเนิดไฟฟ้าที่ให้
-
ทักษะการเคลื่อนไหวพื้นฐานเคลื่อนไหว primitives . ผล rrt-mp เป็นลำดับของการเคลื่อนไหว
primitives ซึ่งสามารถจะดำเนินการโดยหุ่นยนต์ เมื่อใดก็ ตามที่
สถานการณ์ในการเปลี่ยนแปลงสภาพแวดล้อมแผนการใหม่สามารถ
ถูกสร้างขึ้นโดยไม่มีความจําเป็นที่จะต้องปรับ primitives เคลื่อนไหว

ส่วนหลักของแต่ละบุคคล วิธีการคือ การวางแผนการเคลื่อนไหว
นวนิยาย ซึ่งสามารถสร้างแผนสำหรับหุ่นยนต์เคลื่อนที่ใน
โมดูลาร์สภาพแวดล้อมที่ซับซ้อน วิธีการของเราสามารถรวมกับ
ตลอดการเคลื่อนไหวต่างๆ ซึ่งสามารถ ตระหนัก สามารถแตกต่างกัน
เคลื่อนไหววางแผนให้ใช้ง่ายเคลื่อนไหว primitives
โดยไม่ต้องแนะนำและติชมเพื่อตรวจหาอุปสรรค
หรือพื้นที่ที่ยากอื่น ๆ ระบบนี้ช่วยให้หุ่นยนต์
เพื่อเยี่ยมชมสถานที่ไกลในสภาพแวดล้อมที่ซับซ้อน ซึ่งอุปสรรค
ต้องหลีกเลี่ยงเป็นสันนิษฐานว่าพลวัตของหุ่นยนต์คือ
ไม่สําคัญที่นี่เป็นศึกษาส่วนใหญ่ใช้หุ่นยนต์ขยับคลาน
ดังนั้นผลกระทบของการเปลี่ยนแปลงเล็กน้อยและมันก็สามารถ
จัดการในระดับ CPG . นี้ช่วยให้เราโฟกัสกระดาษนี้เท่านั้น

เคลื่อนไหววางแผนแก้ปัญหา