2. Related researchIn the construct

2. Related research
In the construction domain, different algorithms have been
used or evaluated for construction equipment path planning. For
example, Soltani et al. [30] have evaluated the performance of
three algorithms (Dijkstra, A⁄ and Genetic Algorithms (GA)) for
path planning in construction sites. Paths of site operatives and
vehicles are evaluated based on three criteria: short distance, low
safety risks and high visibility. Their experimental results have
shown that Dijkstra and A⁄ can find optimal solutions but suffer
from the dimensional constraints; therefore, these two algorithms
are inefficient in solving large scale problem. The GA algorithm
takes relatively less time in finding a near-optimum solution; however,
the limitations are less accurate solutions and a time-consuming
fine-tuning process. Furthermore, the above mentioned
research is based on a 2D discrete grid representation of the site,
and only offline planning is investigated.
Tserng et al. [33] have proposed a methodology and several
algorithms for interactive motion planning that are developed for
multi-equipment landfill operations in an Automated Landfill System
(ALS). This methodology simulates the operational processes
of landfill vehicles and equipment in planning a landfill project.
However, this system depends on pre-defined patterns to do motion
planning for the equipment, which prevents the system from
solving actual cases where there could be equipment on site that
does not follow any of the specified moving patterns.
Kim et al. [20] have introduced a path-planning method for a
mobile construction robot to find a continuous collision-free path
from the initial position of the construction robot to its goal position.
This work presents an improved Bug-based algorithm, called
SensBug, which can produce an effective and short path in an unknown
environment with both stationary and moving obstacles.
However, their method did not improve the safety in all variations
of bug algorithms where generated paths touch the obstacles.
Sivakumar et al. [29] have tried different algorithms, such as A⁄
and GAs to optimize the collision-free path for cooperative lifting
with two cranes. In the research of Ali et al. [2], a GA is used and
compared with the A⁄ algorithm, and the former is considered a
better solution for two cranes working together. However, the
authors have assumed that the site contains only static obstacles,
and the proposed solutions provide only off-line planning, rather
than real-time control of the movement. In addition, a fitness evaluation
is applied by checking the coordination of two cranes,
where the constraints from the lifting object are taken into
consideration.
Kang and Miranda [16] have proposed an incremental decoupled
method to plan motions for multiple cranes so that collisions
among any of the cranes are avoided as are possible collisions between
the cranes and the transported objects. Three different algorithms
were integrated to find a path efficiently [16–18]. These
three algorithms are conceptually similar to the Rapidly-exploring
Random Trees (RRT) algorithm but are simplified for the specific
case of a tower crane. This approach is efficient but it is incomplete,
i.e., it may fail to find a solution even if there is one. Although this
research considered dynamic changes on site to make the path
more realistic, it was assumed that the environment information
was known by exactly following the work schedule. The real situation
on site is that unknown objects should be monitored using
sensors and taken into account to ensure the collision-free movement
of equipment [39].
In the case of motion planning for equipment on construction
sites, the model-based approach should be used during the planning
stage. In this approach, a 3D model of the site is available
and full information about the geometry of the equipment and
the obstacles is given beforehand, so path planning becomes a
one-time off-line operation. During the execution stage, the dynamic
environment needs sensor-based planning with the
assumption that some obstacles are unknown. This lack of information
is compensated for by local on-line (real-time) information
coming from sensory feedback [31]. The difference between motion
planning for equipment on construction sites and the robotic
exploration in an unknown environment is that every task carried
out on a construction site has a schedule; therefore, the unknown
information can be assumed to be minor or less essential to the
whole plan most of the time, and a motion re-planning approach
can efficiently modify the off-line plan based on real-time sensed
data

ผลลัพธ์ (ไทย) 1:

2. งานวิจัยที่เกี่ยวข้องได้รับอัลกอริทึมอื่นในโดเมนการก่อสร้างก่อสร้างที่ใช้ หรือค่าสำหรับอุปกรณ์เส้นทางวางแผนการ สำหรับตัวอย่าง al. Soltani ร้อยเอ็ด [30] ได้ประเมินประสิทธิภาพของ3 อัลกอริทึม (Dijkstra, A⁄ และอัลกอริทึมทางพันธุกรรม (GA)) สำหรับเส้นทางที่วางแผนในไซต์ก่อสร้าง เส้นทางของไซต์นั่นเอง และยานพาหนะจะถูกประเมินตามเกณฑ์ที่ 3: ระยะสั้น ระยะต่ำความเสี่ยงความปลอดภัยและการมองเห็นสูง ผลการทดลองได้แสดงว่า Dijkstra และ A⁄ สามารถหาโซลูชั่นที่ดีที่สุด แต่ต้องทนทุกข์ทรมานจากข้อจำกัดมิติ ดังนั้น เหล่านี้สองอัลกอริทึมจะต่ำในการแก้ปัญหาขนาดใหญ่ อัลกอริทึม GAใช้เวลาค่อนข้างน้อยในการหาโซลูชันใกล้เหมาะสม อย่างไรก็ตามข้อจำกัดมีโซลูชั่นถูกต้องน้อยกว่าและยังใช้เวลานานปรุงกระบวนการ นอกจากนี้ ด้านบนกล่าวถึงวิจัยตามตารางแยกกัน 2D ตัวแทนของเว็บไซต์และตรวจสอบวางแผนแบบออฟไลน์เท่านั้นTserng et al. [33] ได้เสนอวิธีการและหลายอัลกอริทึมสำหรับการเคลื่อนไหวแบบโต้ตอบการวางแผนที่ถูกพัฒนาสำหรับการดำเนินงานฝังกลบหลายอุปกรณ์ในระบบฝังกลบแบบอัตโนมัติ(ยัง) วิธีนี้จำลองกระบวนการทำงานฝังกลบรถยนต์และอุปกรณ์ในการวางแผนโครงการฝังกลบอย่างไรก็ตาม ระบบนี้ขึ้นอยู่กับรูปแบบที่กำหนดไว้ล่วงหน้าการเคลื่อนไหวสำหรับอุปกรณ์ การป้องกันระบบจากการวางแผนแก้ไขกรณีและปัญหาที่เกิดขึ้นจริงอาจมีอุปกรณ์บน ไซต์ที่ไม่เป็นไปตามของรูปแบบการเคลื่อนไหวที่ระบุAl. ร้อยเอ็ดคิม [20] ได้แนะนำวิธีการวางแผนเส้นทางสำหรับการหุ่นยนต์ก่อสร้างโทรศัพท์มือถือในการค้นหาเส้นทางอิสระชนอย่างต่อเนื่องจากตำแหน่งเริ่มต้นของหุ่นยนต์ก่อสร้างไปยังตำแหน่งเป้าหมายงานนี้นำเสนอการปรับปรุงข้อบกพร่องตามอัลกอริทึม เรียกว่าSensBug ซึ่งสามารถผลิตเป็นเส้นทางที่สั้น และมีประสิทธิภาพในโนเนมสภาพแวดล้อม มีทั้งประจำที่ และเคลื่อนย้ายสิ่งกีดขวางอย่างไรก็ตาม วิธีการของพวกเขาไม่ได้เพิ่มความปลอดภัยในทุกรูปแบบของอัลกอริทึมบักที่ที่เส้นทางสร้างสัมผัสอุปสรรคSivakumar et al. [29] ได้พยายามหลายอัลกอริทึม เช่น A⁄และก๊าซจะปรับเส้นทางชนฟรีสำหรับสหกรณ์ยกมีเครนสอง งานวิจัยของ Ali et al. [2], ใช้เป็น GA และเปรียบเทียบกับอัลกอริทึม A⁄ และอดีตถือว่าเป็นโซลูชั่นที่ดีกว่าสำหรับสองเครนทำงานร่วมกัน อย่างไรก็ตาม การผู้เขียนคิดเอาเองว่า เว็บไซต์ประกอบด้วยอุปสรรคคงเท่านั้นและแก้ปัญหาที่เสนอให้ออฟไลน์เท่านั้นการวางแผน ค่อนข้างกว่าการควบคุมการเคลื่อนไหวแบบเรียลไทม์ นอกจากนี้ ประเมินการออกกำลังกายใช้ โดยการประสานงานของสองเครน ตรวจสอบซึ่งข้อจำกัดจากวัตถุยกนำมาเป็นพิจารณาโกงกางและมิรันดา [16] ได้เสนอการเพิ่ม decoupledวิธีการวางแผน motions สำหรับเครนหลายดังนั้นตามที่ระหว่างของเครนจะหลีกเลี่ยงเป็นไปตามระหว่างการเครนและขนย้ายวัตถุ อัลกอริทึมต่าง ๆ สามถูกรวมในการค้นหาเส้นทางได้อย่างมีประสิทธิภาพ [16-18] เหล่านี้อัลกอริทึมที่สามเป็นทางแนวคิดคล้ายกับรวดเร็วการสำรวจต้นไม้ (RRT) อัลกอริทึมแบบสุ่มแต่มีภาษาสำหรับกรณีของเครนทาวเวอร์ วิธีการนี้มีประสิทธิภาพ แต่ก็ไม่สมบูรณ์เช่น มันไม่สามารถหาทางออกแม้ว่าจะมี ถึงแม้ว่านี้งานวิจัยถือเป็นการเปลี่ยนแปลงแบบไดนามิกบนไซต์เพื่อให้เส้นสมจริงมากขึ้น มันเป็นสมมติที่ข้อมูลสภาพแวดล้อมถูกรู้จักกัน โดยตรงตามตารางการทำงาน จากสถานการณ์จริงมีที่รู้จักวัตถุควรจะตรวจสอบโดยใช้เซนเซอร์ และนำมาพิจารณาเพื่อให้การเคลื่อนไหวอิสระชนอุปกรณ์ [39]ในกรณีของการเคลื่อนไหววางแผนสำหรับอุปกรณ์ในการก่อสร้างควรใช้เว็บไซต์ ปฏิบัติตามแบบแผนขั้นตอนการ ในวิธีการนี้ โมเดล 3 มิติของไซต์ได้และเต็มข้อมูลเกี่ยวกับเรขาคณิตของเครื่องมือ และอุปสรรคให้ล่วงหน้า เพื่อวางแผนเส้นทางจะเป็นการดำเนินงานออฟไลน์เพียงครั้งเดียว ในระหว่างขั้นตอนการดำเนินการ ไดนามิกสภาพแวดล้อมต้องใช้เซ็นเซอร์วางแผนกับการอัสสัมชัญที่อุปสรรคบางอย่างไม่รู้จัก การขาดข้อมูลเป็นชดเชยตามข้อมูล (เวลาจริง) ท้องถิ่นมาจากผลตอบสนองทางประสาทสัมผัส [31] ความแตกต่างระหว่างการเคลื่อนไหววางแผนการในไซต์ก่อสร้างและที่หุ่นยนต์สำรวจในสภาพแวดล้อมไม่ทราบเป็นทุกงานดำเนินออกบนสร้าง ไซต์มีกำหนดการ ดังนั้น ไม่รู้จักข้อมูลสามารถจะถือว่าเล็กน้อย หรือไม่จำเป็นต้องการส่วนใหญ่ของเวลา และภาพเคลื่อนไหวใหม่วางแผนวิธีการวางแผนทั้งหมดมีประสิทธิภาพสามารถปรับเปลี่ยนแผนออฟไลน์ตามเวลาจริงทรงข้อมูล

ผลลัพธ์ (ไทย) 2:

2. การวิจัยที่เกี่ยวข้อง
ในโดเมนก่อสร้างขั้นตอนวิธีการที่แตกต่างกันได้รับการ
ใช้งานหรือการประเมินผลสำหรับการวางแผนเส้นทางอุปกรณ์ก่อสร้าง สำหรับ
ตัวอย่างเช่น Soltani et al, [30] มีการประเมินประสิทธิภาพการทำงานของ
อัลกอริทึม (Dijkstra, A/ และขั้นตอนวิธีทางพันธุกรรม (GA)) สำหรับ
เส้นทางการวางแผนในสถานที่ก่อสร้าง เส้นทางของการปฏิบัติการสถานที่และ
ยานพาหนะมีการประเมินขึ้นอยู่กับเกณฑ์ที่สาม: ระยะสั้นต่ำ
ความเสี่ยงด้านความปลอดภัยและการมองเห็นสูง ผลการทดลองของพวกเขาได้
แสดงให้เห็นว่า Dijkstra A/ และสามารถหาทางแก้ปัญหาที่ดีที่สุด แต่ต้องทนทุกข์ทรมาน
จากข้อ จำกัด มิติ; ดังนั้นทั้งสองขั้นตอนวิธีการ
จะไม่มีประสิทธิภาพในการแก้ปัญหาขนาดใหญ่ ขั้นตอนวิธี GA
ต้องใช้เวลาค่อนข้างน้อยในการหาวิธีการแก้ปัญหาที่อยู่ใกล้ที่เหมาะสม; แต่
ข้อ จำกัด ที่มีการแก้ปัญหาที่ถูกต้องน้อยลงและใช้เวลานาน
กระบวนการปรับจูน นอกจากที่กล่าวข้างต้น
การวิจัยอยู่บนพื้นฐานของการแสดงที่ไม่ต่อเนื่องตาราง 2D ของเว็บไซต์
และการวางแผนแบบออฟไลน์เพียงอย่างเดียวคือการตรวจสอบ.
Tserng et al, [33] ได้เสนอวิธีการและหลาย
ขั้นตอนวิธีการในการวางแผนการเคลื่อนไหวแบบโต้ตอบที่ได้รับการพัฒนาสำหรับ
การดำเนินการฝังกลบหลายอุปกรณ์ในระบบฝังกลบโดยอัตโนมัติ
(ALS) วิธีการนี้จำลองกระบวนการปฏิบัติงาน
ของยานพาหนะและอุปกรณ์การฝังกลบในการวางแผนโครงการฝังกลบ.
อย่างไรก็ตามระบบนี้ขึ้นอยู่กับรูปแบบที่กำหนดไว้ล่วงหน้าที่จะทำเคลื่อนไหว
การวางแผนสำหรับเครื่องจักรและอุปกรณ์ซึ่งจะช่วยป้องกันระบบจาก
การแก้ไขกรณีที่เกิดขึ้นจริงที่อาจจะมีอุปกรณ์ในเว็บไซต์ ที่
ไม่เป็นไปตามรูปแบบใด ๆ ของการเคลื่อนย้ายที่ระบุ.
คิม et al, [20] ได้แนะนำวิธีการหาเส้นทางการวางแผนสำหรับ
หุ่นยนต์ก่อสร้างมือถือเพื่อหาเส้นทางการปะทะกันฟรีอย่างต่อเนื่อง
จากตำแหน่งเริ่มต้นของหุ่นยนต์ก่อสร้างไปยังตำแหน่งเป้าหมาย.
งานนี้นำเสนอขั้นตอนวิธีการข้อผิดพลาดตามที่ดีขึ้นเรียกว่า
SensBug ซึ่ง สามารถผลิตที่มีประสิทธิภาพและเส้นทางสั้น ๆ ในที่ไม่รู้จัก
สภาพแวดล้อมที่มีทั้งนิ่งและเคลื่อนย้ายสิ่งกีดขวาง.
อย่างไรก็ตามวิธีการของพวกเขาไม่ได้ปรับปรุงความปลอดภัยในทุกรูปแบบ
ของข้อผิดพลาดที่ขั้นตอนวิธีการสร้างเส้นทางสัมผัสอุปสรรค.
Sivakumar et al, [29] มีความพยายามขั้นตอนวิธีการที่แตกต่างกันเช่น A/
และก๊าซที่จะเพิ่มประสิทธิภาพเส้นทางการปะทะกันฟรีสำหรับการยกความร่วมมือ
กับสองรถเครน ในงานวิจัยของอาลีอัลเอต [2], GA ถูกนำมาใช้และ
เมื่อเทียบกับอัลกอริทึม A/ และอดีตถือเป็น
ทางออกที่ดีกว่าสองรถเครนที่ทำงานร่วมกัน แต่
ผู้เขียนได้สันนิษฐานว่าเว็บไซต์ที่มีอุปสรรคคงที่เท่านั้น
และโซลูชั่นที่นำเสนอให้เฉพาะการวางแผนแบบ off-line ค่อนข้าง
กว่าการควบคุมเวลาจริงของการเคลื่อนไหว นอกจากนี้การประเมินผลการออกกำลังกายที่
ถูกนำไปใช้โดยการตรวจสอบการประสานงานของสองรถเครน,
ข้อ จำกัด จากการที่วัตถุยกจะนำมา
พิจารณา.
คังและมิแรนดา [16] ได้เสนอ decoupled ที่เพิ่มขึ้น
วิธีการในการวางแผนการเคลื่อนไหวรถเครนหลายเพื่อให้ชนกัน
ในหมู่ ใด ๆ ของรถเครนจะหลีกเลี่ยงเช่นเดียวกับการชนกันระหว่าง
รถเครนและวัตถุขนส่ง ขั้นตอนวิธีการที่แตกต่างกันสาม
ถูกบูรณาการเพื่อหาเส้นทางได้อย่างมีประสิทธิภาพ [16-18] เหล่านี้
เป็นสามขั้นตอนวิธีการคล้ายกับแนวคิดอย่างรวดเร็ว-สำรวจ
ต้นไม้สุ่ม (RRT) แต่จะมีขั้นตอนวิธีการง่ายสำหรับการเฉพาะ
กรณีของทาวเวอร์เครน วิธีนี้เป็นวิธีที่มีประสิทธิภาพ แต่มันก็ไม่สมบูรณ์
คือมันอาจล้มเหลวที่จะหาทางออกแม้ว่าจะมีหนึ่ง แม้ว่านี่จะ
ถือว่าการวิจัยการเปลี่ยนแปลงแบบไดนามิกในเว็บไซต์ที่จะทำให้เส้นทาง
ที่สมจริงมากขึ้นมันก็สันนิษฐานว่าข้อมูลสภาพแวดล้อมที่
เป็นที่รู้จักกันว่าต่อไปนี้ตารางการทำงาน สถานการณ์จริง
ในสถานที่ที่ไม่รู้จักว่าวัตถุควรได้รับการตรวจสอบโดยใช้
เซ็นเซอร์และนำเข้าบัญชีเพื่อให้แน่ใจว่าการเคลื่อนไหวของชนฟรี
อุปกรณ์ [39].
ในกรณีของการวางแผนการเคลื่อนไหวสำหรับเครื่องจักรและอุปกรณ์ในการก่อสร้าง
เว็บไซต์วิธีการรูปแบบตามที่ควรจะเป็น ที่ใช้ในระหว่างการวางแผน
ขั้นตอน ในวิธีนี้แบบจำลอง 3 มิติของเว็บไซต์ที่มีอยู่
และข้อมูลที่ครบถ้วนเกี่ยวกับเรขาคณิตของอุปกรณ์และ
อุปสรรคที่จะได้รับก่อนดังนั้นการวางแผนเส้นทางที่จะกลายเป็น
หนึ่งในเวลาการดำเนินงานแบบออฟไลน์ ในระหว่างขั้นตอนการดำเนินการแบบไดนามิก
สภาพแวดล้อมการวางแผนความต้องการที่ใช้เซ็นเซอร์กับ
สมมติฐานที่ว่าอุปสรรคบางอย่างไม่เป็นที่รู้จัก ขาดข้อมูลนี้
จะถูกชดเชยด้วยการท้องถิ่นในบรรทัด (เรียลไทม์) ข้อมูล
มาจากข้อเสนอแนะทางประสาทสัมผัส [31] ความแตกต่างระหว่างการเคลื่อนไหว
การวางแผนสำหรับงานในสถานที่ก่อสร้างและหุ่นยนต์
สำรวจในสภาพแวดล้อมที่ไม่ทราบก็คือว่าทุกงานดำเนินการ
ออกในสถานที่ก่อสร้างมีกำหนดเวลา; จึงไม่ทราบ
ข้อมูลที่สามารถสันนิษฐานว่าจะเป็นผู้เยาว์หรือน้อยกว่าที่จำเป็นต่อการ
วางแผนทั้งส่วนใหญ่ของเวลาและวิธีการใหม่ในการวางแผนการเคลื่อนไหว
ได้อย่างมีประสิทธิภาพสามารถปรับเปลี่ยนแผนแบบ off-line ขึ้นอยู่กับเวลาจริงรู้สึก
ข้อมูล

ผลลัพธ์ (ไทย) 3:

2 . งานวิจัยที่เกี่ยวข้องกับ
ในโดเมนก่อสร้าง ขั้นตอนวิธีที่แตกต่างกันได้รับ
ใช้หรือประเมินการวางแผนเส้นทางอุปกรณ์ก่อสร้าง สำหรับ
ตัวอย่าง Soltani et al . [ 30 ] ได้ประเมินประสิทธิภาพของอัลกอริทึม (
3 ตรา , ⁄ และขั้นตอนวิธีเชิงพันธุกรรม ( GA ) )
วางแผนเส้นทางในไซต์ก่อสร้าง เส้นทางของคนเว็บไซต์และ
ยานพาหนะการประเมินตามหลักเกณฑ์ 3 ประการ ดังนี้ระยะสั้น ความเสี่ยงด้านความปลอดภัยต่ำ
และการมองเห็นสูง ผลการทดลองแสดงให้เห็นว่าพวกเขามี
ตราและ⁄สามารถค้นหาโซลูชั่นที่เหมาะสมที่สุด แต่ประสบ
จากข้อจำกัดของมิติ ดังนั้น เหล่านี้สองขั้นตอนวิธี
จะไม่มีประสิทธิภาพในการแก้ปัญหาขนาดใหญ่ เกมขั้นตอนวิธี
ใช้เวลาค่อนข้างน้อยในการหาโซลูชั่นที่เหมาะสม
ใกล้ อย่างไรก็ตามข้อ จำกัด เป็นโซลูชั่นที่ถูกต้องน้อย และกระบวนการปรับใช้เวลานาน

นอกจากที่กล่าวถึงข้างต้น
การวิจัยจะขึ้นอยู่กับตาราง 2 มิติแบบเป็นตัวแทนของเว็บไซต์และวางแผนออฟไลน์เท่านั้น )
.
tserng et al . [ 33 ] ได้เสนอวิธีการและขั้นตอนวิธีหลาย
สำหรับโต้ตอบเคลื่อนไหววางแผนที่จะพัฒนา
อุปกรณ์ในระบบฝังกลบขยะหลายงานอัตโนมัติ
( ALS ) วิธีการนี้เลียนแบบกระบวนการปฏิบัติงาน
ของยานพาหนะและอุปกรณ์ในการจัดทำโครงการ การฝังกลบขยะ .
แต่ระบบนี้ขึ้นอยู่กับรูปแบบที่กำหนดไว้ล่วงหน้าเพื่อวางแผนเคลื่อนไหว
สำหรับอุปกรณ์ที่ป้องกันไม่ให้ระบบ
แก้คดีที่แท้จริงที่อาจมีอุปกรณ์ในเว็บไซต์ที่
ไม่ได้ตามใดที่ระบุการย้ายรูปแบบ .
Kim et al . [ 20 ] แนะนำวิธีการวางแผนเส้นทางสำหรับ
หุ่นยนต์ก่อสร้างมือถือหาอย่างต่อเนื่องชนอิสระ
จากตำแหน่งเริ่มต้นของการก่อสร้างหุ่นยนต์สู่ตำแหน่งเป้าหมาย งานนี้นำเสนอการปรับปรุงข้อผิดพลาด

sensbug ขั้นตอนวิธีพื้นฐานที่เรียกว่า ซึ่งสามารถผลิตที่มีประสิทธิภาพในเส้นทางที่ไม่รู้จัก
และสั้นสิ่งแวดล้อมกับอุปสรรคทั้งนิ่งและเคลื่อนไหว
แต่วิธีของพวกเขาไม่ได้ปรับปรุงความปลอดภัยในรูปแบบต่าง ๆ ทั้งหมดของข้อผิดพลาดที่สร้างเส้นทางขั้นตอนวิธี

( มารยาทของสัมผัสอุปสรรค และอื่นๆ [ 29 ] ได้พยายามขั้นตอนวิธีที่แตกต่างกัน เช่น⁄
และก๊าซเพื่อเพิ่มประสิทธิภาพการชนฟรีเส้นทางสหกรณ์ที่มีสอง
ยกเครน ในการวิจัยของ Ali et al . [ 2 ] , ใช้และ
กาเมื่อเทียบกับแบบ⁄ขั้นตอนวิธี และอดีตถือว่าเป็นทางออกที่ดีสำหรับสอง
เครนทำงานด้วยกัน อย่างไรก็ตาม ผู้เขียนมีเว็บไซต์
สันนิษฐานว่ามีอุปสรรคแบบคงที่และเสนอโซลูชั่นให้เท่านั้น

กว่าผู้เล่นวางแผน แต่การควบคุมเวลาของการเคลื่อนไหว นอกจากนี้ การประเมินความเหมาะสม
ใช้ โดยการประสานงานของ 2
รถเครนที่ข้อจำกัดจากการยกวัตถุได้

และพิจารณา คังมิ [ 16 ] ได้เสนอการเพิ่มแบบ
วิธีการวางแผนภาพเคลื่อนไหวหลายเครนดังนั้นการชน
หมู่ใดของเครนที่หลีกเลี่ยงเป็นมีการชนเป็นไปได้ระหว่าง
รถเครน และเคลื่อนย้ายวัตถุ ที่แตกต่างกันสามขั้นตอนวิธี
ถูกบูรณาการเพื่อค้นหาเส้นทางได้อย่างมีประสิทธิภาพ [ 16 – 18 ] เหล่านี้
สามขั้นตอนวิธีเป็นแนวคิดที่คล้ายกับอย่างรวดเร็วสำรวจ
สุ่มต้นไม้ ( RRT ) ขั้นตอนวิธีแต่ง่ายสำหรับกรณีเฉพาะ
ของปั้นจั่น วิธีการนี้จะมีประสิทธิภาพ แต่มันไม่สมบูรณ์
คือมันอาจล้มเหลวที่จะหาวิธีการแก้ปัญหา แม้มีหนึ่ง แม้ว่านี้
ศึกษาแบบไดนามิกเปลี่ยนบนเว็บไซต์เพื่อให้เส้นทางที่
มีเหตุผลมากขึ้นมันถูกสันนิษฐานว่าสภาพแวดล้อมข้อมูล
เป็นที่รู้จักโดยตรงตามตารางทำงาน สถานการณ์จริงบนเว็บไซต์เป็นวัตถุที่ไม่รู้จัก

ควรจะตรวจสอบโดยใช้เซ็นเซอร์ และถ่ายลงในบัญชีเพื่อให้แน่ใจว่า การปะทะกันฟรีเคลื่อนไหว
อุปกรณ์ [ 39 ] .
ในกรณีของการวางแผนการเคลื่อนไหวสำหรับอุปกรณ์ก่อสร้าง
, สำหรับวิธีการที่ควรจะใช้ในระหว่างขั้นตอนการวางแผน

ในวิธีการนี้เป็นแบบจำลอง 3 มิติของเว็บไซต์สามารถใช้ได้
และข้อมูลทั้งหมดเกี่ยวกับเรขาคณิตของอุปกรณ์และ
อุปสรรคให้ล่วงหน้า ดังนั้น การวางแผนเส้นทางกลายเป็น
ขาจรแบบปฏิบัติการ ในระหว่างการดำเนินการระยะ เซ็นเซอร์ที่ใช้ในการวางแผนความต้องการสภาพแวดล้อมแบบไดนามิก
กับ
สมมุติฐานว่าอุปสรรคบางอย่างที่ไม่ทราบชื่อ ขาดข้อมูล
คือการชดเชยโดยท้องถิ่นออนไลน์ ( เรียลไทม์ ) ข้อมูล
ที่มาจากประสาทสัมผัสความคิดเห็น [ 31 ] ความแตกต่างระหว่างการวางแผนการเคลื่อนไหว
อุปกรณ์ก่อสร้างและหุ่นยนต์สำรวจ
ในสภาพแวดล้อมที่ไม่รู้จักจะว่าทุกงานอุ้ม
ออกไปที่ไซต์งานก่อสร้างมีตารางเวลา ดังนั้น ข้อมูลที่ไม่รู้จัก
สามารถถือว่าเป็นผู้เยาว์หรือจำเป็นน้อย
แผนส่วนใหญ่ของเวลาและการเคลื่อนไหวอีกครั้งการวางแผนวิธีการ
ได้อย่างมีประสิทธิภาพสามารถปรับเปลี่ยนแผนตามเวลาจริงรู้สึก
ข้อมูลออฟไลน์