The RRT-K approach is able to find

The RRT-K approach is able to find solutions in the Steps and
Surface experiments, even if its success ratio is lower than the
success ratio of RRT-MP. However, as the number of modules of the
robots increases, the number of possible combinations of control
inputs grows exponentially. As RRT-K uses only a predefined fixed
number of K random combinations, it has less chance to generate
a good control input randomly. This slows down the exploration
process and consequently increases the time required to find a
solution.

ผลลัพธ์ (ไทย) 1:

วิธี RRT-K จะสามารถหาวิธีแก้ไขปัญหาในขั้นตอน และผิวทดลอง ถ้าต่ำกว่าอัตราความสำเร็จของการอัตราส่วนความสำเร็จของ RRT-MP อย่างไรก็ตาม เป็นจำนวนของโมดูลของหุ่นยนต์เพิ่มขึ้น จำนวนชุดของตัวควบคุมได้อินพุตเติบโตขยายตัวอย่างมาก เป็นเฉพาะที่กำหนดไว้ล่วงหน้าคงใช้ RRT-Kหมายเลข K สุ่มชุด มีน้อยโอกาสที่จะสร้างควบคุมดูแลป้อนข้อมูลแบบสุ่ม นี่ช้าที่สำรวจประมวลผล และเพิ่มเวลาที่ใช้ในการค้นหาดังนั้น การการแก้ปัญหา

ผลลัพธ์ (ไทย) 2:

วิธี RRT-K
นั้นสามารถที่จะหาทางแก้ไขปัญหาในขั้นตอนและการทดลองพื้นผิว, แม้ว่าอัตราส่วนความสำเร็จต่ำกว่าอัตราส่วนความสำเร็จของ RRT-MP อย่างไรก็ตามในขณะที่จำนวนของโมดูลของหุ่นยนต์ที่เพิ่มขึ้นจำนวนผสมเป็นไปได้ของการควบคุมปัจจัยการผลิตที่เติบโตชี้แจง ในฐานะที่เป็น RRT-K ใช้เพียงคงที่ที่กำหนดไว้ล่วงหน้าจำนวนK รวมกันแบบสุ่มจะมีโอกาสน้อยที่จะสร้างการป้อนข้อมูลการควบคุมที่ดีแบบสุ่ม นี้ช้าลงสำรวจกระบวนการและจึงเพิ่มเวลาที่จำเป็นในการหาที่แก้ปัญหา

ผลลัพธ์ (ไทย) 3:

การ rrt-k วิธีการสามารถค้นหาโซลูชั่นในขั้นตอนการทดลองและ
พื้นผิว แม้ว่าอัตราส่วนความสำเร็จของมันสูงกว่า
ความสำเร็จในอัตราส่วน rrt-mp . อย่างไรก็ตาม เป็นหมายเลขของโมดูลของ
หุ่นยนต์เพิ่มจำนวนที่เป็นไปได้ของปัจจัยควบคุม
เติบโตชี้แจง เป็น rrt-k ใช้เฉพาะกำหนดตายตัว
จำนวน K สุ่มชุดก็มีโอกาสน้อยที่จะสร้าง
ดีการควบคุมสัญญาณแบบสุ่ม นี้ช้าลงกระบวนการสำรวจ
และจึงเพิ่มเวลาที่ใช้ในการค้นหาโซลูชัน

.