Figure 6. Progress of the neural le

Figure 6. Progress of the neural learning
Observing the gait behavior of the robots trained us- ing neural networks, they are much more stable and ro- bust than the gait behavior when controlled directly by the half-ellipse, because the neural network uses sensor information (bumpers) and have the capacity to general- ize to non expected situations. The Figure 7 shows the gait control generated using locus based gait, and The Figure 8 shows the gait control generated using the neu- ral network3 .
Figure 7. Half-ellipse robot gait

ผลลัพธ์ (ไทย) 1:

รูปที่ 6 ความคืบหน้าของการเรียนรู้ประสาทสังเกตลักษณะการเดินของตัวหุ่นยนต์ฝึกเรา-ไอเอ็นจีเครือข่ายประสาท พวกเขามีความเสถียรมาก และ ro-หน้าอกมากกว่าพฤติกรรมเดินเมื่อถูกควบคุมโดยตรง โดยครึ่งวง เนื่องจากเครือข่ายประสาทใช้เซ็นเซอร์ข้อมูล (กันชน) และมีความสามารถในการทั่วไปภายจะไม่คาดว่าสถานการณ์ รูปที่ 7 แสดงการควบคุมเดินโดยเดินตามโลกัสโพล และรูป 8 แสดงการควบคุมเดินโดย network3 neu ralรูปที่ 7 เดินหุ่นยนต์ครึ่งวงรี

ผลลัพธ์ (ไทย) 2:

รูปที่ 6 ความคืบหน้าของการเรียนรู้ที่ประสาท
การสังเกตพฤติกรรมการเดินของหุ่นยนต์ที่ได้รับการฝึกฝนนี้ไอเอ็นจีเครือข่ายประสาทพวกเขาจะมีเสถียรภาพมากขึ้นและหน้าอก ro- กว่าพฤติกรรมการเดินเมื่อควบคุมโดยตรงโดยครึ่งวงรีเพราะโครงข่ายประสาทเทียมใช้เซ็นเซอร์ ข้อมูล (กันชน) และมีความสามารถในงานทั่วไปซึ่ง ize กับสถานการณ์ที่ไม่คาดว่า รูปที่ 7 แสดงให้เห็นถึงการควบคุมการเดินสร้างขึ้นโดยใช้การเดินตามสถานที่และรูปที่ 8 แสดงให้เห็นถึงการควบคุมการเดินสร้างขึ้นโดยใช้ network3 RAL neu-.
รูปที่ 7. หุ่นยนต์เดินวงรีครึ่ง

ผลลัพธ์ (ไทย) 3:

รูปที่ 6 ความคืบหน้าของระบบประสาทการเรียนรู้
สังเกตการเดินของหุ่นยนต์ฝึกพฤติกรรมเรา - ไอเอ็นจีเครือข่ายประสาท พวกเขามีมากมีเสถียรภาพและ RO - หน้าอกมากกว่าพฤติกรรมการเดิน เมื่อควบคุมโดยตรง โดยครึ่งวงรี เพราะโครงข่ายที่ใช้ข้อมูลที่เซ็นเซอร์ ( กันชน ) และมีความสามารถทั่วไปกระทำ ไม่คาดว่าสถานการณ์รูปที่ 7 แสดงการสร้างการควบคุมการเดินการเดินตามความเชื่อ และรูปที่ 8 แสดงการควบคุมการเดินสร้างโดยใช้ Neu RAL - network3 .
รูปที่ 7 หุ่นยนต์เดินครึ่งวงรี