OPTIMASI PENCAPAIAN TARGET PADA SIMULASI PERENCANAAN JALUR ROBOT BERGERAK DI LINGKUNGAN DINAMIS
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Robot bergerak harus memiliki perencanaan jalur yang baik ketika menjalankan navigasi di lingkungan. Penelitian yang terakhir menangani permasalahan simulasi perencanaan jalur di lingkungan dengan kehadiran rintangan dan target yang bergerak. Teknik penghindaran rintangan dalam penelitian tersebut cukup baik namun jalur pencapaian target masih belum optimal. Penelitian ini memperbaiki algoritma Q-learning pada penelitian sebelumnya dengan menggunakan konsep Ant Colony. Pendekatan metode yang dilakukan bertujuan untuk mengoptimalkan pencapaian target. Prediksi pergerakan rintangan dan target juga digunakan untuk meningkatkan efektifitas pencapaian target. Hasil evaluasi uji coba berdasarkan jumlah skenario pelatihan, menunjukkan angka kegagalan metode yang diusulkan lebih kecil 22% dibandingkan metode sebelumnya. Sedangkan berdasarkan jumlah rintangan yang digunakan, angka kegagalan metode yang diusulkan lebih kecil 11% daripada metode sebelumnya. Hasil evaluasi waktu pencapaian target menunjukkan metode yang diusulkan rata-rata mempu mencapai target lebih lama 0,9 detik dari metode sebelumnya. Metode yang diusulkan mampu mencapai target lebih cepat pada pola pergerakan target yang linear.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,005 |
| Science ouverte | 0,005 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,002 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle