ರೊಬೊಟಿಕ್ಸ್ ಮಾನವರ ಕ್ರಿಯೆಗಳನ್ನು ಅನುಕರಿಸುವ ಯಂತ್ರಗಳನ್ನು ಉತ್ಪಾದಿಸುವ ವಿಜ್ಞಾನ ಮತ್ತು ತಂತ್ರಜ್ಞಾನದ ಒಂದು ಅನನ್ಯ ಮಿಶ್ರಣವಾಗಿದೆ.
2000 ರ ದಶಕದ ಆರಂಭದಲ್ಲಿ, 90% ರಷ್ಟು ರೋಬೋಟ್ಗಳು ಪುನರಾವರ್ತಿತ ಕಾರ್ಯಗಳಿಗಾಗಿ ಮನುಷ್ಯರನ್ನು ಬದಲಿಸುವ ಕಾರು ಉತ್ಪಾದನಾ ಘಟಕಗಳಲ್ಲಿವೆ. ಈಗ ರೋಬೋಟ್ಗಳು ಮನೆಗಳನ್ನು ನಿರ್ವಾತ ಮಾಡಬಹುದು ಮತ್ತು ರೆಸ್ಟೋರೆಂಟ್ಗಳಲ್ಲಿಯೂ ಸಹ ಸೇವೆ ಸಲ್ಲಿಸಬಹುದು.
ರೋಬೋಟ್ ಸಾಮಾನ್ಯವಾಗಿ ಮೂರು ವಿಧದ ಘಟಕಗಳನ್ನು ಒಳಗೊಂಡಿರುತ್ತದೆ; ಯಾಂತ್ರಿಕ ದೇಹ; ಎಲೆಕ್ಟ್ರಿಕ್ ಅಸ್ಥಿಪಂಜರ, ಮತ್ತು ಅಂತಿಮವಾಗಿ ಕೋಡ್ನೊಂದಿಗೆ ಮಾಡಿದ ಮೆದುಳು.
ಈ ಘಟಕಗಳು ರೋಬೋಟ್ಗೆ ಡೇಟಾವನ್ನು ಸಂಗ್ರಹಿಸಲು (ಸಾಮಾನ್ಯವಾಗಿ ಸಂವೇದಕಗಳಿಂದ) ಅವಕಾಶ ಮಾಡಿಕೊಡುತ್ತವೆ, ನಡವಳಿಕೆಯನ್ನು ಹೊಂದಿಕೊಳ್ಳಲು ಮತ್ತು ಕಾರ್ಯಗಳನ್ನು ಪೂರ್ಣಗೊಳಿಸಲು ಪ್ರೋಗ್ರಾಮ್ ಮಾಡಲಾದ ತರ್ಕದ ಮೂಲಕ ನಿರ್ಧಾರಗಳನ್ನು ತೆಗೆದುಕೊಳ್ಳುತ್ತವೆ.
ರೋಬೋಟ್ಗಳು ಮೂರು ರೀತಿಯ ಕಾರ್ಯಕ್ರಮಗಳನ್ನು ಹೊಂದಿರಬಹುದು; ರಿಮೋಟ್ ಕಂಟ್ರೋಲ್ (RC), ಕೃತಕ ಬುದ್ಧಿವಂತಿಕೆ (AI), ಅಥವಾ ಹೈಬ್ರಿಡ್.
ರೋಬೋಟ್ಗೆ ಕೋಡ್ನ ಕಾರ್ಯಗತಗೊಳಿಸಲು ಪ್ರಾರಂಭ ಮತ್ತು/ಅಥವಾ ಸ್ಟಾಪ್ ಸಿಗ್ನಲ್ ಅನ್ನು ನೀಡುವ ಮಾನವನ ಹಸ್ತಕ್ಷೇಪದ ಆರ್ಸಿ ಕಾರ್ಯಕ್ರಮಗಳಿಗೆ ಅಗತ್ಯವಿರುತ್ತದೆ. ಪ್ರೋಗ್ರಾಂಗಳು ವಿವಿಧ ರೀತಿಯ ಅಲ್ಗಾರಿದಮ್ಗಳನ್ನು ಒಳಗೊಂಡಿರುತ್ತವೆ, ಪ್ರತಿಯೊಂದೂ ವಿಭಿನ್ನ ಕಾರ್ಯವನ್ನು ಹೊಂದಿರುತ್ತದೆ.
ಅಲ್ಗಾರಿದಮ್ ಎಂದರೇನು?
ಅಲ್ಗಾರಿದಮ್ ಎನ್ನುವುದು ಕೆಲವು ಸೂಚನೆಗಳನ್ನು ನಿರ್ವಹಿಸಲು ರೋಬೋಟ್ ಬಳಸಬಹುದಾದ ಕೋಡ್ನ ಸಾಲುಗಳ ಸರಣಿಯಾಗಿದೆ. ಇದು ಡೆವಲಪರ್ನ ಆಲೋಚನೆಗಳನ್ನು ರೋಬೋಟ್ಗಳು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವ ಭಾಷೆಗೆ ಅನುವಾದಿಸುತ್ತದೆ.
ಅಲ್ಗಾರಿದಮ್ಗಳನ್ನು ಸೂಡೊಕೋಡ್, ಫ್ಲೋಚಾರ್ಟ್ಗಳು ಸೇರಿದಂತೆ ಹಲವು ರೀತಿಯ ಸಂಕೇತಗಳಲ್ಲಿ ವ್ಯಕ್ತಪಡಿಸಬಹುದು. ಪ್ರೋಗ್ರಾಮಿಂಗ್ ಭಾಷೆಗಳು, ಅಥವಾ ನಿಯಂತ್ರಣ ಕೋಷ್ಟಕಗಳು.
ಈ ಲೇಖನದಲ್ಲಿ ನಾವು ಈ ಕಾರ್ಯಕ್ರಮಗಳಲ್ಲಿ ಬಳಸುವ ಕೆಲವು ಸಾಮಾನ್ಯ ರೀತಿಯ ಅಲ್ಗಾರಿದಮ್ಗಳನ್ನು ಚರ್ಚಿಸುತ್ತೇವೆ.
ರೊಬೊಟಿಕ್ಸ್ನಲ್ಲಿ ಬಳಸುವ ಅಲ್ಗಾರಿದಮ್ಗಳ ವಿಧಗಳು
1. ಎನಿಟೈಮ್ ಎ* ಅಲ್ಗಾರಿದಮ್
A* ಅಲ್ಗಾರಿದಮ್ ಒಂದು ಮಾರ್ಗ ಹುಡುಕಾಟ ಅಲ್ಗಾರಿದಮ್ ಆಗಿದ್ದು ಇದನ್ನು ಎರಡು ಬಿಂದುಗಳ ನಡುವೆ ಅತ್ಯಂತ ಸೂಕ್ತವಾದ ಮಾರ್ಗವನ್ನು ಕಂಡುಹಿಡಿಯಲು ಬಳಸಲಾಗುತ್ತದೆ, ಅಂದರೆ, ಚಿಕ್ಕ ವೆಚ್ಚದೊಂದಿಗೆ.
ಯಾವಾಗಲಾದರೂ A* ಅಲ್ಗಾರಿದಮ್ ಒಂದು ಹೊಂದಿಕೊಳ್ಳುವ ಸಮಯದ ವೆಚ್ಚವನ್ನು ಹೊಂದಿದೆ ಮತ್ತು ಅದು ಅಡ್ಡಿಪಡಿಸಿದರೂ ಕಡಿಮೆ ಮಾರ್ಗವನ್ನು ಹಿಂತಿರುಗಿಸುತ್ತದೆ ಏಕೆಂದರೆ ಅದು ಮೊದಲು ಸೂಕ್ತವಲ್ಲದ ಪರಿಹಾರವನ್ನು ಉತ್ಪಾದಿಸುತ್ತದೆ ಮತ್ತು ನಂತರ ಅದನ್ನು ಉತ್ತಮಗೊಳಿಸುತ್ತದೆ.
ರೋಬೋಟ್ ಮೊದಲಿನಿಂದ ಪ್ರಾರಂಭಿಸುವ ಬದಲು ಹಿಂದಿನ ಲೆಕ್ಕಾಚಾರಗಳ ಮೇಲೆ ನಿರ್ಮಿಸಬಹುದಾದ ಕಾರಣ ಇದು ವೇಗವಾಗಿ ನಿರ್ಧಾರ ತೆಗೆದುಕೊಳ್ಳಲು ಅನುಮತಿಸುತ್ತದೆ.
ಇದು ಹೇಗೆ ಕೆಲಸ ಮಾಡುತ್ತದೆ?
ಇದು ಪ್ರಾರಂಭದ ನೋಡ್ನಿಂದ ಮುಕ್ತಾಯದ ಮಾನದಂಡವನ್ನು ಪ್ರಚೋದಿಸುವವರೆಗೆ ವಿಸ್ತರಿಸುವ 'ಟ್ರೀ' ಅನ್ನು ರೂಪಿಸುವ ಮೂಲಕ ಇದನ್ನು ಮಾಡುತ್ತದೆ ಅಂದರೆ ಕಡಿಮೆ ವೆಚ್ಚದ ಮಾರ್ಗ ಲಭ್ಯವಿದೆ.
2D ಗ್ರಿಡ್ ಅನ್ನು ಅಡೆತಡೆಗಳೊಂದಿಗೆ ತಯಾರಿಸಲಾಗುತ್ತದೆ ಮತ್ತು ಆರಂಭಿಕ ಕೋಶ ಮತ್ತು ಗುರಿ ಕೋಶಗಳನ್ನು ಪಿನ್-ಪಾಯಿಂಟ್ ಮಾಡಲಾಗುತ್ತದೆ.
ಅಲ್ಗಾರಿದಮ್ ಒಂದು ನೋಡ್ನ ಮೌಲ್ಯವನ್ನು f ನಿಂದ ವ್ಯಾಖ್ಯಾನಿಸುತ್ತದೆ, ಇದು ಪ್ಯಾರಾಮೀಟರ್ಗಳ ಮೊತ್ತವಾಗಿದೆ g (ಪ್ರಾರಂಭಿಕ ನೋಡ್ನಿಂದ ಪ್ರಶ್ನೆಯಲ್ಲಿರುವ ನೋಡ್ಗೆ ಚಲಿಸುವ ವೆಚ್ಚ) ಮತ್ತು h (ಪ್ರಶ್ನೆಯಲ್ಲಿರುವ ನೋಡ್ನಿಂದ ಗುರಿ ನೋಡ್ಗೆ ಚಲಿಸುವ ವೆಚ್ಚ).
ಅಪ್ಲಿಕೇಶನ್ಗಳು
ಬಹಳಷ್ಟು ಆಟಗಳು ಮತ್ತು ವೆಬ್ ಆಧಾರಿತ ನಕ್ಷೆಗಳು ಕಡಿಮೆ ಮಾರ್ಗವನ್ನು ಪರಿಣಾಮಕಾರಿಯಾಗಿ ಹುಡುಕಲು ಈ ಅಲ್ಗಾರಿದಮ್ ಅನ್ನು ಬಳಸುತ್ತವೆ. ಇದನ್ನು ಮೊಬೈಲ್ ರೋಬೋಟ್ಗಳಿಗೂ ಬಳಸಬಹುದು.
ಅಂತಹ ಸಂಕೀರ್ಣ ಸಮಸ್ಯೆಗಳನ್ನು ಸಹ ನೀವು ಪರಿಹರಿಸಬಹುದು ನ್ಯೂಟನ್-ರಾಫ್ಸನ್ ಸಂಖ್ಯೆಯ ವರ್ಗಮೂಲವನ್ನು ಕಂಡುಹಿಡಿಯಲು ಪುನರಾವರ್ತನೆಯನ್ನು ಅನ್ವಯಿಸಲಾಗುತ್ತದೆ.
ಬಾಹ್ಯಾಕಾಶದಲ್ಲಿನ ವಸ್ತುವಿನ ಚಲನೆ ಮತ್ತು ಘರ್ಷಣೆಯನ್ನು ಊಹಿಸಲು ಪಥದ ಸಮಸ್ಯೆಗಳಲ್ಲಿ ಇದನ್ನು ಬಳಸಲಾಗುತ್ತದೆ.
2. ಡಿ * ಅಲ್ಗಾರಿದಮ್
ಡಿ*, ಫೋಕಸ್ಡ್ ಡಿ* ಮತ್ತು ಡಿ* ಲೈಟ್ ಎರಡು ಬಿಂದುಗಳ ನಡುವಿನ ಚಿಕ್ಕ ಮಾರ್ಗವನ್ನು ಕಂಡುಹಿಡಿಯಲು ಹೆಚ್ಚುತ್ತಿರುವ ಹುಡುಕಾಟ ಅಲ್ಗಾರಿದಮ್ಗಳಾಗಿವೆ.
ಆದಾಗ್ಯೂ, ಅವುಗಳು A* ಅಲ್ಗಾರಿದಮ್ಗಳು ಮತ್ತು ಹೊಸ ಆವಿಷ್ಕಾರಗಳ ಮಿಶ್ರಣವಾಗಿದ್ದು, ಅವುಗಳು ಅಜ್ಞಾತ ಅಡೆತಡೆಗಳಿಗೆ ತಮ್ಮ ನಕ್ಷೆಗಳಿಗೆ ಮಾಹಿತಿಯನ್ನು ಸೇರಿಸಲು ಅನುವು ಮಾಡಿಕೊಡುತ್ತದೆ.
ಅವರು ಮಾರ್ಸ್ ರೋವರ್ನಂತೆಯೇ ಹೊಸ ಮಾಹಿತಿಯ ಆಧಾರದ ಮೇಲೆ ಮಾರ್ಗವನ್ನು ಮರು ಲೆಕ್ಕಾಚಾರ ಮಾಡಬಹುದು.
ಇದು ಹೇಗೆ ಕೆಲಸ ಮಾಡುತ್ತದೆ?
D* ಅಲ್ಗಾರಿದಮ್ನ ಕೆಲಸವು A* ನಂತೆಯೇ ಇರುತ್ತದೆ, ಅಲ್ಗಾರಿದಮ್ ಮೊದಲು f, h ಅನ್ನು ವ್ಯಾಖ್ಯಾನಿಸುತ್ತದೆ ಮತ್ತು ತೆರೆದ ಮತ್ತು ಮುಚ್ಚಿದ ಪಟ್ಟಿಯನ್ನು ರಚಿಸುತ್ತದೆ.
ಇದರ ನಂತರ, D* ಅಲ್ಗಾರಿದಮ್ ಅದರ ನೆರೆಯ ನೋಡ್ಗಳ g ಮೌಲ್ಯವನ್ನು ಬಳಸಿಕೊಂಡು ಪ್ರಸ್ತುತ ನೋಡ್ನ g ಮೌಲ್ಯವನ್ನು ನಿರ್ಧರಿಸುತ್ತದೆ.
ಪ್ರತಿಯೊಂದು ನೆರೆಯ ನೋಡ್ ಪ್ರಸ್ತುತದ g ಮೌಲ್ಯದ ಬಗ್ಗೆ ಊಹೆ ಮಾಡುತ್ತದೆ ಮತ್ತು ಕಡಿಮೆ g ಮೌಲ್ಯವನ್ನು ಹೊಸ g ಮೌಲ್ಯವಾಗಿ ಅಳವಡಿಸಿಕೊಳ್ಳಲಾಗುತ್ತದೆ.
ಅಪ್ಲಿಕೇಶನ್ಗಳು
D* ಮತ್ತು ಅದರ ರೂಪಾಂತರಗಳನ್ನು ಮೊಬೈಲ್ ರೋಬೋಟ್ಗಾಗಿ ವ್ಯಾಪಕವಾಗಿ ಬಳಸಲಾಗುತ್ತದೆ ಮತ್ತು ಸ್ವಾಯತ್ತ ವಾಹನ ಸಂಚರಣೆ
ಅಂತಹ ನ್ಯಾವಿಗೇಷನ್ ಸಿಸ್ಟಮ್ಗಳು ಮಾರ್ಸ್ ರೋವರ್ಸ್ ಆಪರ್ಚುನಿಟಿ ಮತ್ತು ಸ್ಪಿರಿಟ್ನಲ್ಲಿ ಪರೀಕ್ಷಿಸಲಾದ ಮೂಲಮಾದರಿ ವ್ಯವಸ್ಥೆ ಮತ್ತು ನ್ಯಾವಿಗೇಷನ್ ಸಿಸ್ಟಮ್ ಅನ್ನು ಗೆದ್ದವು. DARPA ಅರ್ಬನ್ ಚಾಲೆಂಜ್.
3. PRM ಅಲ್ಗಾರಿದಮ್
PRM, ಅಥವಾ ಸಂಭವನೀಯ ಮಾರ್ಗಸೂಚಿ, ಒಂದು ನಿರ್ದಿಷ್ಟ ನಕ್ಷೆಯಲ್ಲಿ ಮುಕ್ತ ಮತ್ತು ಆಕ್ರಮಿತ ಸ್ಥಳಗಳ ಆಧಾರದ ಮೇಲೆ ಸಂಭವನೀಯ ಮಾರ್ಗಗಳ ನೆಟ್ವರ್ಕ್ ಗ್ರಾಫ್ ಆಗಿದೆ.
ಅವುಗಳನ್ನು ಸಂಕೀರ್ಣ ಯೋಜನಾ ವ್ಯವಸ್ಥೆಗಳಲ್ಲಿ ಬಳಸಲಾಗುತ್ತದೆ ಮತ್ತು ಅಡೆತಡೆಗಳ ಸುತ್ತ ಕಡಿಮೆ ವೆಚ್ಚದ ಮಾರ್ಗಗಳನ್ನು ಕಂಡುಹಿಡಿಯಲು ಬಳಸಲಾಗುತ್ತದೆ.
PRM ಗಳು ತಮ್ಮ ನಕ್ಷೆಯಲ್ಲಿ ಬಿಂದುಗಳ ಯಾದೃಚ್ಛಿಕ ಮಾದರಿಯನ್ನು ಬಳಸುತ್ತವೆ, ಅಲ್ಲಿ ರೋಬೋಟ್ ಸಾಧನವು ಚಲಿಸಬಹುದು ಮತ್ತು ನಂತರ ಕಡಿಮೆ ಮಾರ್ಗವನ್ನು ಲೆಕ್ಕಹಾಕಲಾಗುತ್ತದೆ.
ಇದು ಹೇಗೆ ಕೆಲಸ ಮಾಡುತ್ತದೆ?
PRM ನಿರ್ಮಾಣ ಮತ್ತು ಪ್ರಶ್ನೆ ಹಂತವನ್ನು ಒಳಗೊಂಡಿದೆ.
ಮೊದಲ ಹಂತದಲ್ಲಿ, ಪರಿಸರದಲ್ಲಿ ಸಂಭವನೀಯ ಚಲನೆಗಳನ್ನು ಅಂದಾಜು ಮಾಡುವ ಮಾರ್ಗಸೂಚಿಯನ್ನು ಗ್ರಾಫ್ ಮಾಡಲಾಗಿದೆ. ನಂತರ ಯಾದೃಚ್ಛಿಕ ಸಂರಚನೆಯನ್ನು ರಚಿಸಲಾಗುತ್ತದೆ ಮತ್ತು ಕೆಲವು ನೆರೆಹೊರೆಯವರೊಂದಿಗೆ ಸಂಪರ್ಕಿಸಲಾಗುತ್ತದೆ.
ಪ್ರಾರಂಭ ಮತ್ತು ಗುರಿ ಸಂರಚನೆಗಳನ್ನು ಪ್ರಶ್ನೆ ಹಂತದಲ್ಲಿ ಗ್ರಾಫ್ಗೆ ಸಂಪರ್ಕಿಸಲಾಗಿದೆ. ನಂತರ ಮಾರ್ಗವನ್ನು a ಮೂಲಕ ಪಡೆಯಲಾಗುತ್ತದೆ Dijkstra ನ ಚಿಕ್ಕ ಮಾರ್ಗ ಪ್ರಶ್ನೆ.
ಅಪ್ಲಿಕೇಶನ್ಗಳು
PRM ಅನ್ನು ಸ್ಥಳೀಯ ಯೋಜಕರಲ್ಲಿ ಬಳಸಲಾಗುತ್ತದೆ, ಅಲ್ಲಿ ಅಲ್ಗಾರಿದಮ್ ಎರಡು ಬಿಂದುಗಳ ನಡುವಿನ ನೇರ ರೇಖೆಯ ಮಾರ್ಗವನ್ನು ಲೆಕ್ಕಾಚಾರ ಮಾಡುತ್ತದೆ, ಅವುಗಳೆಂದರೆ ಆರಂಭಿಕ ಮತ್ತು ಗುರಿ ಬಿಂದುಗಳು.
ಮಾರ್ಗ ಯೋಜನೆ ಮತ್ತು ಘರ್ಷಣೆ ಪತ್ತೆ ಅಪ್ಲಿಕೇಶನ್ಗಳನ್ನು ಸುಧಾರಿಸಲು ಅಲ್ಗಾರಿದಮ್ ಅನ್ನು ಸಹ ಬಳಸಬಹುದು.
4. ಝೀರೋ ಮೊಮೆಂಟ್ ಪಾಯಿಂಟ್ (ZMP) ಅಲ್ಗಾರಿದಮ್
ಝೀರೋ ಮೊಮೆಂಟ್ ಪಾಯಿಂಟ್ (ZMP ತಂತ್ರ) ಎಂಬುದು ರೋಬೋಟ್ಗಳು ನೆಲದ ಪ್ರತಿಕ್ರಿಯಾತ್ಮಕ ಶಕ್ತಿಗೆ ವಿರುದ್ಧವಾಗಿ ಒಟ್ಟು ಜಡತ್ವವನ್ನು ಇರಿಸಿಕೊಳ್ಳಲು ಬಳಸುವ ಅಲ್ಗಾರಿದಮ್ ಆಗಿದೆ.
ಈ ಅಲ್ಗಾರಿದಮ್ ZMP ಅನ್ನು ಲೆಕ್ಕಾಚಾರ ಮಾಡುವ ಪರಿಕಲ್ಪನೆಯನ್ನು ಬಳಸುತ್ತದೆ ಮತ್ತು ಬೈಪೆಡಲ್ ರೋಬೋಟ್ಗಳನ್ನು ಸಮತೋಲನಗೊಳಿಸುವ ರೀತಿಯಲ್ಲಿ ಅದನ್ನು ಅನ್ವಯಿಸುತ್ತದೆ. ಮೃದುವಾದ ನೆಲದ ಮೇಲ್ಮೈಯಲ್ಲಿ ಈ ಅಲ್ಗಾರಿದಮ್ ಅನ್ನು ಬಳಸುವುದರಿಂದ ರೋಬೋಟ್ ಯಾವುದೇ ಕ್ಷಣವಿಲ್ಲ ಎಂಬಂತೆ ನಡೆಯಲು ಅನುವು ಮಾಡಿಕೊಡುತ್ತದೆ.
ASIMO (ಹೋಂಡಾ) ನಂತಹ ಉತ್ಪಾದನಾ ಕಂಪನಿಗಳು ಈ ತಂತ್ರವನ್ನು ಬಳಸುತ್ತವೆ.
ಇದು ಹೇಗೆ ಕೆಲಸ ಮಾಡುತ್ತದೆ?
ಕೋನೀಯ ಆವೇಗ ಸಮೀಕರಣವನ್ನು ಬಳಸಿಕೊಂಡು ವಾಕಿಂಗ್ ರೋಬೋಟ್ನ ಚಲನೆಯನ್ನು ಯೋಜಿಸಲಾಗಿದೆ. ಉತ್ಪತ್ತಿಯಾಗುವ ಜಂಟಿ ಚಲನೆಯು ರೋಬೋಟ್ನ ಕ್ರಿಯಾತ್ಮಕ ಭಂಗಿಯ ಸ್ಥಿರತೆಯನ್ನು ಖಾತರಿಪಡಿಸುತ್ತದೆ ಎಂದು ಇದು ಖಚಿತಪಡಿಸುತ್ತದೆ.
ಈ ಸ್ಥಿರತೆಯನ್ನು ಪೂರ್ವನಿರ್ಧರಿತ ಸ್ಥಿರತೆಯ ಪ್ರದೇಶದ ಗಡಿಯೊಳಗೆ ಶೂನ್ಯ-ಕ್ಷಣದ ಬಿಂದುವಿನ ಅಂತರದಿಂದ (ಅಲ್ಗಾರಿದಮ್ನಿಂದ ಲೆಕ್ಕಹಾಕಲಾಗುತ್ತದೆ) ಪ್ರಮಾಣೀಕರಿಸಲಾಗುತ್ತದೆ.
ಅಪ್ಲಿಕೇಶನ್ಗಳು
ಇಳಿಜಾರುಗಳು ಮತ್ತು ಅಡೆತಡೆಗಳನ್ನು ನ್ಯಾವಿಗೇಟ್ ಮಾಡುವಾಗ iRobot PackBot ನಂತಹ ರೋಬೋಟ್ಗಳ ಮೇಲೆ ಟಿಪ್ಪಿಂಗ್ ವಿರುದ್ಧ ಸ್ಥಿರತೆಯನ್ನು ನಿರ್ಣಯಿಸಲು ಶೂನ್ಯ ಕ್ಷಣದ ಅಂಕಗಳನ್ನು ಮೆಟ್ರಿಕ್ ಆಗಿ ಬಳಸಬಹುದು.
5. ಅನುಪಾತದ ಇಂಟಿಗ್ರಲ್ ಡಿಫರೆನ್ಷಿಯಲ್ (PID) ನಿಯಂತ್ರಣ ಅಲ್ಗಾರಿದಮ್
ಅನುಪಾತದ ಇಂಟಿಗ್ರಲ್ ಡಿಫರೆನ್ಷಿಯಲ್ ಕಂಟ್ರೋಲ್ ಅಥವಾ PID, ದೋಷ ಮೌಲ್ಯವನ್ನು ಲೆಕ್ಕಾಚಾರ ಮಾಡುವ ಮೂಲಕ ಯಾಂತ್ರಿಕ ಘಟಕಗಳಿಗೆ ಸೆಟ್ಟಿಂಗ್ಗಳನ್ನು ಹೊಂದಿಸಲು ಸಂವೇದಕ ಪ್ರತಿಕ್ರಿಯೆ ಲೂಪ್ ಅನ್ನು ರಚಿಸುತ್ತದೆ.
ಈ ಕ್ರಮಾವಳಿಗಳು ಎಲ್ಲಾ ಮೂರು ಮೂಲ ಗುಣಾಂಕಗಳನ್ನು ಸಂಯೋಜಿಸುತ್ತವೆ, ಅಂದರೆ, ಅನುಪಾತ, ಅವಿಭಾಜ್ಯ ಮತ್ತು ಉತ್ಪನ್ನವು ನಿಯಂತ್ರಣ ಸಂಕೇತವನ್ನು ಉತ್ಪಾದಿಸುತ್ತದೆ.
ಇದು ನೈಜ ಸಮಯದಲ್ಲಿ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ ಮತ್ತು ಅಗತ್ಯವಿರುವಲ್ಲಿ ತಿದ್ದುಪಡಿಗಳನ್ನು ಅನ್ವಯಿಸುತ್ತದೆ. ಇದನ್ನು ಕಾಣಬಹುದು ಸ್ವಯಂ ಚಾಲನಾ ಕಾರುಗಳು.
ಇದು ಹೇಗೆ ಕೆಲಸ ಮಾಡುತ್ತದೆ?
PID ನಿಯಂತ್ರಕವು ನಿಖರವಾದ ಮತ್ತು ಅತ್ಯುತ್ತಮವಾದ ನಿಯಂತ್ರಣವನ್ನು ಅನ್ವಯಿಸಲು ಅದರ ಔಟ್ಪುಟ್ನಲ್ಲಿ ಅನುಪಾತದ ಮೂರು ನಿಯಂತ್ರಣ ಪದಗಳನ್ನು ಬಳಸುತ್ತದೆ, ಸಮಗ್ರ ಮತ್ತು ವ್ಯುತ್ಪನ್ನ ಪ್ರಭಾವ.
ಈ ನಿಯಂತ್ರಕವು ಅಪೇಕ್ಷಿತ ಸೆಟ್ಪಾಯಿಂಟ್ ಮತ್ತು ಅಳತೆ ಮಾಡಿದ ಪ್ರಕ್ರಿಯೆಯ ವೇರಿಯಬಲ್ ನಡುವಿನ ವ್ಯತ್ಯಾಸವಾಗಿ ದೋಷ ಮೌಲ್ಯವನ್ನು ನಿರಂತರವಾಗಿ ಲೆಕ್ಕಾಚಾರ ಮಾಡುತ್ತದೆ.
ನಿಯಂತ್ರಣ ವೇರಿಯಬಲ್ ಅನ್ನು ಸರಿಹೊಂದಿಸುವ ಮೂಲಕ ಕಾಲಾನಂತರದಲ್ಲಿ ದೋಷವನ್ನು ಕಡಿಮೆ ಮಾಡಲು ಇದು ತಿದ್ದುಪಡಿಯನ್ನು ಅನ್ವಯಿಸುತ್ತದೆ.
ಅಪ್ಲಿಕೇಶನ್ಗಳು
ಈ ನಿಯಂತ್ರಕವು ಅಳೆಯಬಹುದಾದ ಔಟ್ಪುಟ್, ಆ ಔಟ್ಪುಟ್ಗೆ ತಿಳಿದಿರುವ ಆದರ್ಶ ಮೌಲ್ಯ ಮತ್ತು ಅಳೆಯಬಹುದಾದ ಔಟ್ಪುಟ್ನ ಮೇಲೆ ಪರಿಣಾಮ ಬೀರುವ ಪ್ರಕ್ರಿಯೆಗೆ ಇನ್ಪುಟ್ ಹೊಂದಿರುವ ಯಾವುದೇ ಪ್ರಕ್ರಿಯೆಯನ್ನು ನಿಯಂತ್ರಿಸಬಹುದು.
ತಾಪಮಾನ, ಒತ್ತಡ, ಬಲ, ತೂಕ, ಸ್ಥಾನ, ವೇಗ ಮತ್ತು ಮಾಪನ ಅಸ್ತಿತ್ವದಲ್ಲಿರುವ ಯಾವುದೇ ಇತರ ವೇರಿಯಬಲ್ ಅನ್ನು ನಿಯಂತ್ರಿಸಲು ನಿಯಂತ್ರಕಗಳನ್ನು ಉದ್ಯಮದಲ್ಲಿ ಬಳಸಲಾಗುತ್ತದೆ.
ತೀರ್ಮಾನ
ಆದ್ದರಿಂದ, ಇವು ರೊಬೊಟಿಕ್ಸ್ನಲ್ಲಿ ಬಳಸಲಾಗುವ ಕೆಲವು ಸಾಮಾನ್ಯ ಅಲ್ಗಾರಿದಮ್ಗಳಾಗಿವೆ. ಈ ಎಲ್ಲಾ ಕ್ರಮಾವಳಿಗಳು ಭೌತಿಕಗಳು, ರೇಖೀಯ ಬೀಜಗಣಿತಗಳು ಮತ್ತು ಅಂಕಿಅಂಶಗಳ ಮಿಶ್ರಣದೊಂದಿಗೆ ಕ್ರಿಯೆಗಳು ಮತ್ತು ಚಲನೆಯನ್ನು ನಕ್ಷೆ ಮಾಡಲು ಸಾಕಷ್ಟು ಸಂಕೀರ್ಣವಾಗಿವೆ.
ಆದಾಗ್ಯೂ, ತಂತ್ರಜ್ಞಾನವು ಮುಂದುವರೆದಂತೆ ರೊಬೊಟಿಕ್ಸ್ ಅಲ್ಗಾರಿದಮ್ಗಳು ಇನ್ನಷ್ಟು ಸಂಕೀರ್ಣವಾಗಲು ಅಭಿವೃದ್ಧಿಗೊಳ್ಳುತ್ತವೆ. ರೋಬೋಟ್ಗಳು ಹೆಚ್ಚಿನ ಕಾರ್ಯಗಳನ್ನು ಪೂರ್ಣಗೊಳಿಸಲು ಮತ್ತು ತಮಗಾಗಿ ಹೆಚ್ಚು ಯೋಚಿಸಲು ಸಾಧ್ಯವಾಗುತ್ತದೆ.
ನೀವು ಈ ಲೇಖನವನ್ನು ಆನಂದಿಸಿದರೆ, HashDork's Weekly ಗೆ ಚಂದಾದಾರರಾಗಿ ಇಮೇಲ್ಗಳ ಮೂಲಕ ನವೀಕರಣಗಳು, ಅಲ್ಲಿ ನಾವು ಇತ್ತೀಚಿನ AI, ML, DL, ಪ್ರೋಗ್ರಾಮಿಂಗ್ ಮತ್ತು ಫ್ಯೂಚರ್ ಟೆಕ್ ಸುದ್ದಿಗಳನ್ನು ಹಂಚಿಕೊಳ್ಳುತ್ತೇವೆ.
ಪ್ರತ್ಯುತ್ತರ ನೀಡಿ