စက်ရုပ်များသည် လူသားများ၏ လုပ်ဆောင်ချက်များကို အတုယူသည့် စက်များကို ထုတ်လုပ်ပေးသည့် သိပ္ပံနှင့် နည်းပညာ၏ ထူးခြားသော ရောနှောမှုတစ်ခုဖြစ်သည်။
2000 ခုနှစ်များအစောပိုင်းတွင် စက်ရုပ်များ၏ 90% သည် လူသားများကို ထပ်ခါတလဲလဲ အလုပ်များလုပ်ရန်အတွက် ကားထုတ်လုပ်သည့်စက်ရုံများတွင် ရှိနေခဲ့သည်။ ယခုအခါ စက်ရုပ်များသည် အိမ်များကို လေဟာနယ်နှင့် စားသောက်ဆိုင်များတွင်ပင် ဝန်ဆောင်မှုပေးနိုင်ပါသည်။
စက်ရုပ်တစ်ခုတွင် များသောအားဖြင့် အစိတ်အပိုင်းသုံးမျိုး ပါဝင်ပါသည်။ စက်ပိုင်းဆိုင်ရာခန္ဓာကိုယ်; လျှပ်စစ်အရိုးစု၊ နောက်ဆုံးတွင် ကုဒ်ဖြင့်ပြုလုပ်ထားသော ဦးနှောက်။
ဤအစိတ်အပိုင်းများသည် စက်ရုပ်တစ်ရုပ်အား အပြုအမူနှင့် လိုက်လျောညီထွေဖြစ်စေရန်နှင့် လုပ်ဆောင်စရာများကို ပြီးမြောက်ရန် ပရိုဂရမ်ပါသော ယုတ္တိဗေဒနည်းဖြင့် ဆုံးဖြတ်ချက်များချနိုင်သည် (မကြာခဏဆိုသလို အာရုံခံကိရိယာများထံမှ) ဒေတာများကို စုဆောင်းနိုင်စေပါသည်။
စက်ရုပ်များတွင် ပရိုဂရမ် အမျိုးအစားသုံးမျိုး ရှိနိုင်သည်၊ အဝေးထိန်းစနစ် (RC)၊ ဉာဏ်ရည်တု (AI) သို့မဟုတ် Hybrid။
RC ပရိုဂရမ်များသည် စက်ရုပ်အား ကုဒ်လုပ်ဆောင်ရန်အတွက် အစနှင့်/သို့မဟုတ် ရပ်တန့်အချက်ပြနိုင်သည့် လူသားတစ်ဦး၏ ဝင်ရောက်စွက်ဖက်မှု လိုအပ်သည်။ ပရိုဂရမ်များတွင် မတူညီသောလုပ်ဆောင်မှုတစ်ခုစီပါ၀င်သည့် အယ်လဂိုရီသမ် အမျိုးအစားအမျိုးမျိုးရှိသည်။
algorithm ဆိုတာ ဘာလဲ။
အယ်လဂိုရီသမ်သည် အချို့သောညွှန်ကြားချက်များကို လုပ်ဆောင်ရန် စက်ရုပ်တစ်ရုပ်အသုံးပြုနိုင်သည့် ကုဒ်မျဥ်းများဖြစ်သည်။ ၎င်းသည် ဆော့ဖ်ဝဲရေးသားသူ၏ စိတ်ကူးများကို စက်ရုပ်များ နားလည်သည့် ဘာသာစကားအဖြစ် ဘာသာပြန်ဆိုသည်။
Algorithms များကို pseudocode၊ flowcharts အပါအဝင် notation အမျိုးအစားများစွာဖြင့် ဖော်ပြနိုင်သည်။ programming ဘာသာစကားများသို့မဟုတ် ထိန်းချုပ်ရေးဇယားများ။
ဤဆောင်းပါးတွင် ဤပရိုဂရမ်များတွင် အသုံးပြုလေ့ရှိသော algorithms အမျိုးအစားအချို့ကို ဆွေးနွေးပါမည်။
စက်ရုပ်များတွင် အသုံးပြုသည့် အယ်လဂိုရီသမ် အမျိုးအစားများ
1. အချိန်မရွေး A* Algorithm
A* algorithm သည် အသေးငယ်ဆုံးသော ကုန်ကျစရိတ်ဖြင့် အမှတ်နှစ်ခုကြားတွင် အကောင်းဆုံးလမ်းကြောင်းကို ရှာဖွေရန် အသုံးပြုသည့် လမ်းကြောင်းရှာဖွေရေး အယ်လဂိုရီသမ်တစ်ခုဖြစ်သည်။
A* Algorithm သည် အချိန်တိုင်းတွင် ပြောင်းလွယ်ပြင်လွယ်ရှိသော အချိန်ကုန်ကျစရိတ်ရှိပြီး အနှောက်အယှက်ဖြစ်လျှင်ပင် အတိုဆုံးလမ်းကြောင်းကို ပြန်ပေးနိုင်ပါသည်။ အကောင်းဆုံးမဟုတ်သောဖြေရှင်းချက်တစ်ခုကို ဦးစွာထုတ်ပေးပြီးနောက် အကောင်းဆုံးဖြစ်အောင်ပြုလုပ်ပေးသောကြောင့်ဖြစ်သည်။
စက်ရုပ်သည် အစမှစမည့်အစား ယခင်တွက်ချက်မှုများကို တည်ဆောက်နိုင်သောကြောင့် ၎င်းသည် ပိုမိုမြန်ဆန်သော ဆုံးဖြတ်ချက်များချမှတ်နိုင်စေပါသည်။
ဒါကဘယ်လိုမျိုးအလုပ်လုပ်သလဲ?
ရပ်စဲခြင်းဆိုင်ရာ စံနှုန်းများ အစပျိုးသည်အထိ 'သစ်ပင်' ကို ဖွဲ့စည်းခြင်းဖြင့် ၎င်းသည် ၎င်းကို ကုန်ကျစရိတ်သက်သာသော လမ်းကြောင်းရှိနိုင်သည်ဟု ဆိုလိုသည်။
2D Grid ကို အတားအဆီးများဖြင့် ပြုလုပ်ထားပြီး စတင်သည့်ဆဲလ်နှင့် ပစ်မှတ်ဆဲလ်များကို ပင်-ချွန်သည်။
algorithm သည် node တစ်ခု၏ 'တန်ဖိုး' ကို parameters များ၏ပေါင်းလဒ်ဖြစ်သည့် g (f ဖြင့် သတ်မှတ်သည်) နှင့် h (အစရှိသော node မှ မေးခွန်းရှိ node သို့ ရွှေ့ခြင်းကုန်ကျစရိတ်) နှင့် h (မေးခွန်းရှိ node မှ target node သို့ ရွှေ့ခြင်းကုန်ကျစရိတ်)။
applications ကို
ဂိမ်းအများအပြားနှင့် ဝဘ်အခြေခံမြေပုံများသည် အတိုဆုံးလမ်းကြောင်းကို ထိရောက်စွာရှာဖွေရန်အတွက် ဤ algorithm ကိုအသုံးပြုသည်။ မိုဘိုင်းစက်ရုပ်များအတွက်လည်း အသုံးပြုနိုင်သည်။
အစရှိတဲ့ ရှုပ်ထွေးတဲ့ ပြဿနာတွေကိုလည်း သင်ဖြေရှင်းနိုင်ပါတယ်။ နယူတန်-ရက်ပ်ဆန် ကိန်းဂဏန်းတစ်ခု၏ နှစ်ထပ်ကိန်းရင်းမြစ်ကို ရှာဖွေရာတွင် ထပ်လောင်းအသုံးပြုသည်။
၎င်းကို အာကာသအတွင်း အရာဝတ္ထုတစ်ခု၏ ရွေ့လျားမှုနှင့် တိုက်မိမှုကို ခန့်မှန်းရန် လမ်းကြောင်းဆိုင်ရာ ပြဿနာများတွင်လည်း အသုံးပြုသည်။
2. D* Algorithm
D*၊ Focused D* နှင့် D* Lite များသည် အမှတ်နှစ်ခုကြား အတိုဆုံးလမ်းကြောင်းကို ရှာဖွေရန် တိုးမြင့်ရှာဖွေမှု အယ်လဂိုရီသမ်များဖြစ်သည်။
သို့ရာတွင် ၎င်းတို့သည် အမည်မသိအတားအဆီးများအတွက် ၎င်းတို့၏မြေပုံများတွင် အချက်အလက်များကို ထည့်သွင်းနိုင်စေမည့် A* algorithms နှင့် ရှာဖွေတွေ့ရှိမှုအသစ်များ ရောနှောပေါင်းစပ်ထားသည်။
ထို့နောက် ၎င်းတို့သည် Mars Rover ကဲ့သို့ အချက်အလက်အသစ်များအပေါ် အခြေခံ၍ လမ်းကြောင်းတစ်ခုကို ပြန်လည်တွက်ချက်နိုင်သည်။
ဒါကဘယ်လိုမျိုးအလုပ်လုပ်သလဲ?
D* Algorithm ၏ လုပ်ဆောင်မှုသည် A* နှင့် ဆင်တူသည်၊ algorithm သည် f, h ကို ဦးစွာ သတ်မှတ်ပြီး အဖွင့်နှင့် အပိတ်စာရင်းကို ဖန်တီးသည်။
၎င်းနောက်၊ D* Algorithm သည် ၎င်း၏ အိမ်နီးချင်း node များ၏ g တန်ဖိုးကို အသုံးပြု၍ လက်ရှိ node ၏ g တန်ဖိုးကို ဆုံးဖြတ်သည်။
အိမ်နီးနားချင်း node တစ်ခုစီသည် လက်ရှိတစ်ခု၏ g တန်ဖိုးကို ခန့်မှန်းပေးပြီး အတိုဆုံး g တန်ဖိုးကို g တန်ဖိုးအသစ်အဖြစ် လိုက်လျောညီထွေဖြစ်စေသည်။
applications ကို
D* နှင့် ၎င်း၏မျိုးကွဲများကို မိုဘိုင်းစက်ရုပ်များနှင့် ကျယ်ကျယ်ပြန့်ပြန့် အသုံးပြုကြသည်။ ကိုယ်ပိုင်အုပ်ချုပ်ခွင့်ရယာဉ် အညွှန်း။
ယင်းကဲ့သို့ လမ်းကြောင်းပြစနစ်များတွင် Mars Rovers Opportunity and Spirit တွင် စမ်းသပ်ထားသော ရှေ့ပြေးပုံစံစနစ်နှင့် လမ်းကြောင်းပြစနစ်တို့ ပါဝင်ပါသည်။ DARPA မြို့ပြစိန်ခေါ်မှု.
3. PRM Algorithm
PRM သို့မဟုတ် ဖြစ်နိုင်ခြေရှိသော လမ်းပြမြေပုံသည် ပေးထားသည့်မြေပုံပေါ်ရှိ အခမဲ့နှင့် သိမ်းပိုက်ထားသော နေရာများကို အခြေခံ၍ ဖြစ်နိုင်သည့်လမ်းကြောင်းများ၏ ကွန်ရက်ဂရပ်တစ်ခုဖြစ်သည်။
၎င်းတို့ကို ရှုပ်ထွေးသော အစီအစဥ်အစီအစဥ်များတွင် အသုံးပြုကြပြီး အတားအဆီးများတစ်လျှောက် ကုန်ကျစရိတ်သက်သာသော လမ်းကြောင်းများကို ရှာဖွေရန်လည်း အသုံးပြုကြသည်။
PRM များသည် စက်ရုပ်ကိရိယာတစ်ခု ရွေ့လျားနိုင်ပြီး အတိုဆုံးလမ်းကြောင်းကို တွက်ချက်သည့် ၎င်းတို့၏မြေပုံပေါ်တွင် ကျပန်းနမူနာကို အသုံးပြုပါသည်။
ဒါကဘယ်လိုမျိုးအလုပ်လုပ်သလဲ?
PRM တွင် ဆောက်လုပ်ရေးနှင့် မေးမြန်းမှုအဆင့် ပါဝင်သည်။
ပထမအဆင့်တွင်၊ ပတ်ဝန်းကျင်တစ်ခုရှိ ဖြစ်နိုင်ချေရှိသော ရွေ့လျားမှုများကို ခန့်မှန်းနိုင်သော လမ်းပြမြေပုံကို ဂရပ်ဖစ်ဖြင့် ပုံဖော်ထားသည်။ ထို့နောက် ကျပန်းဖွဲ့စည်းမှုတစ်ခုကို ဖန်တီးပြီး အချို့သော အိမ်နီးချင်းများနှင့် ချိတ်ဆက်ထားသည်။
စတင်ခြင်းနှင့် ပန်းတိုင်ဖွဲ့စည်းပုံများသည် စုံစမ်းမှုအဆင့်ရှိ ဂရပ်နှင့် ချိတ်ဆက်ထားသည်။ မဂ်က ရပြီးရင် တစ်မျိုး Dijkstra ၏ အတိုဆုံးလမ်း စုံစမ်းမှု။
applications ကို
PRM သည် ကနဦးနှင့် ပန်းတိုင်အမှတ်များဖြစ်သည့် အမှတ်နှစ်ခုကြားရှိ မျဉ်းဖြောင့်လမ်းကြောင်းကို တွက်ချက်ပေးသည့် algorithm သည် ဒေသတွင်း အစီအစဉ်ရေးဆွဲသူများအတွက် အသုံးပြုသည်။
လမ်းကြောင်းစီစဉ်ခြင်းနှင့် ယာဉ်တိုက်မှုစစ်ဆေးခြင်းဆိုင်ရာအက်ပ်လီကေးရှင်းများကို ပိုမိုကောင်းမွန်စေရန်အတွက် အယ်လဂိုရီသမ်ကိုလည်း အသုံးပြုနိုင်သည်။
4. Zero Moment Point (ZMP) Algorithm
Zero Moment Point (ZMP နည်းပညာ) သည် ကြမ်းပြင်၏ တုံ့ပြန်မှုစွမ်းအားနှင့် ဆန့်ကျင်ဘက်ဖြစ်သော စုစုပေါင်း inertia ကို ထိန်းသိမ်းရန် စက်ရုပ်များအသုံးပြုသည့် အယ်လဂိုရီသမ်တစ်ခုဖြစ်သည်။
ဤ algorithm သည် ZMP ကို တွက်ချက်ခြင်း သဘောတရားကို အသုံးပြုပြီး bipedal စက်ရုပ်များကို ဟန်ချက်ညီစေရန် နည်းလမ်းဖြင့် အသုံးပြုပါသည်။ ချောမွေ့သောကြမ်းပြင်မျက်နှာပြင်ပေါ်တွင် ဤ algorithm ကိုအသုံးပြုခြင်းသည် စက်ရုပ်အား အခိုက်အတန့်မရှိသကဲ့သို့ လမ်းလျှောက်နိုင်စေသည်ဟု ထင်ရသည်။
ASIMO (Honda) ကဲ့သို့သော ကုန်ထုတ်ကုမ္ပဏီများသည် ဤနည်းပညာကို အသုံးပြုသည်။
ဒါကဘယ်လိုမျိုးအလုပ်လုပ်သလဲ?
လမ်းလျှောက်စက်ရုပ်တစ်ရုပ်၏ ရွေ့လျားမှုကို ထောင့်အဟုန်ညီမျှခြင်းကို အသုံးပြု၍ စီစဉ်ထားသည်။ ထုတ်လုပ်ထားသော ပူးတွဲလှုပ်ရှားမှုသည် စက်ရုပ်၏ ဒိုင်းနမစ်ကိုယ်ဟန်အနေအထားတည်ငြိမ်မှုကို အာမခံကြောင်း သေချာစေသည်။
ဤတည်ငြိမ်မှုကို ကြိုတင်သတ်မှတ်ထားသော တည်ငြိမ်မှုနယ်မြေ၏ နယ်နိမိတ်များအတွင်း သုညအခိုက်အတန့်အမှတ် (algorithm ဖြင့် တွက်ချက်သည်) အကွာအဝေးဖြင့် တွက်ချက်သည်။
applications ကို
ချဉ်းကပ်လမ်းများနှင့် အတားအဆီးများကို သွားလာရာတွင် iRobot PackBot ကဲ့သို့ စက်ရုပ်များကို ကျော်တက်ခြင်းမှ တည်ငြိမ်မှုကို အကဲဖြတ်ရန် သုညအခိုက်အတန့်ကို မက်ထရစ်တစ်ခုအဖြစ် အသုံးပြုနိုင်သည်။
5. Proportional Integral Differential (PID) Control Algorithm
အချိုးကျသော ပေါင်းစပ်ကွဲပြားမှုထိန်းချုပ်မှု သို့မဟုတ် PID၊ အမှားတန်ဖိုးကိုတွက်ချက်ခြင်းဖြင့် စက်ပိုင်းဆိုင်ရာအစိတ်အပိုင်းများအတွက် ဆက်တင်များကိုချိန်ညှိရန် အာရုံခံတုံ့ပြန်မှုလှည့်ပတ်တစ်ခုကို ဖန်တီးပေးသည်။
ဤ အယ်လဂိုရီသမ်များသည် ထိန်းချုပ်မှုအချက်ပြမှုတစ်ခုထုတ်ပေးနိုင်ရန် အချိုးအစား၊ အချိုးအစား၊ ပေါင်းစည်းမှုနှင့် ဆင်းသက်လာမှုတို့ကို ပေါင်းစပ်ထားသည်။
၎င်းသည် အချိန်နှင့်တပြေးညီ လုပ်ဆောင်နိုင်ပြီး လိုအပ်သည့်နေရာတွင် ပြုပြင်မှုများကို အသုံးချသည်။ ဤတွင်တွေ့နိုင်ပါသည်။ Self-ကားမောင်းကားများ.
ဒါကဘယ်လိုမျိုးအလုပ်လုပ်သလဲ?
PID ထိန်းချုပ်ကိရိယာသည် တိကျပြီး အကောင်းဆုံးထိန်းချုပ်မှုကို အသုံးချရန်အတွက် ၎င်း၏အထွက်အပေါ် အချိုးကျ၊ တစ်သားတည်းနှင့် ဆင်းသက်လာမှုဆိုင်ရာ လွှမ်းမိုးမှုဆိုင်ရာ ထိန်းချုပ်မှုဆိုင်ရာ စည်းမျဉ်းသုံးရပ်ကို အသုံးပြုသည်။
ဤထိန်းချုပ်ကိရိယာသည် အလိုရှိသော သတ်မှတ်မှတ်တစ်ခုနှင့် တိုင်းတာသည့် လုပ်ငန်းစဉ် ပြောင်းလဲနိုင်သော ကွာခြားချက်အဖြစ် အမှားတန်ဖိုးကို စဉ်ဆက်မပြတ် တွက်ချက်ပါသည်။
ထို့နောက် control variable ကို ချိန်ညှိခြင်းဖြင့် အချိန်ကြာလာသည်နှင့်အမျှ အမှားအယွင်းကို လျှော့ချရန် အမှားပြင်ဆင်ခြင်းကို အသုံးပြုသည်။
applications ကို
ဤ controller သည် တိုင်းတာနိုင်သော output ပါသည့် မည်သည့်လုပ်ငန်းစဉ်ကိုမဆို ထိန်းချုပ်နိုင်ပြီး၊ ထို output အတွက် လူသိများသော စံတန်ဖိုးတစ်ခုနှင့် တိုင်းတာနိုင်သော output ကို အကျိုးသက်ရောက်မည့် လုပ်ငန်းစဉ်တွင် ထည့်သွင်းနိုင်သည်။
အပူချိန်၊ ဖိအား၊ တွန်းအား၊ အလေးချိန်၊ အနေအထား၊ အမြန်နှုန်းနှင့် တိုင်းတာမှုတစ်ခုအတွက် အခြားကိန်းရှင်များကို ထိန်းညှိရန်အတွက် စက်မှုလုပ်ငန်းတွင် အသုံးပြုသည်။
ကောက်ချက်
ထို့ကြောင့်၊ ၎င်းတို့သည် စက်ရုပ်များတွင် အသုံးပြုသည့် အသုံးအများဆုံး algorithms အချို့ဖြစ်သည်။ ဤ အယ်လဂိုရီသမ်များအားလုံးသည် ရုပ်ပိုင်းဆိုင်ရာ၊ မျဉ်းသားအက္ခရာသင်္ချာနှင့် လှုပ်ရှားမှုများနှင့် လှုပ်ရှားမှုများကို မြေပုံထုတ်ရန်အတွက် အသုံးပြုထားသည့် ကိန်းဂဏန်းများ ရောနှောခြင်းဖြင့် အတော်လေး ရှုပ်ထွေးပါသည်။
သို့သော်လည်း နည်းပညာများ တိုးတက်လာသည်နှင့်အမျှ စက်ရုပ်ဆိုင်ရာ အယ်လဂိုရီသမ်များသည် ပိုမိုရှုပ်ထွေးလာပါသည်။ စက်ရုပ်များသည် အလုပ်များကို ပိုမိုပြီးမြောက်စေပြီး ၎င်းတို့အတွက် ပိုမိုစဉ်းစားနိုင်မည်ဖြစ်သည်။
သင်ဤဆောင်းပါးကိုနှစ်သက်လျှင်၊ HashDork's Weekly သို့ စာရင်းသွင်းပါ။ နောက်ဆုံးပေါ် AI၊ ML၊ DL၊ Programming နှင့် Future Tech သတင်းများကို မျှဝေသည့် အီးမေးလ်များမှတစ်ဆင့် အပ်ဒိတ်များ။
တစ်ဦးစာပြန်ရန် Leave