ரோபாட்டிக்ஸ் என்பது அறிவியல் மற்றும் தொழில்நுட்பத்தின் தனித்துவமான கலவையாகும், இது மனிதர்களின் செயல்களைப் பிரதிபலிக்கும் இயந்திரங்களை உருவாக்குகிறது.
2000 களின் முற்பகுதியில், 90% ரோபோக்கள் மீண்டும் மீண்டும் செய்யும் பணிகளுக்காக மனிதர்களுக்குப் பதிலாக கார் உற்பத்தி ஆலைகளில் இருந்தன. இப்போது ரோபோக்கள் வீடுகளை வெற்றிடமாக்குகின்றன மற்றும் உணவகங்களில் கூட சேவை செய்ய முடியும்.
ஒரு ரோபோ பொதுவாக மூன்று வகையான கூறுகளைக் கொண்டுள்ளது; இயந்திர உடல்; மின்சார எலும்புக்கூடு, இறுதியாக ஒரு மூளை குறியீடு மூலம் செய்யப்பட்டது.
இந்த கூறுகள் ஒரு ரோபோவை தரவுகளை (பெரும்பாலும் சென்சார்களிடமிருந்து) சேகரிக்க அனுமதிக்கின்றன, நடத்தை மற்றும் பணிகளை முடிக்க திட்டமிடப்பட்ட தர்க்கம் மூலம் முடிவுகளை எடுக்கின்றன.
ரோபோக்கள் மூன்று வகையான நிரல்களைக் கொண்டிருக்கலாம்; ரிமோட் கண்ட்ரோல் (RC), செயற்கை நுண்ணறிவு (AI), அல்லது ஹைப்ரிட்.
RC நிரல்களுக்கு ஒரு மனிதனின் தலையீடு தேவைப்படுகிறது, அவர் ரோபோவிற்கு குறியீட்டை செயல்படுத்துவதற்கான தொடக்க மற்றும்/அல்லது நிறுத்த சமிக்ஞையை கொடுக்க முடியும். நிரல்களில் பல்வேறு வகையான அல்காரிதம்கள் உள்ளன, ஒவ்வொன்றும் வெவ்வேறு செயல்பாடுகளைக் கொண்டுள்ளன.
அல்காரிதம் என்றால் என்ன?
அல்காரிதம் என்பது ஒரு ரோபோ சில வழிமுறைகளைச் செய்ய பயன்படுத்தக்கூடிய குறியீட்டு வரிகளின் வரிசையாகும். இது டெவலப்பரின் யோசனைகளை ரோபோக்களால் புரிந்துகொள்ளக்கூடிய மொழியில் மொழிபெயர்க்கிறது.
சூடோகோட், ஃப்ளோசார்ட்ஸ், உட்பட பல வகையான குறியீட்டில் அல்காரிதம்களை வெளிப்படுத்தலாம். கணிப்பொறி செயல்பாடு மொழி, அல்லது கட்டுப்பாட்டு அட்டவணைகள்.
இந்த கட்டுரையில் இந்த நிரல்களில் பயன்படுத்தப்படும் சில பொதுவான அல்காரிதம்களைப் பற்றி விவாதிப்போம்.
ரோபாட்டிக்ஸில் பயன்படுத்தப்படும் அல்காரிதங்களின் வகைகள்
1. எப்போது வேண்டுமானாலும் A* அல்காரிதம்
A* அல்காரிதம் என்பது ஒரு பாதை தேடல் அல்காரிதம் ஆகும், இது இரண்டு புள்ளிகளுக்கு இடையில் மிகவும் உகந்த பாதையைக் கண்டறியப் பயன்படுகிறது, அதாவது மிகச்சிறிய செலவில்.
எந்த நேரத்திலும் A* அல்காரிதம் ஒரு நெகிழ்வான நேரச் செலவைக் கொண்டுள்ளது மற்றும் அது குறுக்கீடு செய்யப்பட்டாலும் குறுகிய பாதையைத் திரும்பப் பெறலாம், ஏனெனில் அது முதலில் உகந்ததல்லாத தீர்வை உருவாக்கி பின்னர் அதை மேம்படுத்துகிறது.
புதிதாகத் தொடங்குவதற்குப் பதிலாக முந்தைய கணக்கீடுகளை ரோபோ உருவாக்க முடியும் என்பதால் இது விரைவான முடிவெடுக்க அனுமதிக்கிறது.
இது எப்படி வேலை செய்கிறது?
இது ஒரு 'மரத்தை' உருவாக்குவதன் மூலம் இதைச் செய்கிறது, இது தொடக்க முனையிலிருந்து முடிவதற்கான அளவுகோல் தூண்டப்படும் வரை நீட்டிக்கப்படுகிறது, அதாவது குறைந்த விலையுள்ள பாதை உள்ளது.
ஒரு 2D கட்டம் தடைகளுடன் உருவாக்கப்பட்டுள்ளது மற்றும் ஒரு தொடக்க செல் மற்றும் இலக்கு செல்கள் பின்-பாயின்ட் செய்யப்படுகின்றன.
அல்காரிதம் ஒரு முனையின் 'மதிப்பை' f ஆல் வரையறுக்கிறது, இது அளவுருக்கள் g (தொடக்க முனையிலிருந்து கேள்விக்குரிய முனைக்கு நகரும் செலவு) மற்றும் h (கேள்விக்குரிய முனையிலிருந்து இலக்கு முனைக்கு நகரும் செலவு) ஆகியவற்றின் கூட்டுத்தொகை ஆகும்.
பயன்பாடுகள்
பல விளையாட்டுகள் மற்றும் இணைய அடிப்படையிலான வரைபடங்கள் குறுகிய பாதையை திறம்பட கண்டறிய இந்த அல்காரிதத்தைப் பயன்படுத்துகின்றன. மொபைல் ரோபோக்களுக்கும் இதைப் பயன்படுத்தலாம்.
போன்ற சிக்கலான பிரச்சனைகளையும் தீர்க்க முடியும் நியூட்டன்-ராப்சன் எண்ணின் வர்க்க மூலத்தைக் கண்டறிவதற்கு மறு செய்கை பயன்படுத்தப்படுகிறது.
விண்வெளியில் ஒரு பொருளின் இயக்கம் மற்றும் மோதலை கணிக்க இது பாதை சிக்கல்களிலும் பயன்படுத்தப்படுகிறது.
2. D* அல்காரிதம்
டி*, ஃபோகஸ்டு டி* மற்றும் டி* லைட் ஆகியவை இரண்டு புள்ளிகளுக்கு இடையே உள்ள குறுகிய பாதையைக் கண்டறிய அதிகரிக்கும் தேடல் அல்காரிதம்கள்.
இருப்பினும், அவை A* அல்காரிதம்கள் மற்றும் புதிய கண்டுபிடிப்புகளின் கலவையாகும், அவை அறியப்படாத தடைகளுக்கு தங்கள் வரைபடத்தில் தகவலைச் சேர்க்க அனுமதிக்கின்றன.
மார்ஸ் ரோவர் போன்ற புதிய தகவல்களின் அடிப்படையில் அவர்கள் ஒரு பாதையை மீண்டும் கணக்கிட முடியும்.
இது எப்படி வேலை செய்கிறது?
D* அல்காரிதம் வேலை செய்வது A* க்கு ஒத்ததாகும், அல்காரிதம் முதலில் f, h ஐ வரையறுத்து திறந்த மற்றும் மூடிய பட்டியலை உருவாக்குகிறது.
இதற்குப் பிறகு, D* அல்காரிதம் அதன் அண்டை முனைகளின் g மதிப்பைப் பயன்படுத்தி தற்போதைய கணுவின் g மதிப்பைத் தீர்மானிக்கிறது.
ஒவ்வொரு அண்டை முனையும் தற்போதைய g மதிப்பைப் பற்றி யூகிக்கிறது மற்றும் குறுகிய g மதிப்பு புதிய g மதிப்பாக மாற்றியமைக்கப்படுகிறது.
பயன்பாடுகள்
D* மற்றும் அதன் மாறுபாடுகள் மொபைல் ரோபோவிற்கு பரவலாகப் பயன்படுத்தப்படுகின்றன தன்னாட்சி வாகனம் வழிசெலுத்தல்
இத்தகைய வழிசெலுத்தல் அமைப்புகளில் செவ்வாய் கிரகத்தில் சோதனை செய்யப்பட்ட ஒரு முன்மாதிரி அமைப்பு வாய்ப்பு மற்றும் ஆவி மற்றும் வெற்றி பெற்ற வழிசெலுத்தல் அமைப்பு ஆகியவை அடங்கும். தர்பா நகர்ப்புற சவால்.
3. PRM அல்காரிதம்
ஒரு PRM, அல்லது நிகழ்தகவு சாலை வரைபடம், கொடுக்கப்பட்ட வரைபடத்தில் இலவச மற்றும் ஆக்கிரமிக்கப்பட்ட இடங்களின் அடிப்படையில் சாத்தியமான பாதைகளின் பிணைய வரைபடமாகும்.
அவை சிக்கலான திட்டமிடல் அமைப்புகளில் பயன்படுத்தப்படுகின்றன, மேலும் தடைகளைச் சுற்றி குறைந்த செலவில் பாதைகளைக் கண்டறியவும் பயன்படுத்தப்படுகின்றன.
PRMகள் தங்கள் வரைபடத்தில் புள்ளிகளின் சீரற்ற மாதிரியைப் பயன்படுத்துகின்றன, அங்கு ஒரு ரோபோ சாதனம் நகர்த்த முடியும், பின்னர் குறுகிய பாதை கணக்கிடப்படுகிறது.
இது எப்படி வேலை செய்கிறது?
PRM ஒரு கட்டுமானம் மற்றும் வினவல் கட்டத்தைக் கொண்டுள்ளது.
முதல் கட்டத்தில், ஒரு சுற்றுச்சூழலில் சாத்தியமான இயக்கங்களை தோராயமாக மதிப்பிடும் சாலை வரைபடம். ஒரு சீரற்ற கட்டமைப்பு பின்னர் உருவாக்கப்பட்டு சில அண்டை நாடுகளுடன் இணைக்கப்பட்டுள்ளது.
தொடக்க மற்றும் இலக்கு கட்டமைப்புகள் வினவல் கட்டத்தில் வரைபடத்துடன் இணைக்கப்பட்டுள்ளன. பாதை பின்னர் a மூலம் பெறப்படுகிறது டிஜ்க்ஸ்ட்ராவின் குறுகிய பாதை வினவல்.
பயன்பாடுகள்
PRM உள்ளூர் திட்டமிடுபவர்களில் பயன்படுத்தப்படுகிறது, அங்கு அல்காரிதம் இரண்டு புள்ளிகளுக்கு இடையே ஒரு நேர்கோட்டு பாதையை கணக்கிடுகிறது, அதாவது ஆரம்ப மற்றும் இலக்கு புள்ளிகள்.
பாதை திட்டமிடல் மற்றும் மோதல் கண்டறிதல் பயன்பாடுகளை மேம்படுத்தவும் அல்காரிதம் பயன்படுத்தப்படலாம்.
4. ஜீரோ மொமன்ட் பாயிண்ட் (ZMP) அல்காரிதம்
ஜீரோ மொமென்ட் பாயிண்ட் (ZMP டெக்னிக்) என்பது தரையின் எதிர்வினை விசைக்கு நேர்மாறாக மொத்த மந்தநிலையை வைத்திருக்க ரோபோக்களால் பயன்படுத்தப்படும் ஒரு வழிமுறையாகும்.
இந்த அல்காரிதம் ZMP ஐக் கணக்கிடும் கருத்தைப் பயன்படுத்துகிறது மற்றும் இரு கால் ரோபோக்களை சமநிலைப்படுத்தும் விதத்தில் அதைப் பயன்படுத்துகிறது. ஒரு மென்மையான தரை மேற்பரப்பில் இந்த வழிமுறையைப் பயன்படுத்துவது ரோபோவை எந்த நேரமும் இல்லாதது போல் நடக்க அனுமதிக்கிறது.
ASIMO (Honda) போன்ற உற்பத்தி நிறுவனங்கள் இந்த நுட்பத்தைப் பயன்படுத்துகின்றன.
இது எப்படி வேலை செய்கிறது?
ஒரு நடைபயிற்சி ரோபோவின் இயக்கம் கோண உந்தச் சமன்பாட்டைப் பயன்படுத்தி திட்டமிடப்பட்டுள்ளது. உருவாக்கப்பட்ட கூட்டு இயக்கமானது ரோபோவின் மாறும் நிலைத்தன்மைக்கு உத்தரவாதம் அளிக்கிறது என்பதை இது உறுதி செய்கிறது.
இந்த நிலைத்தன்மையானது, முன் வரையறுக்கப்பட்ட நிலைப்புத்தன்மை பகுதியின் எல்லைகளுக்குள் பூஜ்ஜிய கணப் புள்ளியின் (அல்காரிதம் மூலம் கணக்கிடப்படும்) தூரத்தால் அளவிடப்படுகிறது.
பயன்பாடுகள்
வளைவுகள் மற்றும் தடைகளை வழிநடத்தும் போது iRobot PackBot போன்ற ரோபோட்களின் மீது டிப்பிங் செய்வதற்கு எதிரான நிலைத்தன்மையை மதிப்பிடுவதற்கு Zero moment pointகளை மெட்ரிக்காகப் பயன்படுத்தலாம்.
5. விகிதாசார ஒருங்கிணைந்த வேறுபாடு (PID) கட்டுப்பாட்டு அல்காரிதம்
விகிதாசார ஒருங்கிணைந்த வேறுபாடு கட்டுப்பாடு அல்லது PID, பிழை மதிப்பைக் கணக்கிடுவதன் மூலம் இயந்திர கூறுகளுக்கான அமைப்புகளை சரிசெய்ய சென்சார் பின்னூட்ட வளையத்தை உருவாக்குகிறது.
இந்த வழிமுறைகள் மூன்று அடிப்படை குணகங்களையும் ஒருங்கிணைக்கின்றன, அதாவது, விகிதம், ஒருங்கிணைந்த மற்றும் வழித்தோன்றல், இது ஒரு கட்டுப்பாட்டு சமிக்ஞையை உருவாக்குகிறது.
இது நிகழ்நேரத்தில் வேலை செய்கிறது மற்றும் தேவைப்படும் இடங்களில் திருத்தங்களைப் பயன்படுத்துகிறது. இதில் காணலாம் சுய ஓட்டுநர் கார்கள்.
இது எப்படி வேலை செய்கிறது?
PID கட்டுப்படுத்தி துல்லியமான மற்றும் உகந்த கட்டுப்பாட்டைப் பயன்படுத்த அதன் வெளியீட்டில் விகிதாசாரம், ஒருங்கிணைந்த மற்றும் வழித்தோன்றல் செல்வாக்கு ஆகிய மூன்று கட்டுப்பாட்டு விதிமுறைகளைப் பயன்படுத்துகிறது.
இந்த கன்ட்ரோலர் ஒரு பிழை மதிப்பை விரும்பிய செட்பாயிண்ட் மற்றும் அளவிடப்பட்ட செயல்முறை மாறிக்கு இடையேயான வித்தியாசமாக தொடர்ந்து கணக்கிடுகிறது.
கட்டுப்பாட்டு மாறியை சரிசெய்வதன் மூலம் காலப்போக்கில் பிழையைக் குறைக்க இது ஒரு திருத்தத்தைப் பயன்படுத்துகிறது.
பயன்பாடுகள்
இந்த கட்டுப்படுத்தி அளவிடக்கூடிய வெளியீடு, அந்த வெளியீட்டிற்கான அறியப்பட்ட சிறந்த மதிப்பு மற்றும் அளவிடக்கூடிய வெளியீட்டைப் பாதிக்கும் செயல்முறைக்கான உள்ளீடு ஆகியவற்றைக் கொண்ட எந்தவொரு செயல்முறையையும் கட்டுப்படுத்த முடியும்.
வெப்பநிலை, அழுத்தம், விசை, எடை, நிலை, வேகம் மற்றும் ஒரு அளவீடு இருக்கும் வேறு எந்த மாறியையும் கட்டுப்படுத்த, தொழில்துறையில் கட்டுப்படுத்திகள் பயன்படுத்தப்படுகின்றன.
தீர்மானம்
எனவே, இவை ரோபாட்டிக்ஸில் பயன்படுத்தப்படும் பொதுவான அல்காரிதம்களில் சில. இந்த வழிமுறைகள் அனைத்தும் மிகவும் சிக்கலானவை, இயற்பியல், நேரியல் இயற்கணிதம் மற்றும் புள்ளியியல் ஆகியவற்றின் கலவையுடன் செயல்களையும் இயக்கத்தையும் வரைபடமாக்கப் பயன்படுத்தப்படுகிறது.
இருப்பினும், தொழில்நுட்பம் முன்னேறும்போது ரோபாட்டிக்ஸ் அல்காரிதம்கள் இன்னும் சிக்கலானதாக மாறும். ரோபோக்கள் அதிக பணிகளைச் செய்து முடிப்பதோடு, சுயமாக சிந்திக்கவும் முடியும்.
இந்த கட்டுரையை நீங்கள் ரசித்திருந்தால், HashDork's Weeklyக்கு குழுசேரவும் சமீபத்திய AI, ML, DL, Programming & Future Tech செய்திகளைப் பகிர்ந்து கொள்ளும் மின்னஞ்சல்கள் மூலம் புதுப்பிப்புகள்.
ஒரு பதில் விடவும்