| Anotācija |
Šajā darbā tiek veikts salīdzinošs pētījums starp tradicionālajiem paraugu ņemšanas algoritmiem ceļu plānošanai un ģeneratīvajiem neironu tīkliem, kas tiek izmantoti 2D robotu Novērtētās paraugu ņemšanas metodes ietver RRT, RRT*, RRT-Connect un BIT*, katra no tām balstās uz iteratīvu mezglu paplašināšanu un lokālu realizējamību, lai izveidotu sadursmju brīvas trajektorijas. Šie algoritmi ir atzīti par uzticamiem pamata algoritmiem, jo tie konsekventi sasniedz mērķa punktus pat vidē, kurā ir šauri vai neregulāri šķēršļi, lai gan tas bieži vien ir saistīts ar palielinātu aprēķinu slodzi.
Tikmēr tika izstrādāts ģeneratīvs pretinieku tīkls (GAN), lai tieši izveidotu pilnīgus ceļus, ņemot vērā sākuma un mērķa koordinātas un vektorizētu šķēršļu informāciju. Deviņās paaudzēs GAN modelis tika pakāpeniski uzlabots, ieviešot arhitektūras dziļuma, garuma un gluduma sodus, mērķa un sadursmju apzināšanos, kā arī adaptīvo zaudējumu svēršanu un pēcapstrādes tehnikas. Katra paaudze tika novērtēta pēc tām pašām kartēm, ko izmantoja paraugu ņemšanas plānot.
Eksperimenti liecina, ka GAN modeļi spēj izveidot ātrus un realizējamus maršrutus vienkāršās vai atvērtās telpās. Tomēr šaurās vai sarežģītās vidēs, piemēram, U veida vai rūpnieciskās kartēs, to veiktspēja pasliktinās, bieži nespējot sasniegt mērķi, neskatoties uz to, ka tiek apieti šķēršļi. Pretstatā tam RRT ģimene veiksmīgi pabeidza visus plānošanas uzdevumus, parādot labāku pielāgojamību un pilnīgumu, lai gan tās veiktspēja bija lēnāka, jo tika iz
Pētījumā secināts, ka GAN ar vektoru bāzes datu ieejām/izejām ir potenciāls, parādot ātrumu ceļa atrašanā vidēs, kas sodītu alkatīgu izpēti, bet tās neizpilda sarežģītas telpiskās loģikas uzdevumus, ja netiek īstenotas atbilstošas metodes.
Darba apjoms ir 51 lappuses, 8 tabulas, 23 attēli, 11 pielikumi un 16 avoti. |
