オンライン翻訳

【 日本語 】
テンプレートマッチング方法は、ロボットの現在の状態を過去の経験と比較し、最も近い状態を見つけ、この状態での経路を修正することで、新しい経路を得ることができます。つまり、まず経路計画に使用されたり、生成されたりした情報を利用してテンプレートライブラリを構築し、ライブラリのいずれかのテンプレートには、特定のインデックスを通じて取得できる、各計画の環境情報と経路情報が含まれています。その後、現在の計画タスクと環境情報をテンプレートライブラリのテンプレートと一緻させ、最適な一緻テンプレートを探します。そして、このテンプレートを修正し、これを最後の結菓として、テンプレートマッチング技術は環境確定の場合、Vasudevanなどが提案した事例に基づく自治水中ロボット（AUV）経路計画方法、Liuなどが提案した清掃ロボットのテンプレートマッチング経路計画方法、テンプレートマッチング経路計画技術の環境変化に対する適応性を高めるために、一部の学者は、Ramなどが事例に基づくオンラインマッチングと強化式学習を結合し、モデルマッチング計画方法におけるロボットの適応性能を向上させ、ロボットが部分的に環境の変化に適応できるようにする方法、Arleoなどが環境モデルとニューラルネットワーク学習を結合する経路計画方法など、モデルマッチングとニューラルネットワーク学習を結合する方法を提案した。
【 フランス語 】
La méthode d'appariement des modèles consiste à comparer l'état actuel du robot avec l'expérience passée et à trouver l'état le plus proche. En modifiant le chemin dans cet état, un nouveau chemin peut être obtenu. C'est - à - dire que la Bibliothèque de modèles est d'abord construite à l'aide de l'information utilisée ou générée dans le plan de chemin. Dans n'importe quel modèle de la bibliothèque, l'information sur l'environnement et l'information sur le chemin de chaque plan qui peut être obtenue par un index spécifique est incluse. Ensuite, Alignez la tâche de planification actuelle et l'information environnementale sur le modèle de la Bibliothèque de modèles pour trouver le meilleur modèle cohérent. Ensuite, le modèle est modifié comme résultat final, la technologie d'appariement des modèles est déterminée dans l'environnement, la méthode de planification des trajets du robot sous - marin autonome (AUV) basée sur les cas présentés par Vasudevan et ainsi de suite, la méthode de planification des trajets d'appariement des modèles proposée par Liu et al. Afin d'améliorer l'adaptabilité de la technologie de planification des trajets d'appariement des modèles aux changements environnementaux, certains chercheurs combinent Ram et d'autres méthodes d'appariement en ligne et d'apprentissage intensif basées sur des exemples pour améliorer l'adaptabilité des robots dans la méthode de planification de l'appariement des modèles, afin que les robots puissent s'adapter partiellement aux changements environnementaux. Nous proposons une méthode combinant l'appariement des modèles et l'apprentissage des réseaux neuronaux, par exemple une méthode de planification des trajets combinant le modèle environnemental et l'apprentissage des réseaux neuronaux.