There are other genetic algorithm p

There are other genetic algorithm parameters which areimportant to RBGAF-SLAM. Mutation rate, mutation range,crossover rate… All these parameters have been properlychosen so that it works find in real implementations as shownin [11]. However, the affection of these parameters on othercomplex environment is not investigated. Therefore, it isnecessary to design the learning algorithm to learn theseparameters so that RBGAF-SLAM will be able to functionwell in various environments.Few major issues are addressed for RBGAF-SLAM abovein our experiments. These problems can be solved by increasethe number of Rao-Blackwellised particles. A large amount ofRao-Blackwellised particles significantly improves therobustness of the SLAM approach. However, due to thelimitation of computational resources on the robot, the numberof Rao-Blackwellised particles is strictly limited to tens tohundreds.However, the offline computational power is much morethan the processors on robots. Therefore, it would be nice ifoffline computation could ‘help’ the real-time SLAMalgorithms to perform better. In our approach, offline geneticlearning techniques are implemented to search for a proper setof RBGAF-SLAM parameters. Although the computationalcost is high, it does not have the ‘real-time’ restrictions.IV. GENETIC LEARNINGExpectation maximization (EM) strategy can be used to findout the optimum sets of parameters for the RBGAF-SLAMapproach. However, EM theory suffers from the localmaximum problem. The success implementation of the EMtheory is dependant on a good initial ‘guess’. A good initialdata set is needed. Due to the high complexity of the RBGAFSLAM problem, it is quite difficult to find a good initial dataset. Implementing EM theory for searching the properparameter set may lead to a success but quite risky. It mayprovide an un-acceptable sub-optimum solution and requireslots of testing/tuning to get the good initial data set. Treedecision and are another options. However, these methodsare more suitable to provide optimum solution in the discretespace instead of a continuous space.Genetic algorithm has been proven to be a good globaloptimization tool for a number of implementations. It does notrequire a good initial data set to find out the global optimum,although good initializations can often faster the search. Asdescribed in [13], GA is motivated by a number of factorsincluding:“Evolution is known to be a successful, robust method foradaptation within biological systems.Gas can search spaces of hypotheses containing complexinteracting parts, where the impact of each part on overallhypothesis fitness may be difficult to modelGenetic algorithms are easily parallelized and can takeadvantage of the decreasing cost of powerful computerhardware.”GA can deal with both continuous and discrete data. Theprocesses involved in genetic algorithms like re-production,selection and evaluation have been extensively investigated.Researchers have developed systematic GA implementationstrategies with lots of open source available for theimplementations. Due to these advantages, genetic learningapproach is selected for optimizing RBGAF-SLAM.To determine the GA techniques and correspondingparameters, we designed genetic learning approach onRBGAF-SLAM. The overall design of the genetic learning isshown in Fig 2.

0/5000

原始語言: -

目標語言: -

結果 (繁體中文) 1: [復制]

復制成功！

還有其他遺傳算法的參數，這些參數 來RBGAF-SLAM重要。突變率，變異範圍， 交叉率......所有這些參數都被正確 選擇，使得它在實際實施中發現，如圖 中[11]。然而，在其他這些參數的感情 複雜的環境沒有影響。因此，有 必要設計學習算法來學習這些 參數，以便RBGAF-SLAM將能夠正常工作， 以及在各種環境。 幾個主要的問題是解決以上為RBGAF-SLAM 在我們的實驗。這些問題可以通過增加來解決 饒Blackwellised顆粒的數量。大量的 饒Blackwellised顆粒顯著改善 的SLAM方法的穩健性。然而，由於 在機器人上的計算資源的限制，數 饒Blackwellised顆粒的嚴格限於幾十到 幾百個。 然而，離線計算能力更 比機器人的處理器。因此，這將是很好，如果 離線計算可以“幫助”實時SLAM 算法，以更好地履行。在我們的方法中，離線遺傳 學習技術來實現搜索一組適當 的RBGAF-SLAM參數。雖然計算 成本較高，它不具備“實時”的限制。 IV。遺傳學習 期望最大化（EM）策略可用於查找 出的RBGAF-SLAM參數的優化設置 方法。然而，EM理論從當地遭受 的最大問題。在EM的成功實施 理論依賴於良好的初始“猜測”。良好的初始 需要的數據集。由於RBGAFSLAM問題的高度複雜性，這是很難找到一個很好的初始數據 集。實施EM理論尋找合適的 參數設置可能會導致成功，但很危險。它可以 提供一個未可接受次優的解決方案，並且需要 大量的測試/調節的，以獲得良好的初始數據集。樹 的決定，是另一種選擇。然而，這些方法 更適合於提供在離散最優解 空間，而不是一個連續的空間。 遺傳算法已被證明是一個很好的全球 的許多實現的優化工具。它並不 需要一個良好的初始數據集，找出全局最優， 但良好的初始化往往能更快地搜索。如 在[13]中描述的，GA是由許多因素動機 包括： “演進被稱為是一個成功的，魯棒的方法 生物系統內適配。 氣可搜索包含複雜的假設的空間 相互作用的部分，其中對整體各部分的影響， 假設健身可能是困難模式 遺傳算法很容易並行化，並可以採取 強大的計算機的降低成本的優勢 硬件。“ GA可以處理連續和離散數據。所述 參與像重新製作，遺傳算法過程 選擇和評價已經被廣泛地研究。 研究人員已經開發系統的GA實施 策略有很多可用的開源 實現。由於這些優點，遺傳學習 選擇優化RBGAF-SLAM方法。 為了確定GA技術和相應的 參數，我們設計的遺傳學習方法 RBGAF-SLAM。遺傳學習的整體設計 示於圖2。

正在翻譯中..

結果 (繁體中文) 2:[復制]

復制成功！

還有其他遺傳演算法參數 對RBGAF-SLAM很重要。突變率，突變範圍， 交叉率...所有這些參數都已正確 選擇，以便它的工作原理髮現在實際實現，如所示 在[11]中。然而，這些參數對其它 不調查複雜的環境。因此，它是 有必要設計學習演算法來學習這些 參數，以便 RBGAF-SLAM 能夠正常工作 以及在各種環境中。 上文關於RBGAF-SLAM的很少主要問題得到解決 在我們的實驗中這些問題可以通過增加來解決 饒-黑井粒子的數量。大量 饒-黑井顆粒顯著改善 SLAM 方法的穩健性。但是，由於 機器人計算資源的限制，數量 饒-黑井顆粒被嚴格限制在數十到 數百。 然而，離線計算能力是更多 比機器人上的處理器。因此，這將是很好的，如果 離線計算可以"説明"即時 SLAM 演算法，以更好地執行。在我們的方法中，離線遺傳 實現學習技術以搜索正確的集 RBGAF-SLAM參數。雖然計算 成本高，沒有"即時"限制。 四. 遺傳學習 期望最大化（EM）策略可用於查找 出RBGAF-SLAM的最佳參數集 方法。然而，EM理論受到本地 最大問題。EM 的成功實施 理論依賴于一個好的初始"猜測"。一個好的首字母 資料集。由於 RBGAFSLAM 問題的複雜性，很難找到良好的初始資料 設置。實現 EM 理論以搜索正確的 參數集可能會導致成功，但風險很大。它可能 提供不可接受的次最佳解決方案，需要 大量的測試/調優，以獲得良好的初始資料集。樹 決定，是另一種選擇。但是，這些方法 更適合在離散 空間，而不是連續空間。 遺傳演算法已被證明是一個很好的全球 多個實現的優化工具。它不 需要良好的初始資料集，以找出全球最優， 雖然良好的初始化通常可以加快搜索速度。作為 在 [13] 中描述，GA 的動機有很多 包括： "眾所周知，進化是一種成功、可靠的方法。 生物系統內的適應。 氣體可以搜索包含複雜假設的空間 交互部件，其中每個部件對整體的影響 假設健身可能難以建模 遺傳演算法易於並行，可以 強大的電腦降低成本的優勢 硬體。 GA 可以同時處理連續資料和離散資料。的 涉及遺傳演算法的過程，如再生產， 對選擇和評估進行了廣泛的調查。 研究人員開發了系統 GA 實施 具有大量開源策略， 實現。由於這些優勢，基因學習 方法用於優化 RBGAF-SLAM。 確定 GA 技術和相應的 參數，我們設計了基因學習方法 RBGAF-SLAM。遺傳學的總體設計是 如圖 2 所示。

正在翻譯中..

結果 (繁體中文) 3:[復制]

復制成功！

還有其他遺傳演算法參數 對RBGAF-SLAM很重要。突變率，突變範圍， 交叉率…所有這些參數都正確 選擇它以便在實際實現中找到它，如圖所示 在[11]中。然而，這些參數對 不調查複雜環境。囙此，它是 必須設計學習算灋來學習這些 使RBGAF-SLAM能够工作的參數 在不同的環境中。 上面關於RBGAF-SLAM的幾個主要問題 在我們的實驗中。這些問題可以通過新增 Rao黑化粒子的數量。大量 Rao黑化顆粒顯著改善 SLAM方法的穩健性。但是，由於 機器人計算資源的限制 在Rao中，黑化粒子被嚴格限制在 幾百個。 然而，離線計算能力要高得多 而不是機器人上的處理器。囙此，如果 離線計算可以“幫助”實时SLAM 更好的算灋。在我們的方法中，離線遺傳 實現學習科技以蒐索適當的集合 RBGAF-SLAM參數。儘管計算 成本很高，沒有“實时”限制。 四、遺傳學習 期望最大化（EM）策略可用於 RBGAF-SLAM的最佳參數集 接近。然而，EM理論受到了局部 最大問題。EM的成功實現 理論依賴於一個好的初始“猜測”。良好的開端 需要數据集。由於RBGAFSLAM問題的高度複雜性，很難找到一個好的初始數據 準備好了。應用EM理論尋找合適的 參數設置可能會導致成功，但風險很大。它可能 提供不可接受的次優解決方案，並要求 為了獲得良好的初始數据集，需要進行大量的測試/調整。樹 决定和是另一種選擇。但是，這些方法 更適合於在離散的 空間而不是連續的空間。 遺傳演算法已經被證明是一種很好的全域優化算灋 許多實現的優化工具。它沒有 需要一個好的初始數据集來找出全域最優值， 儘管良好的初始化通常可以加快蒐索速度。作為 如[13]所述，遺傳演算法的動機有許多因素 包括： “眾所周知，進化是一種成功的、穩健的方法 生物系統內的適應。 Gas可以蒐索包含複數的假設空間 相互作用的部分，每個部分對整體的影響 假設適應度可能難以建模 遺傳演算法很容易並行化，可以 强大電腦降低成本的優勢 硬體。” 遺傳演算法可以同時處理連續和離散數據。這個 涉及到遺傳演算法的過程，比如再生產， 選擇和評估已被廣泛研究。 研究人員已經開發出系統的遺傳演算法實現 有大量開放原始程式碼的策略可用於 實現。由於這些優點，基因學習 選擇優化RBGAF-SLAM的方法。 確定遺傳演算法的科技和相應的 參數，我們設計了遺傳學習方法 大滿貫。基因學習的總體設計是 如圖2所示。

正在翻譯中..

其它語言

本翻譯工具支援: 世界語, 中文, 丹麥文, 亞塞拜然文, 亞美尼亞文, 伊博文, 俄文, 保加利亞文, 信德文, 偵測語言, 優魯巴文, 克林貢語, 克羅埃西亞文, 冰島文, 加泰羅尼亞文, 加里西亞文, 匈牙利文, 南非柯薩文, 南非祖魯文, 卡納達文, 印尼巽他文, 印尼文, 印度古哈拉地文, 印度文, 吉爾吉斯文, 哈薩克文, 喬治亞文, 土庫曼文, 土耳其文, 塔吉克文, 塞爾維亞文, 夏威夷文, 奇切瓦文, 威爾斯文, 孟加拉文, 宿霧文, 寮文, 尼泊爾文, 巴斯克文, 布爾文, 希伯來文, 希臘文, 帕施圖文, 庫德文, 弗利然文, 德文, 意第緒文, 愛沙尼亞文, 愛爾蘭文, 拉丁文, 拉脫維亞文, 挪威文, 捷克文, 斯洛伐克文, 斯洛維尼亞文, 斯瓦希里文, 旁遮普文, 日文, 歐利亞文 (奧里雅文), 毛利文, 法文, 波士尼亞文, 波斯文, 波蘭文, 泰文, 泰盧固文, 泰米爾文, 海地克里奧文, 烏克蘭文, 烏爾都文, 烏茲別克文, 爪哇文, 瑞典文, 瑟索托文, 白俄羅斯文, 盧安達文, 盧森堡文, 科西嘉文, 立陶宛文, 索馬里文, 紹納文, 維吾爾文, 緬甸文, 繁體中文, 羅馬尼亞文, 義大利文, 芬蘭文, 苗文, 英文, 荷蘭文, 菲律賓文, 葡萄牙文, 蒙古文, 薩摩亞文, 蘇格蘭的蓋爾文, 西班牙文, 豪沙文, 越南文, 錫蘭文, 阿姆哈拉文, 阿拉伯文, 阿爾巴尼亞文, 韃靼文, 韓文, 馬來文, 馬其頓文, 馬拉加斯文, 馬拉地文, 馬拉雅拉姆文, 馬耳他文, 高棉文, 等語言的翻譯.