فایل پی دی اف کامل مقاله isi یک رویکرد یادگیری عمیق برای برآورد بخش حرکت برای روبات تشخیص نشت لوله PDF

توجه : این فایل به صورت فایل PDF (پی دی اف) ارائه میگردد

 فایل پی دی اف کامل مقاله isi یک رویکرد یادگیری عمیق برای برآورد بخش حرکت برای روبات تشخیص نشت لوله PDF دارای ۸ صفحه می باشد و دارای تنظیمات و فهرست کامل در PDF می باشد و آماده پرینت یا چاپ است

فایل پی دی اف فایل پی دی اف کامل مقاله isi یک رویکرد یادگیری عمیق برای برآورد بخش حرکت برای روبات تشخیص نشت لوله PDF  کاملا فرمت بندی و تنظیم شده در استاندارد دانشگاه  و مراکز دولتی می باشد.

توجه : در صورت  مشاهده  بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل می باشد و در فایل اصلی فایل پی دی اف کامل مقاله isi یک رویکرد یادگیری عمیق برای برآورد بخش حرکت برای روبات تشخیص نشت لوله PDF،به هیچ وجه بهم ریختگی وجود ندارد

بخشی از متن فایل پی دی اف کامل مقاله isi یک رویکرد یادگیری عمیق برای برآورد بخش حرکت برای روبات تشخیص نشت لوله PDF :

دانلود فایل پی دی اف کامل مقاله isi یک رویکرد یادگیری عمیق برای برآورد بخش حرکت برای روبات تشخیص نشت لوله PDF

زبان مقاله: انگلیسی
سال انتشار ۲۰۱۹

خلاصه
حرکت مسیر یک ربات می تواند یک اطلاعات ارزشمند برای برآورد بومی سازی سیستم رباتیک خودمختار باشد ،
به خصوص در محیط های بسیار پویا اما از لحاظ ساختاری شناخته شده مانند لوله های آب که در آن خوانش سنسور قابل اعتماد نیست.
تمرکز اصلی این تحقیق برآورد مکان روبات های مقیاس مزو با استفاده از یک بخش حرکت حرکتی مبتنی بر یادگیری است.
سیستم تشخیص از اندازه گیری های حسی ضبط شده در حالی که ربات از طریق سیستم لوله ای عبور می کند. این ایده مبتنی بر
طبقه بندی اندازه گیری حرکات ، به دست آمده توسط واحد اندازه گیری اینرسی (IMU) ، با بهره گیری از روش یادگیری عمیق.
ایده پیشنهادی و روش استفاده شده در بخش های مرتبط توضیح داده شده است و مشاهده شده است که شبکه عصبی حلقوی
روش بسیار قدرتمند برای غلبه بر غیرقابل اعتماد بودن داده های IMU است

Abstract
The trajectory motion of a robot can be a valuable information to estimate the localization of an autonomous robotic system,
especially in a very dynamic but structurally-known environments like water pipes where the sensor readings are not reliable. The
main focus of this research is to estimate the location of meso-scale robots using a deep-learning-based motion trajectory segment
detection system from recorded sensory measurements while the robot travels through a pipe system. The idea is based on the
classification of the motion measurements, acquired by inertial measurement unit (IMU), by exploiting the deep learning approach.
Proposed idea and utilized methodology are explained in the related sections and it is observed that convolutional neural network
approach is quite powerful to overcome the unreliability of IMU data