A shunting equation based on the me

A shunting equation based on the membrane equation by Hodgkin and Huxley [63] determines the dynamics of each neuron
in the network. The activity landscape (i.e., the output value of all neurons at a given instant) of the shunting model used attracts the robot to unclean areas, while the robot is repulsed by already cleaned areas and obstacles. The next position of the robot is determined by the current position of the robot and the activity of the neuron associated to its current position, without any prior knowledge about the environment. It is assumed that the current state of the robot (if it is in a clean or dirty area, or in front of an obstacle, and its location) can be determined via sensory information. The state of the robot is an input to the neural network. The model used has 6 parameters that can be tuned in a wide range of values at the neural network design phase, and hence coverage is achieved without any learning procedures. An advantage of this method is that it
can handle non-stationary environments (i.e., dynamically changing obstacles). The proposed neural network approach is validated in simulation. In [64] further simulation results are presented as well as a method to perform mapping on-line simultaneously with coverage navigation. In this later work, they consider a typical gridbased map and also a triangular mesh representation of the space, such as the one used in [54].

Kết quả (Việt) 1:

Một phương trình shunting dựa trên phương trình màng của Hodgkin và Huxley [63] xác định các động thái của mỗi tế bào thần kinhtrong mạng. Cảnh quan hoạt động (tức là, giá trị sản lượng của tất cả các tế bào thần kinh tại một tức thì nhất định) của các mô hình shunting sử dụng thu hút các robot để khu vực ô uế, trong khi các robot đẩy lùi bởi đã làm sạch khu vực và những trở ngại. Vị trí tiếp theo của các robot được xác định bởi vị trí hiện tại của các robot và các hoạt động của tế bào thần kinh liên quan đến vị trí hiện tại của nó, mà không có bất kỳ kiến thức sẵn có về môi trường. Người ta cho rằng nhà nước hiện nay của các robot (nếu nó là trong một khu vực sạch hay bẩn, hoặc ở phía trước của một trở ngại, và vị trí của nó) có thể được xác định thông qua thông tin cảm giác. Nhà nước của các robot là một đầu vào cho mạng nơ-ron. Các mô hình được sử dụng có thông số 6 mà có thể được điều chỉnh trong một loạt các giá trị ở giai đoạn thiết kế mạng nơ-ron, và do đó đạt được bảo hiểm mà không có bất kỳ thủ tục học tập. Một lợi thế của phương pháp này là nócó thể xử lý môi trường tông (tức là, tự động thay đổi chướng ngại vật). Mạng nơ-ron đề xuất phương pháp tiếp cận được soát hợp thức trong mô phỏng. [64] thêm kết quả mô phỏng được trình bày cũng như một phương pháp để thực hiện lập bản đồ trực tuyến cùng một lúc với phạm vi bảo hiểm điều hướng. Trong tác phẩm sau này, họ xem xét bản đồ gridbased điển hình và cũng là một đại diện hình tam giác lưới của không gian, chẳng hạn như được sử dụng trong [54].

Kết quả (Việt) 2:

Một phương trình shunting dựa trên phương trình màng bởi Hodgkin và Huxley [63] xác định các động thái của mỗi nơron
trong mạng. Các cảnh quan hoạt động (ví dụ, giá trị sản lượng của tất cả các tế bào thần kinh tại một khoảnh khắc nào đó) của các mô hình shunting sử dụng thu hút các robot đến các khu vực ô uế, trong khi robot được đẩy lùi bởi các khu vực đã được làm sạch và trở ngại. Các vị trí tiếp theo của robot được xác định bởi vị trí hiện tại của robot và các hoạt động của các tế bào thần kinh liên quan đến vị trí hiện tại của mình, mà không cần bất kỳ kiến thức trước về môi trường. Người ta cho rằng tình trạng hiện tại của robot (nếu nó đang ở trong một khu vực sạch sẽ hay dơ bẩn, hoặc ở phía trước của một vật cản, và vị trí của nó) có thể được xác định thông qua thông tin cảm giác. Các trạng thái của robot là một đầu vào cho hệ thống thần kinh. Các mô hình được sử dụng có 6 tham số có thể được điều chỉnh trong một loạt các giá trị ở giai đoạn thiết kế mạng lưới thần kinh, và do đó phạm vi bảo hiểm được thực hiện mà không có bất kỳ thủ tục học tập. Một lợi thế của phương pháp này là nó
có thể xử lý môi trường không cố định (tức là, thay đổi động vật cản). Các phương pháp tiếp cận đề xuất mạng lưới thần kinh được xác nhận trong mô phỏng. Trong [64] kết quả mô phỏng tiếp tục được trình bày như là cũng như một phương pháp để thực hiện lập bản đồ trên mạng đồng thời với chuyển hướng bao phủ. Trong tác phẩm này sau đó, họ xem xét một bản đồ gridbased điển hình và cũng là một đại diện lưới tam giác của không gian, chẳng hạn như sử dụng trong [54].