Submitted 1 September, 2024; originally announced September 2024. , Comments: 8 pages, 4 figures. Submitted to IEEE Robotics and Automation Letters (RA-L) , ACM Class: I.2.8; I.2.9; I.2.10
توضیحات به فارسی
ارسال 1 سپتامبر 2024 ؛در ابتدا در سپتامبر 2024 اعلام شد ، نظرات: 8 صفحه ، 4 شکل.ارسال شده به IEEE Robotics and Automation Letters (RA-L) ، کلاس ACM: I.2.8 ؛I.2.9 ؛I.2.10
کتاب پرسش و پاسخ چهارگزینهای – نسخه یادگیری سریع
— پاسخها بلافاصله بعد از سؤال برای مرور سریع
مشاهده نمونه نسخه کوییز سریع
کتاب پرسش و پاسخ چهارگزینهای – نسخه خودآزمایی
— پاسخها در انتهای بخشها برای سنجش واقعی یادگیری
مشاهده نمونه نسخه آزمونی
🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتابها، تمرینها و خودآزمایی.
ℹ️ نکات مهم هنگام خرید
این محصول به صورت فایل دانلودی کامل ارائه میشود.
توجه: لینکهای اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال میشوند.
دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینکها را دریافت نکردهاید، نام و نام خانوادگی و نام محصول را پیامک کنید تا
لینکها دوباره ارسال شوند.
💬 راههای ارتباطی پشتیبانی: واتساپ یا هر پیام رسان داخلی یا پیامک:
09395106248 تلگرام: @ma_limbs
چکیده
Traversability assessment of deformable terrain is vital for safe rover navigation on planetary surfaces. Machine learning (ML) is a powerful tool for traversability prediction but faces predictive uncertainty. This uncertainty leads to prediction errors, increasing the risk of wheel slips and immobilization for planetary rovers. To address this issue, we integrate principal approaches to uncertainty handling -- quantification, exploitation, and adaptation -- into a single learning and planning framework for rover navigation. The key concept is \emph{deep probabilistic traversability}, forming the basis of an end-to-end probabilistic ML model that predicts slip distributions directly from rover traverse observations. This probabilistic model quantifies uncertainties in slip prediction and exploits them as traversability costs in path planning. Its end-to-end nature also allows adaptation of pre-trained models with in-situ traverse experience to reduce uncertainties. We perform extensive simulations in synthetic environments that pose representative uncertainties in planetary analog terrains. Experimental results show that our method achieves more robust path planning under novel environmental conditions than existing approaches.
چکیده به فارسی (ترجمه ماشینی)
ارزیابی قابلیت عبور از زمین تغییر شکل برای ناوبری روور ایمن در سطوح سیاره ای بسیار مهم است.یادگیری ماشین (ML) ابزاری قدرتمند برای پیش بینی قابلیت عبور است اما با عدم اطمینان پیش بینی شده روبرو است.این عدم اطمینان منجر به خطاهای پیش بینی ، افزایش خطر لغزش چرخ و بیحرکتی برای روورهای سیاره ای می شود.برای پرداختن به این موضوع ، ما رویکردهای اصلی برای رسیدگی به عدم اطمینان - کمیت ، بهره برداری و سازگاری - را در یک چارچوب یادگیری و برنامه ریزی واحد برای ناوبری روور ادغام می کنیم.مفهوم کلیدی \ empl {قابلیت عبور احتمالی عمیق} است ، و اساس یک مدل ML احتمالی نهایی به انتهایی را تشکیل می دهد که توزیع لغزش را مستقیماً از مشاهدات عبور از مریخ نورد پیش بینی می کند.این مدل احتمالی عدم قطعیت در پیش بینی لغزش را تعیین می کند و از آنها به عنوان هزینه های قابل عبور در برنامه ریزی مسیر بهره برداری می کند.طبیعت پایان به پایان آن همچنین اجازه می دهد تا از مدل های از قبل آموزش دیده با تجربه گذرگاه در محل برای کاهش عدم قطعیت استفاده کند.ما شبیه سازی های گسترده ای را در محیط های مصنوعی انجام می دهیم که عدم قطعیت های نماینده در زمین های آنالوگ سیاره ای را نشان می دهد.نتایج تجربی نشان می دهد که روش ما به برنامه ریزی مسیر قوی تر در شرایط جدید محیطی نسبت به رویکردهای موجود دست می یابد.
📚 محتوای این محصول آموزشی (پکیج کامل)
علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیقتر و تسلط کامل بر مباحث مجموعهای از کتابهای آموزشی نیز ارائه میشود.
کتاب پرسش و پاسخ چهارگزینهای – نسخه یادگیری سریع
— پاسخها بلافاصله بعد از سؤال برای مرور سریع
مشاهده نمونه نسخه کوییز سریع
کتاب پرسش و پاسخ چهارگزینهای – نسخه خودآزمایی
— پاسخها در انتهای بخشها برای سنجش واقعی یادگیری
مشاهده نمونه نسخه آزمونی
🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتابها، تمرینها و خودآزمایی.
ℹ️ نکات مهم هنگام خرید
این محصول به صورت فایل دانلودی کامل ارائه میشود.
توجه: لینکهای اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال میشوند.
دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینکها را دریافت نکردهاید، نام و نام خانوادگی و نام محصول را پیامک کنید تا
لینکها دوباره ارسال شوند.
💬 راههای ارتباطی پشتیبانی: واتساپ یا هر پیام رسان داخلی یا پیامک:
09395106248 تلگرام: @ma_limbs
