TL;DR
- چکیده:.
- با تقاضای فزاینده برای دادههای در مقیاس بزرگ و با کیفیت بالا در سیستمهای هوشمند لبه،.
- روباتهای متحرک بهطور فزایندهای برای جمعآوری دادهها بهطور فعال،.
چه اتفاقی افتاد
چکیده:. با تقاضای فزاینده برای دادههای در مقیاس بزرگ و با کیفیت بالا در سیستمهای هوشمند لبه،.
روباتهای متحرک بهطور فزایندهای برای جمعآوری دادهها بهطور فعال،. بهویژه در محیطهای پیچیده،.
مستقر میشوند. با این حال،.
روشهای جمعآوری دادههای موجود به کمک ربات با چالشهای مهمیدر دستیابی به عملکرد قابل اعتماد و کارآمد،. بهویژه در محیطهای غیرخط دید (NLoS) روبرو هستند.
این مقاله یک طرح ناوبری خودمختار مبتنی بر ارتباط و یادگیری (CLD) را پیشنهاد میکند که ویژگیهای انتشار. آگاه از منطقه و یک نمایش ربات غیر جرمیرا در بر میگیرد.
این طرح بهینهسازی همزمان جهت یابی، ارتباطات و عملکرد یادگیری را امکان پذیر میکند. یک الگوریتم کارآمد بر اساس عمدهسازی-به حداقل رساندن (MM) برای حل مشکل CLD غیر محدب و غیر صاف.
پیشنهاد شدهاست. نتایج شبیهسازی نشان میدهد که پیشنهاد شده است این طرح در ناوبری جلوگیری از برخورد،.
جمعآوری دادهها و آموزش مدلها در مقایسه با روشهای معیار،. به عملکرد برتر دست مییابد.
همچنین نشان داده شده است که CLD میتواند با تنظیم انعطافپذیر فاکتور وزن در میان اهداف ناوبری،. ارتباط و یادگیری با سناریوهای مختلف سازگار شود.
صفحه، 9 شکل، ارسال شده به کنفرانس بین المللی ارتباطات IEEE (ICC) 2026 رباتیک (cs. RO)؛ پردازش سیگنال (eess.
SP) استناد بهعنوان: (یا v1 [cs. RO] برای این نسخه) https:.
// شده توسط arXiv از طریق DataCite (در انتظار ثبت نام) تاریخچه ارسال از:. Tingting Huang [مشاهده ایمیل] [v1] شنبه،.
4 آوریل 2026،. 07:.
40:. 26 UTC (532 KB).
چرا مهم است
اهمیت این خبر در این است که روی استفاده واقعی از AI و تصمیمگیری سازمانی اثر میگذارد.
منبع
لینک منبع اصلی در کارت و صفحه مقاله نمایش داده میشود.