یک موتور تصمیم برای رفتار توام با همکاری روبات فوتبالیست با استفاده از استدلال مبتنی بر مورد فازی

سال انتشار: 1387
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 1,143

فایل این مقاله در 8 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

ACCSI14_218

تاریخ نمایه سازی: 26 مهر 1387

چکیده مقاله:

طراحی موتور تصمیم گیری و هدایت یک تیم از روبات ها ماموریتی چالش انگیز و پیچیده است. به فقط به خاطر پیچیدگی محیط که روبات ها معمولا در آن فعالیت می کنند و شامل عدم قطعیت، پویایی و عدم دقت است. بلکه به این دلیل که علاوه بر مسائل مذکور هماهنگی تیمی نیز باید در این طراحی منظور گردد. در کنار این، تصمیمات باید به صورت بلادرنگ و با توجه به منابع محاسباتی محدود اتخاذ گردند . این مقاله یک رویکرد مبتنی بر مورد جدید برای تصمیم گیری راجع به انتخاب کنش ، هدایت و همکاری در روبات های یک تیم اعطا می کند. این رویکرد در نماینده ای از حوزه روبات های فوتبالیست به کار گرفته و ارزیابی شده است. ما برخی از وی‍ژگی های موردها را به صورت فازی در نظر گرفته ایم تا نه تنها بر مسائل عدم قطعیت و عدم صراحت فائق آییم، بلکه میزان تجارب قابل ذخیره را به صورت مفیدی تقلیل دهیم. نهایتا رویکرد پیشنهادی ( FCBR ) را در شبیه سازی بصورت تجربی مورد ارزیابی قرار دادیم و آن را با یک رویکرد مبتنی بر ناحیه ( واکنشی ) مقایسه نمودیم. نتایج حاکی از آن است که رویکرد پیشنهادی نه تنها رویکرد واکنشی را در کارایی پشت سر می گذارد بلکه تیم را جهت در پیش گرفتن رفتارهای توام با همکاری تقویت می کند.

کلیدواژه ها:

نویسندگان

سید واحد موسوی

دانشگاه آزاد قزوین

سعید شیری قیداری

دانشگاه امیرکبیر

محمد مهدی عباد زاده

دانشگاه امیرکبیر

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • . A. Aamodt and E. Plaza. Case-based reasoning: Foundational issues, ...
  • A. Karol, B. Nebel, C. Stanton, and M. - A. ...
  • C. Marling, M. Tomoko, M. Gillen, D. Alexander, and D.chelberg. ...
  • T. Steffens. Adapting s i m i larity-measures to agent ...
  • M.Ahmadi and , A.Lamjiry , M.M.Nevisi , J.Habibi , and ...
  • R. Ros, M. Veloso, R. L opez de M antaras, ...
  • . Ros, R., Arcos, J.L.: Acquiring a Robust Case Base ...
  • Wendler, J., Bach, J.: Recognizing and Predicting Agent Behavior with ...
  • R. C Schank. Dynamic Memory: A theory of Reminding and ...
  • R. Lopez. De Mantaras, D. Mcsherry, D. Bridge D. Leake, ...
  • T. Rofer, T. Laue, and M. W. et al. Germanteam ...
  • _ L. Sng, G. S., and C. H. Messom. Strategy ...
  • P. Stone, M. Sridharan, D. Stronger, G. Kuhlmann, N. Kohl, ...
  • _ Obset and J. Boedecker. Flexible coordination of multiagent team ...
  • Y.Duan, Q.Liu, and X. Xu. Application of reinforcement learning in ...
  • Y.-s. Lin, Liu, and K.-Y. chen. A hybrid architecture of ...
  • S. Konur, A. Ferrein, and G. Lakemeyer. Learning decision trees ...
  • O. Obset and J. Boedecker. Flexible coordination of multiagent team ...
  • G .Fraser and F.Wotawa. Cooperative planning and plan execution in ...
  • . The RoboCup Federation: Official Website URL: ...
  • نمایش کامل مراجع