Trajectory learning using posterior hidden Markov model state distribution

بسیاری از برنامه های کاربردی زندگی بسیار وابسته به استفاده از روبات ها هستند، بنابراین انسان ها در حال تلاش برای ایجاد روبات های کارآمد هستند. یادگیری ربات برای بدست آوردن دانش اضافی برای دستیابی به پیکربندی عینی است. علاوه بر این، یادگیری ربات از تظاهرات، این است که در مورد آموزش ربات نحوه انجام کار خاص با هدایت انسان انجام شود. تا کنون، یادگیری از تظاهرات به اطلاعات گسسته بستگی دارد که ممکن است باعث تحریف در نتیجه یادگیری شود. بنابراین، مرحله پیش پردازش داده ها لزوما برای رسیدگی به این اعوجاج است. در این مقاله، ما یک طرح جدید برای تولید یک مسیر عمومی را با استفاده از مجموعه ای از مسیرهای نشان داده شده پیشنهاد می کنیم. چنین داده هایی که قبل از پردازش داده شده است در ابتدا به جای داده های خام مورد استفاده قرار می گیرد، پیش پردازش با استفاده از توزیع حالت حالت پنهان مارکف مخفی پنهان انجام می شود. بقیه مدل بر اساس مجموعه ای از نکات کلیدی شناسایی شده برای هر تظاهرات است. طرح پیشنهادی ما با تجربیات قبلی در مقایسه با آثار قبلی مقایسه شده است. نتایج نشان می دهد که طرح پیشنهادی ما قادر به کاهش خطا در مقایسه با سایر طرح های اخیر با هزینه های محاسباتی افزایشی ناچیز است.