This paper presents a comparison of

This paper presents a comparison of two approaches for detecting unknown obstacles inside the workspace of an industrial robot using a laser rangefinder for 2-D measurements. The two approaches are based on Expert System (ES) and Hidden Markov Model (HMM). The results presented in the paper demonstrate that both approaches are able to correctly detect and classify unknown objects. The ES is characterised by low computational requirements and an easy setup when relatively few known objects are to be included inside the workspace. HMMs are characterised by a higher flexibility and the ability to handle a larger amount of known objects inside the workspace. Another significant benefit of the HMM approach taken in this paper, in contrast to voice recognition, is the fact that the learnt parameters of the HMMs have physical meaningful geometrical interpretations.

Results (Thai) 1:

นี้นำเสนอกระดาษเปรียบเทียบของทั้งสองวิธีการตรวจหาอุปสรรคที่ไม่รู้จักภายในพื้นที่ทำงานของหุ่นยนต์อุตสาหกรรมโดยใช้เรนจ์ไฟเลเซอร์สำหรับการตรวจวัดแบบ 2 มิติ ทั้งสองวิธีจะขึ้นอยู่กับระบบผู้เชี่ยวชาญ (ES) และ Hidden Markov Model (HMM) ผลที่นำเสนอในกระดาษที่แสดงให้เห็นว่าทั้งสองวิธีมีความสามารถในการตรวจสอบอย่างถูกต้องและวัตถุที่ไม่รู้จักประเภท ES มีเอกลักษณ์เฉพาะด้วยการคำนวณความต้องการต่ำและการติดตั้งง่ายเมื่อวัตถุที่เป็นที่รู้จักค่อนข้างน้อยจะได้รับการรวมอยู่ภายในพื้นที่ทำงาน HMMs ที่โดดเด่นด้วยความยืดหยุ่นที่สูงขึ้นและความสามารถในการจัดการกับปริมาณของวัตถุที่รู้จักกันภายในพื้นที่ทำงาน อีกประโยชน์ที่สำคัญของวิธีการอืมที่ถ่ายในบทความนี้ในทางตรงกันข้ามกับการจดจำเสียง

Results (Thai) 2:

กระดาษนี้จะนำเสนอการเปรียบเทียบสองวิธีในการตรวจจับสิ่งกีดขวางที่ไม่รู้จักภายในพื้นที่ทำงานของหุ่นยนต์อุตสาหกรรมโดยใช้เลเซอร์สำหรับการวัด2มิติ วิธีการทั้งสองจะขึ้นอยู่กับระบบผู้เชี่ยวชาญ (ES) และแบบซ่อน Markov รุ่น (HMM) ผลลัพธ์ที่แสดงในกระดาษแสดงให้เห็นว่าวิธีทั้งสองสามารถตรวจจับและจัดประเภทวัตถุที่ไม่รู้จักได้อย่างถูกต้อง ES มีลักษณะตามความต้องการในการคำนวณต่ำและการติดตั้งง่ายเมื่อวัตถุที่รู้จักกันค่อนข้างน้อยจะรวมอยู่ในพื้นที่ทำงาน HMMs มีลักษณะที่มีความยืดหยุ่นสูงและความสามารถในการจัดการกับวัตถุที่รู้จักกันมากขึ้นภายในพื้นที่ทำงาน อีกประโยชน์หนึ่งที่สำคัญของวิธีการ HMM ที่ถ่ายในกระดาษนี้ในทางตรงกันข้ามกับการจดจำเสียงคือความจริงที่ว่าพารามิเตอร์ที่ได้เรียนรู้ของ Hmm มีการตีความทางกายภาพที่มีความหมาย

Results (Thai) 3:

สองวิธีการวัดอุปสรรคที่ไม่รู้จักในพื้นที่ทำงานของหุ่นยนต์อุตสาหกรรมโดยใช้เลเซอร์ rangefinder เปรียบเทียบ ทั้งสองวิธีจะขึ้นอยู่กับระบบผู้เชี่ยวชาญและแบบจำลองฮิดเดนมาร์คอฟตามลำดับ ผลที่ได้แสดงให้เห็นว่าทั้งสองวิธีสามารถตรวจจับและจำแนกเป้าหมายที่ไม่รู้จักได้อย่างถูกต้อง และมีลักษณะโดยการคำนวณความต้องการต่ำและการตั้งค่าง่ายเมื่อพื้นที่ทำงานมีค่อนข้างน้อยที่รู้จักวัตถุ hmms มีความยืดหยุ่นมากขึ้นและความสามารถในการจัดการกับจำนวนมากของวัตถุที่รู้จักกันในพื้นที่ทำงาน เมื่อเทียบกับการรู้จำเสียงพูดอีกประโยชน์ที่โดดเด่นของวิธีการที่ใช้ในวิทยานิพนธ์นี้คือการเรียนรู้พารามิเตอร์ของอืมมีการตีความทางเรขาคณิตในความหมายทางกายภาพ