Enhanced Detection Classification via Clustering SVM for Various Robot Collaboration Task

要約

カーブ交渉中の様々な複数のロボットに対する、高度で迅速なパターン認識戦略を紹介する。この方法は、高度なk-meansクラスタリング強化サポートベクターマシンアルゴリズムを活用し、ロボットを飛行ロボットと移動ロボットに明確に分類する。最初に、このパラダイムは、ロボットの位置と特徴を、発散するロボットのパターンを示す本質的なパラメータとして考慮する。その後、k-meansクラスタリング技術を採用することで、ロボットデータの効率的な分離と統合を促進し、サポートベクトルの定義プロセスを大幅に最適化し、認識フェーズを迅速化する。この準備段階に続いて、SVM手法を巧みに適用して識別超平面を構築し、ロボットカテゴリの正確な分類と予後予測を可能にする。従来のSVMアプローチに対するk-meansフレームワークの有効性と優位性を立証するために、厳密な交差検証実験を実施し、ロボットグループ分類におけるk-meansフレームワークの性能向上を証明した。

要約(オリジナル)

We introduce an advanced, swift pattern recognition strategy for various multiple robotics during curve negotiation. This method, leveraging a sophisticated k-means clustering-enhanced Support Vector Machine algorithm, distinctly categorizes robotics into flying or mobile robots. Initially, the paradigm considers robot locations and features as quintessential parameters indicative of divergent robot patterns. Subsequently, employing the k-means clustering technique facilitates the efficient segregation and consolidation of robotic data, significantly optimizing the support vector delineation process and expediting the recognition phase. Following this preparatory phase, the SVM methodology is adeptly applied to construct a discriminative hyperplane, enabling precise classification and prognostication of the robot category. To substantiate the efficacy and superiority of the k-means framework over traditional SVM approaches, a rigorous cross-validation experiment was orchestrated, evidencing the former’s enhanced performance in robot group classification.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL