U ovom radu prikazujemo pristup analizi performansi robota koji kombinuje dva komplementarna koncepta: fuzzy grafove i Fuzzy C-Means (FCM) algoritam. Cilj rada je pokazati kako se tačnost i ponovljivost robota mogu objediniti u jedinstvenu mjeru pouzdanosti, te kako se ta mjera može dalje koristiti u formiranju fuzzy indeksa sličnosti između robota.
Primijenjen na skupu od 16 simuliranih robota, FCM algoritam formira četiri jasno razdvojena klastera s prosječnom pripadnošću od 0.97. Dobivene vrijednosti pripadnosti koriste se kao fuzzy težine za konstrukciju fuzzy grafa, čija analiza pokazuje da se, za prag sličnosti 𝜏=0.95 struktura mijenja sa četiri na šest klastera, a 87.5% robota ostaje povezano u stabilnim podgrupama.
Na taj način omogućeno je dublje razumijevanje odnosa između robota – s jedne strane kroz grafovsku strukturu s fuzzy težinama, a s druge strane kroz grupisanje robota na osnovu fuzzy pripadnosti klasterima. Ovakav hibridni pristup doprinosi boljem sagledavanju strukture performansi i može imati praktičnu primjenu u održavanju robota i alokaciji zadataka.
This is an open access article distributed under the Creative Commons Attribution License which permits unrestricted use, distribution, and reproduction in any medium, provided the original work is properly cited.
The statements, opinions and data contained in the journal are solely those of the individual authors and contributors and not of the publisher and the editor(s). We stay neutral with regard to jurisdictional claims in published maps and institutional affiliations.