AMR robot的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列包括價格和評價等資訊懶人包

基於人體姿勢估計與機器學習的羽球球種分類

為了解決AMR robot的問題，作者Shiela Mecha Cabahug 這樣論述：

對教練和球員來說，識別羽球擊球動作對於評估技術技能和賽中表現分析至關重要。然而，純粹依靠人類的視覺和判斷是一項艱鉅的任務。本研究目標在使用人體姿態估計和機器學習去訓練個人和通用的羽球擊球分類模型。在本研究中，個人模型訓練了 11 個受試者的個人分類模型，而通用模型則以 10 個受試者的數據去做訓練和測試。這二個分類模型的數據特徵由 30 幀的 25 個身體姿態座標點組成。用來訓練分類模型的三種機器學習演算法分別是CNN、LSTM和CNN-LSTM。個人模型在 440 個數據樣本上使用 75:25 比例的訓練-測試拆分數據驗證集，具有 11 個分類動作的3 個模型的平均準確率分別為94.32%

、89.88% 和 89.51%。另一方面，通用模型使用 7 個受試者的數據作為訓練數據，3 個受試者的數據作為測試數據，分別對 11 個和 9 個動作進行分類。 CNN、LSTM 和 CNN-LSTM 演算法在具有 11 個動作分類的通用模型上的平均準確率分別為 83%、82% 和 74%。然而，在具有 9 個動作分類的通用模型的平均準確率分別為 90%、88% 和 87%。對 11 個和 9 個分類動作訓練好的 CNN 通用模型，準確率分別為 83% 和 90%，是用於預測 3 個測試對象的即時動作分類模型。我們使用即時擊球動作偵測算法去提取即時數據，在11個和9個分類動作的擊球偵測準確率

分別為 89.27% 和 92.11%。而對於 11 個和 9 個動作分類，訓練模型的即時平均準確率分別為 72.67% 和 75.00%。

基於可程式控制器之無人自走車與電梯整合系統

為了解決AMR robot的問題，作者阮翊翔 這樣論述：

隨著時代的進步與發展，各間公司也都邁向了工業4.0的腳步，而我所實習的信邦股份有限公司也正積極地邁向產線自動化，而其中無人自動搬運車正是其中之一。藉由無人自走車的導入希望可以降低由人力在倉庫與產線之間搬運所消耗之人力與搬運過人中所造成的人員受傷機會，而此電梯整合專案正是連結二樓倉庫與一樓工站之間的橋樑，讓無人自走車的搬運範圍不再受限於單一樓層，大幅度的擴大無人搬運車之運作範圍。因此在此使用PLC可程式編程控制器來達成電梯及無人自走車之間的溝通，以達成無人搬運車自行搭乘電梯的目的。