Dieser Abschnitt präsentiert eine Analyse der Ergebnisse, die mit der vorgeschlagenen Methode für HOSBOT und TIAGo in einer simulierten Krankenhausumgebung erzielt wurden. Beispielsweise zeigt Figur 5 repräsentativ die Trajektorien von HOSBOT während der Durchführung der vorgeschlagenen Tests bei Geschwindigkeit \(v_0\). Es werden Beispiele für Trajektorien von NO, von SO mit einem statischen Hindernis der Größe \(\hbox {S}_{2}\), von \(\hbox {SO}_{\mathbin {\!/\hspace{-2.77771pt}/\!}}\) mit Hindernissen der Größe \(\hbox {S}_{1}\) und von \(\hbox {SO}_{\perp }\) mit Hindernissen der Größe \(\hbox {S}_{1}\) gezeigt. HOSBOT versucht, einen Pfad zu planen und auszuführen, selbst in Anwesenheit von Hindernissen entlang seines Weges. Es ist wichtig, dass der Roboter das Ziel erreicht und mögliche Kollisionen vermeidet.
In Abbildung 6 werden die Mittelwerte und Konfidenzintervalle der vorgeschlagenen Kennzahlen bei \(v_0\), \(v_1\), \(v_2\) für beide AMRs gezeigt. Die Ergebnisse zeigen, dass die CT in NO für beide Roboter abnimmt, wenn die Geschwindigkeit erhöht wird. Die PL für HOSBOT ist in den drei getesteten Geschwindigkeiten in der NO-Bedingung größer als die für TIAGo. Es wurde auch festgestellt, dass Fehler in der Positionierung am höchsten sind, wenn die Geschwindigkeit steigt, und die Genauigkeit am höchsten ist, wenn die Geschwindigkeit bei \(v_1\) liegt. Beide Roboter waren in der Lage, alternative Routen zu berechnen, um das Ziel ohne Kollisionen zu erreichen. Der CT nimmt mit der Komplexität der Umgebung zu.
In einer komplexen Umgebung kann der geplante Pfad unregelmäßig oder sogar unmöglich zu verfolgen sein. Die Mobilitätsbasis muss in der Lage sein, ihren Pfad in Echtzeit anzupassen, um Hindernissen auszuweichen, was zu einem Anstieg des CT, SR und PL führt. Die Anpassungsfähigkeit der Navigation und die hohe Bedeutung der Sicherheit sind äußerst wichtig, insbesondere in sensiblen Kontexten wie Krankenhäusern. Die erreichten Ergebnisse betonen die Bedeutung der Umgebungsgröße im Verhältnis zu den Abmessungen des Roboters für die Manövrierfähigkeit. Indikatoren korrelieren miteinander, was auf potenzielle Abhängigkeiten zwischen den Leistungsmerkmalen hinweist und die Bedeutung einer robusten Navigation betont. Die Ergebnisse zeigen auch, dass das Tempo als entscheidende Variable betrachtet werden sollte, insbesondere in Umgebungen, wo Genauigkeit wichtig ist. Es ist wichtig, die Navigation so zu optimieren, dass Kollisionen vermieden und ein sehr hoher Erfolgsanteil sichergestellt werden können. Die gezeigten Ergebnisse ermöglichen einen tieferen Einblick in die Leistung von Robotern in Krankenhausszenarien und helfen bei der Optimierung von Navigationalgorithmen.