MétaCan
Menu
Retour à la cohorte
Enregistrement W1637334143 · doi:10.1109/sice.2015.7285330

Robust control of large-scale prototypes for miniaturized optical image stabilizers with product variations

2015· article· en· W1637334143 sur OpenAlexaff
Pan Zhao, Alireza Alizadegan, Ryozo Nagamune, Mu Chiao

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineComputer Science
ThématiqueImage and Video Stabilization
Établissements canadiensUniversity of British Columbia
Organismes subventionnairesnon disponible
Mots-clésShakeController (irrigation)Computer scienceLens (geology)Robust controlParametric statisticsControl theory (sociology)Compensation (psychology)Set (abstract data type)Scale (ratio)Control engineeringEngineeringControl systemArtificial intelligenceControl (management)MathematicsMechanical engineering

Résumé

récupéré en direct d'OpenAlex

This paper presents robust control of large-scale prototypes for miniaturized optical image stabilizers (OIS's) with product variations. Based on the conceptual design of a miniaturized lens-tilting OIS for mobile applications, large-scale 3-DOF prototypes are fabricated as a proof of concept. Variations in geometrical parameter of the lens platform are produced to mimic unavoidable product variations in fabrication of the micro-scale devices. Using frequency response data, a model set with real parametric uncertainty is developed to represent the dynamics of the prototypes under product variations and force unbalance. A robust controller for the model set is designed based on μ-synthesis, and the closed-loop performance of hand shake compensation is verified experimentally on the prototypes. Experimental results show that the designed robust controller outperforms the classical controller consisting of lead-lag compensators and notch filters in compensating lens vibrations caused by involuntary hand shake while taking photos.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,001
Score d'incertitude au seuil0,003

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0010,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,023
Tête enseignante GPT0,256
Écart entre enseignants0,233 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations7
Publié2015
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetImage and Video StabilizationTravaux en français237 207