MétaCan
Menu
Retour à la cohorte
Enregistrement W1842991297 · doi:10.1109/cira.2001.1013197

Modeling and analysis of dynamic multi-agent planar manipulation

2002· article· en· W1842991297 sur OpenAlexaff
Qingguo Li, Shahram Payandeh

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineEngineering
ThématiqueRobot Manipulation and Learning
Établissements canadiensSimon Fraser University
Organismes subventionnairesnon disponible
Mots-clésControllabilityObject (grammar)Configuration spaceRigid bodyPosition (finance)Motion (physics)Control theory (sociology)Nonlinear systemOrientation (vector space)Computer sciencePlane (geometry)Contact forcePlanarState spaceSpace (punctuation)Control (management)Computer visionArtificial intelligenceMathematicsPhysicsClassical mechanicsGeometry

Résumé

récupéré en direct d'OpenAlex

A dynamic model for multi-agent manipulation is investigated under a nonlinear control framework. The motion of the rigid body on a plane under two-finger pushing is modeled as a nonlinear system. The local controllability is derived for different cooperation patterns. The motion of the rigid body under pushing is composed of two stages: during the first stage, the fingers maintain contact with the object, and through adjusting the pushing position, orientation and force on the object, the configuration of the object can reach some subsets in configuration space. Due to local contact constraints, the fingers may lose contact with the object where the second stage of motion starts. Here, the motion of the object is governed by the friction force only. Thus manipulation planning consists of two parts. First, an initial state response problem needs to be solved to find the subset of configuration space which can reach the final configuration under the friction-governed sliding. The remaining problem can be categorized as optimal control problem, which solves the cooperation between agents which force the object moving into the subset found by the initial state response problem. The possibility of cooperation is illustrated through an example.

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 distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,686
Score d'incertitude au seuil0,281

Scores Codex et Gemma par catégorie

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

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 Opus0,047
Tête enseignante GPT0,245
Écart entre enseignants0,199 · 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 tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
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
Publié2002
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetRobot Manipulation and LearningTravaux en français237 207