MétaCan
Menu
Retour à la cohorte
Enregistrement W1971952044 · doi:10.5302/j.icros.2012.18.6.579

Incremental Displacement Estimation Algorithm for Real-Time Structural Displacement Monitoring

2012· article· en· W1971952044 sur OpenAlexaff
Haemin Jeon, Jae-Uk Shin, Wancheol Myeong, Hyun Myung

Notice bibliographique

RevueJournal of Institute of Control Robotics and Systems · 2012
Typearticle
Langueen
DomaineEngineering
ThématiqueStructural Health Monitoring Techniques
Établissements canadiensKootenay Association for Science & Technology
Organismes subventionnairesnon disponible
Mots-clésDisplacement (psychology)AlgorithmComputationExtended Kalman filterRotation (mathematics)Kalman filterComputer scienceIterative methodMathematicsComputer visionArtificial intelligence

Résumé

récupéré en direct d'OpenAlex

The purpose of this paper is to suggest IDE (Incremental Displacement Estimation) algorithm for the previously proposed visually servoed paired structured light system. The system is composed of two sides facing with each other, each with one or two lasers with a 2-DOF manipulator, a camera, and a screen. The 6-DOF displacement between two sides can be estimated by calculating the positions of the projected laser beams and rotation angles of the manipulators. In the previous study, Newton-Raphson or EKF (Extended Kalman Filter) has been used as an estimation algorithm. Although the various experimental tests have validated the performance of the system and estimation algorithms, the computation time is relatively long since aforementioned algorithms are iterative methods. Therefore, in this paper, a non-iterative incremental displacement estimation algorithm which updates the previously estimated displacement with a difference of the previous and the current observed data is introduced. To verify the performance of the algorithm, experimental tests have been performed. The results show that the proposed non-iterative algorithm estimates the displacement with the same level of accuracy compared to the EKF with multiple iterations with significantly less computation time.

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)0,001
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: Empirique
Score de désaccord entre enseignants0,209
Score d'incertitude au seuil0,563

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
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 Opus0,016
Tête enseignante GPT0,287
Écart entre enseignants0,271 · 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

Citations0
Publié2012
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Institute of Control Robotics and SystemsMême sujetStructural Health Monitoring TechniquesTravaux en français237 207