MétaCan
Menu
Retour à la cohorte
Enregistrement W1979560700 · doi:10.1115/detc2014-35082

Symbolic Formulation of a Path-Following Joint for Multibody Dynamics

2014· article· en· W1979560700 sur OpenAlexafffund
Andrew J. Hall, Chad Schmitke, John McPhee

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineEngineering
ThématiqueAdvanced Numerical Analysis Techniques
Établissements canadiensUniversity of Waterloo
Organismes subventionnairesNatural Sciences and Engineering Research Council of CanadaCanada Research Chairs
Mots-clésKinematicsParameterized complexityMultibody systemPath (computing)MathematicsOrdinary differential equationSpline (mechanical)Motion planningReduction (mathematics)PlanarComputer scienceDifferential equationMathematical analysisAlgorithmGeometryArtificial intelligenceClassical mechanicsRobotPhysics

Résumé

récupéré en direct d'OpenAlex

We present a specialized multibody joint that constrains motion to a spatial path. The joint is used in the reduction of 1 degree-of-freedom systems with complex kinematics. Example applications of the joint are: the reduction of vehicle suspension systems, or the representation of biological joints. The new joint is implemented in the graph-theoretic symbolic multibody modeling environment of MapleSim and is formulated in such a way that a single ordinary differential equation is used to describe the resulting kinematic pair. A particle moving along a planar semi-circular path was chosen as the first example for successful validation of the new joint since a simple closed-form solution in terms of the path length exists. To represent arbitrary curves, the path must first be parameterized in terms of its path length. Next, a differentiable mathematical definition of the curve must be generated. B-splines are generated to define the path. For best performance we minimize the number of knots in the splines and find their optimal locations. Using the spline fitting approach, a planar parabolic path is generated and used to further analyze the performance of our implementation.

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: aucune
GenreSignal candidat: Méthodes · Signal consensuel: aucune
Score de désaccord entre enseignants0,785
Score d'incertitude au seuil0,282

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 Opus0,007
Tête enseignante GPT0,239
Écart entre enseignants0,232 · 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
GenreMéthodes

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

En bref

Citations2
Publié2014
Routes d'admission2
Résumé présentoui

Explorer davantage

Même sujetAdvanced Numerical Analysis TechniquesTravaux en français237 207