MétaCan
Menu
Retour à la cohorte
Enregistrement W2007170601 · doi:10.1177/0278364906068942

Force Analysis of Connected Differential Mechanisms: Application to Grasping

2006· article· en· W2007170601 sur OpenAlexafffund
Lionel Birglen, Clément Gosselin

Notice bibliographique

RevueThe International Journal of Robotics Research · 2006
Typearticle
Langueen
DomaineEngineering
ThématiqueRobot Manipulation and Learning
Établissements canadiensPolytechnique MontréalUniversité Laval
Organismes subventionnairesNatural Sciences and Engineering Research Council of CanadaCanada Research Chairs
Mots-clésUnderactuationDifferential (mechanical device)ActuatorDegrees of freedom (physics and chemistry)Computer scienceControl theory (sociology)Control engineeringObject (grammar)RoboticsKey (lock)Mechanism (biology)Artificial intelligenceRobotEngineeringControl (management)Physics

Résumé

récupéré en direct d'OpenAlex

In this paper, a methodology is proposed for the analysis of the force capabilities of connected differential mechanisms. These systems are the key elements used to extend the principle of underactuation in grasping from the fingers to the hand itself. The concept of under-actuation in robotic grasping—with fewer actuators than degrees of freedom (DOF)—allows the hand to adjust itself to an irregularly shaped object without complex control strategies and sensors. Several technological solutions have been proposed in the past but no theoretical background has been provided to analyze their characteristics, especially with respect to the forces generated. The purpose of this paper is to provide such a theoretical foundation and to illustrate its usefulness with examples applied to grasping. First, several differential elements are presented and studied. Second, a mathematical method to obtain the output force capabilities of connected differential mechanisms is presented. Finally, the technique presented is applied to two types of underactuated robotic hands.

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: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,002
Score d'incertitude au seuil0,007

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0020,000
Études des sciences et des technologies0,0000,001
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,000
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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 Opus0,037
Tête enseignante GPT0,339
Écart entre enseignants0,302 · 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

Citations87
Publié2006
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueThe International Journal of Robotics ResearchMême sujetRobot Manipulation and LearningTravaux en français237 207