Absolute accuracy analysis and improvement of a hybrid 6-DOF medical robot
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Purpose – The purpose of this paper is to describe a calibration method developed to improve the accuracy of a six degrees-of-freedom medical robot. The proposed calibration approach aims to enhance the robot’s accuracy in a specific target workspace. A comparison of five observability indices is also done to choose the most appropriate calibration robot configurations. Design/methodology/approach – The calibration method is based on the forward kinematic approach, which uses a nonlinear optimization model. The used experimental data are 84 end-effector positions, which are measured using a laser tracker. The calibration configurations are chosen through an observability analysis, while the validation after calibration is carried out in 336 positions within the target workspace. Findings – Simulations allowed finding the most appropriate observability index for choosing the optimal calibration configurations. They also showed the ability of our calibration model to identify most of the considered robot’s parameters, despite measurement errors. Experimental tests confirmed the simulation findings and showed that the robot’s mean position error is reduced from 3.992 mm before calibration to 0.387 mm after, and the maximum error is reduced from 5.957 to 0.851 mm. Originality/value – This paper presents a calibration method which makes it possible to accurately identify the kinematic errors for a novel medical robot. In addition, this paper presents a comparison between the five observability indices proposed in the literature. The proposed method might be applied to any industrial or medical robot similar to the robot studied in this paper.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
score_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