Calibration of wheeled mobile robots with differential drive mechanisms: an experimental approach
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
SUMMARY Exact knowledge of the position and proper calibration of robots that move by wheels form an important foundation in mobile robot applications. In this context, a variety of sensory systems and techniques have been developed for accurate positioning of differential drive mobile robots. This paper, first, provides a brief overview of mobile robots positioning techniques and then, presents a new benchmark method capable of calibrating mobile robots with differential drive mechanisms to correct systematic errors. The proposed method is compared with the commonly used University of Michigan Benchmark (UMBmark) odometry method. Two sets of comparisons are conducted on six prototyped robots with differential drives. The first set of tests establishes the workability and accuracy that can be achieved with the new method and compares them with the ones obtained from the UMBmark technique. The second experiment compares the performance of a mobile robot, calibrated with either the UMBmark or the new method, for an unseen path. It is demonstrated that the proposed method of calibration is simple to implement, and leads to accuracy comparable to the UMBmark method. Specifically, while the error corrections in both methods are within ±5% of each other, the proposed method requires single straight line motion for calibration, which is believed to be simpler and less timely to implement than the square path motion required by the UMBmark technique. The method should therefore be considered seriously as a new tool when calibrating differential drive mobile robots.
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 | 0,000 | 0,000 |
| 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 | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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