MétaCan
Menu
Retour à la cohorte
Enregistrement W2067512454 · doi:10.1109/robot.2010.5509974

Spring assisted modular and reconfigurable robot: Design, analysis and control

2010· article· en· W2067512454 sur OpenAlexafffund
Guangjun Liu, Yugang Liu

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineEngineering
ThématiqueModular Robots and Swarm Intelligence
Établissements canadiensToronto Metropolitan University
Organismes subventionnairesCanadian Space Agency
Mots-clésPayload (computing)Modular designRobotBrakeControl engineeringController (irrigation)Lift (data mining)Computer scienceEngineeringControl theory (sociology)Control (management)Automotive engineeringArtificial intelligence

Résumé

récupéré en direct d'OpenAlex

This paper presents an innovative spring assisted modular and reconfigurable robot (MRR) design and control framework, which is developed based on a synergetic integration of robot control with a brake and an embedded spring at each modular joint. By activating the brake, static balancing can be established, allowing reinforced delicate operation in the neighborhood of a balanced configuration such as door opening, as well as spring assisted lift of heavy payload. The developed spring assisted MRR can improve the payload to weight ratio of the conventional robot manipulators without introducing sophisticated mechanisms. A distributed control method has been proposed to facilitate control of the spring assisted MRR. The developed control algorithm does not rely on a prior dynamic models and can suppress uncertainties introduced by module reconfigurations as well as uncertainties due to sensor inaccuracies and noises. With the developed controller, control parameters need not to be adjusted when adding modules to or removing modules from an MRR, or changing its configurations. Prototype modules have been developed, and the experimental results have confirmed the effectiveness of the proposed design and control.

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)0,000
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: Méthodes · Signal consensuel: Méthodes
Score de désaccord entre enseignants0,001
Score d'incertitude au seuil0,004

Scores du classifieur distillé par catégorie (deux têtes)

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 ouverte0,0010,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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 Opus0,011
Tête enseignante GPT0,199
Écart entre enseignants0,188 · 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
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

Citations4
Publié2010
Routes d'admission2
Résumé présentoui

Explorer davantage

Même sujetModular Robots and Swarm IntelligenceTravaux en français237 207