Motion planning for multi-robot assembly systems
Notice bibliographique
Résumé
The classical travelling salesperson problem (TSP) models the movements of a salesperson travelling through a number of cities. The optimization problem is to choose the sequence in which to visit the cities in order to minimize the total distance travelled. This paper presents a generalized point-to-point motion-planning technique for multi-robot assemblysystems modelled as TSP-type optimization problems. However, in these augmented TSPs (TSP+), both the 'salesperson' (a robot with a tool) as well as the 'cities' (another robot with a workpiece) move. In addition to the sequencing of tasks, further planning is required to choose where the 'salesperson' (i.e., the tool) should rendezvous with each 'city' (i.e. the workpiece). The use of a genetic algorithm (GA) is chosen as the search engine for the solution of this TSP+ optimization problem. As an example area, the optimization of the electronic-component placement process is addressed. The simulation tools developed have been tested on five different component-placement system configurations. In the most generalized configuration, the placement robot meets the component delivery system at an optimal rendezvous location for the pick-up of the component and subsequently meets the printed-cirucit-board (on a mobile XY-table) at an optimal rendezvous location. In addition to the solution of the component-placement sequencing problem and the rendezvous-point planning problem, the collision-avoidance issue is addressed.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».