Motion planning for multi-robot assembly systems
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
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.
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