MétaCan
Menu
Retour à la cohorte
Enregistrement W2090747501 · doi:10.1115/detc2014-35548

Dynamics Simulation of Rovers on Soft Terrain: Theory, Algorithms, and Experimental Validation

2014· article· en· W2090747501 sur OpenAlexafffund
Ali Azimi, Daniel Holz, József Kövecses, Jorge Angeles, Marek Teichmann

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineEngineering
ThématiqueSoil Mechanics and Vehicle Dynamics
Établissements canadiensMcGill UniversityCM Labs Simulations (Canada)
Organismes subventionnairesCanadian Space Agency
Mots-clésSolverTerrainTangentTangent spaceComputer scienceAlgorithmTraction (geology)Linear complementarity problemForce field (fiction)Mathematical optimizationMathematicsEngineeringGeometryMechanical engineeringArtificial intelligenceNonlinear systemPhysics

Résumé

récupéré en direct d'OpenAlex

A new framework is developed in this paper for the efficient implementation of semi-empirical terramechanics models in multibody dynamics environments. In this approach, for every wheel in contact with soft soil, unilateral contact constraints are added to the solver in both the normal direction and the tangent plane. The forces associated with the tangent plane, like traction and rolling resistance, are formulated in this approach as set-valued functions, whose properties are determined by deregularization of the above-mentioned terramechanics relations. As shown in this paper, this leads to the dynamics representation in the form of a linear complementarity problem (LCP). With this formulation, stable simulation of rovers is achieved even with relatively large time steps. In addition, a high-resolution height-field is employed to model terrain-surface deformations and changes in hardening of soil under the wheel. As a result, the multi-pass effect is also captured in our approach. In addition, an extensive set of experiments was conducted using a version of the Juno rover (Juno II). The experimental results are analyzed and compared with the model developed in the 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.

Comment cette classification a été obtenuedéplier

Prédiction distillée sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,294
Score d'incertitude au seuil0,295

Scores Codex et Gemma par catégorie

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

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 Opus0,007
Tête enseignante GPT0,231
Écart entre enseignants0,224 · 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 tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations1
Publié2014
Routes d'admission2
Résumé présentoui

Explorer davantage

Même sujetSoil Mechanics and Vehicle DynamicsTravaux en français237 207