MétaCan
Menu
Retour à la cohorte
Enregistrement W2095900849 · doi:10.1109/icma.2005.1626803

Neural network-based teleoperation using Smith predictors

2006· article· en· W2095900849 sur OpenAlexaff
Andrew Smith, Keyvan Hashtrudi‐Zaad

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineEngineering
ThématiqueTeleoperation and Haptic Systems
Établissements canadiensQueen's University
Organismes subventionnairesnon disponible
Mots-clésTeleoperationHaptic technologyChannel (broadcasting)Nonlinear systemComputer sciencePantographController (irrigation)Artificial neural networkControl theory (sociology)Smith predictorTeleroboticsControl engineeringSimulationEngineeringControl (management)RobotArtificial intelligencePID controllerMobile robotComputer network

Résumé

récupéré en direct d'OpenAlex

The introduction of communication channel tune delay and environment dynamic uncertainties create a significant challenge in the design of stable transparent bilateral teleoperation controllers. An early control methodology for time delayed systems, which is applicable to teleoperation systems is the use of Smith predictors. Recently a few Smith predictor based teleoperation control architectures have been proposed for 2-channel teleoperation systems in which the linear dynamics of the slave or environment are mapped at the master. This paper discusses the effectiveness of this control structure for 2-channel force-position teleoperation when applied to the nonlinear time varying dynamics of slave and environment. The proposed nonlinear predictive controller and its variations use neural networks to online estimate the dynamics of the slave and environment allowing replication of the environment contact force at the master using a similar network. The performance of the proposed architectures are evaluated on a teleoperation test-bed consisting of two planar twin-pantograph haptic devices.

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)0,001
Version: metacan-v3-hybrid-931329e0061cStatut 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: aucune
Score de désaccord entre enseignants0,003
Score d'incertitude au seuil0,007

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
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 savante0,0000,001
Science ouverte0,0000,000
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 Opus0,010
Tête enseignante GPT0,191
Écart entre enseignants0,181 · 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'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

Citations45
Publié2006
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetTeleoperation and Haptic SystemsTravaux en français237 207