Adaptive frequency differentiation: An approach to increase the transparency and performance of haptic devices
Notice bibliographique
Résumé
There are many applications for which a robotic device is used to recreate the sense of touch for a physical or virtual environment. Transparency and stability are two major issues in controlling haptic devices. Transparency highly depends on the quality of state observation while the stability range is mainly affected by the time-delay and sampling frequency. The control force is calculated based on the model of the environment and usually is a function of the position and the velocity at the joints. Optical encoders are commonly used for position measurement because of their high resolution, robustness to noise, and high bandwidth. The velocity, however, is usually determined by differentiating the position data over time which can be noisy at high frequencies. This noise demotes the transparency and stability. Low-pass filters are widely used to filter the noise but they make the system slow and conservatively introduce time-delay which further limits the stability range. In this paper, the method of Adaptive Frequency Differentiation (AFD) is introduced, which operates at varying frequencies and effectively removes the noise caused by the error in position data. The AFD is optimized to operate at its best performance while maintaining the reliability of the differentiation. The output of the AFD is derived by logically interpreting the available data and does not involve iterative loops, which improves the processing time. An extension to this method allows to compute low-delay and noiseless acceleration directly from the position data. The claims of this paper are supported by simulation and experimental results.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| 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) | 0,002 | 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 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 ».