Notice bibliographique
Résumé
Research performed in the area of haptics has produced some remarkable results with a variety of haptic devices. However, haptic-based applications are designed to consider only a particular haptic device. Therefore, the functionality of a haptic-based system is limited by the chosen device's features, such as workspace, device's inertia, friction, number of points of interaction, number of degrees of freedom, and maximum force that can be exerted. In short, these haptic-based systems are limited for use with a certain haptic device. Without a doubt, the need for a software tool to adapt existing haptic-based systems to the capabilities of another haptic device is evident. On the other hand, one of the main advantages of using haptic devices is the possibility of saving data during the haptic interaction. Our proposed framework, which is called Adaptive Haptic Application (AdHapticA), deals with both issues: It automatically adapts a haptic-based system to be used with another haptic device and saves the corresponding haptic data for quantitative evaluation. The AdHapticA framework can be used to study the feasibility of certain haptic devices to meet the requirements of an application. A case study is presented to evaluate single-point interaction and hand exoskeleton haptic devices for authentication purposes by using the same virtual scenario. The applicability of the proposed framework is shown, and the results obtained from the haptic data are captured when a particular application is performed with either single-point (desktop device) or multipoint interaction devices (hand exoskeleton). Therefore, the results have shown that current hand exoskeleton devices are less suitable for tasks that require a certain level of precision, like haptic-biometric-based tasks.
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 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».