The Internet-Based Teleoperation: Motion and Force Predictions Using the Particle Filter Method
Notice bibliographique
Résumé
In this paper, we present motion and force predictions in Internet-based teleoperation systems using the particle filter method. The particle filter, also known as the sequential Monte Carlo (SMC) method, is a probabilistic prediction or estimation technique within a sequential Bayesian framework: Data at a current time step are predicted or estimated by recursively generating probability distribution based on previous observations and input states. In this paper, we first formulate the particle filter method using a prediction-based approach. Motion and force data flows, which may be impaired by the Internet delay, are formulated within a sequential Bayesian framework. The true motion and force data are then predicted by employing the prediction-based particle filter method using the impaired observations and previous input states. We performed experiments using a haptic device that interacts with a mechanics-based virtual 3D graphical environment. The haptic device is used as a master controller that provides positioning inputs to a 4-degree of freedom (4-DoF) virtual robotic manipulator while receiving feedback force through interactions with the virtual environment. We simulate the Internet delay with variations typically observed in a user datagram protocol (UDP) transmission between the master controller and the virtual teleoperated robot. In this experimental scenario, the particle filter method is implemented for both motion and force data that experience the Internet delay. The proposed method is compared with the conventional Kalman filter. Experimental results indicate that in nonlinear and non-Gaussian environments the prediction-based particle filter has distinct advantage over other methods.
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 ».