MétaCan
Menu
Retour à la cohorte
Enregistrement W2148361779 · doi:10.1142/s0219843609001656

ON IMPROVING BIPEDAL WALKING ENERGETICS THROUGH ADJUSTING THE STIFFNESS OF ELASTIC ELEMENTS AT THE ANKLE JOINT

2009· article· en· W2148361779 sur OpenAlexaff
Reza Ghorbani, Qiong Wu

Notice bibliographique

RevueInternational Journal of Humanoid Robotics · 2009
Typearticle
Langueen
DomaineEngineering
ThématiqueRobotic Locomotion and Control
Établissements canadiensUniversity of Manitoba
Organismes subventionnairesnon disponible
Mots-clésJoint stiffnessStiffnessRobotAnkleComputer scienceController (irrigation)SimulationJoint (building)Control theory (sociology)Structural engineeringControl (management)EngineeringArtificial intelligenceMedicine

Résumé

récupéré en direct d'OpenAlex

Impact at each leg transition is one of the main causes of energy dissipation in most of the current bipedal walking robots. Minimizing impact can reduce the energy loss. Instead of controlling the joint angle profiles to reduce the impact, which requires a significant amount of energy, installing elastic mechanisms (with adjustable stiffness) on the robots structure is proposed in this paper, enabling the robot to reduce the impact, and to store part of the energy in the elastic form and return it to the robot. The conceptual design of an adjustable stiffness artificial tendon is proposed which is added to the ankle joint of a bipedal walking robot model. Simulation results on the stance phase demonstrate significant improvements in the energetics of the bipedal walking robot by proper stiffness adjustment of the tendon as compared to using a single linear spring. A controller based on energy feedback is designed to automatically adjust the stiffness of the tendon. Computer simulations illustrate improvements in performance of the energetics of the bipedal walking robot in consecutive walking steps while the stiffness of the tendon is adjusted properly.

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)0,000
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,001
Score d'incertitude au seuil0,003

Scores du classifieur distillé par catégorie (deux têtes)

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)0,0010,000

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 Opus0,015
Tête enseignante GPT0,244
Écart entre enseignants0,229 · 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'étudeExpérimental (laboratoire)
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

Citations5
Publié2009
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInternational Journal of Humanoid RoboticsMême sujetRobotic Locomotion and ControlTravaux en français237 207