MétaCan
Menu
Retour à la cohorte
Enregistrement W2150258716 · doi:10.1109/tmech.2006.882992

Adaptive Control of Harmonic Drives Based on Virtual Decomposition

2006· article· en· W2150258716 sur OpenAlexaff
Wen-Hong Zhu, Érick Dupuis, Michel Doyon

Notice bibliographique

RevueIEEE/ASME Transactions on Mechatronics · 2006
Typearticle
Langueen
DomaineEngineering
ThématiqueIterative Learning Control Systems
Établissements canadiensPolytechnique MontréalCanadian Space Agency
Organismes subventionnairesnon disponible
Mots-clésController (irrigation)Control theory (sociology)Adaptive controlCompensation (psychology)HarmonicStability (learning theory)Reduction (mathematics)Computer sciencePID controllerHarmonic driveControl engineeringControl (management)EngineeringArtificial intelligenceMathematicsPhysicsMachine learningTemperature control

Résumé

récupéré en direct d'OpenAlex

Harmonic drives are interesting for robotic applications due to their attractive properties such as high reduction ratio, compact size, low mass, and coaxial assembly. However, the high friction and the dynamics of the flexspline are the main issues that significantly challenge the control systems. In this paper, an adaptive controller capable of adaptively compensating the friction, while incorporating the dynamics of the flexspline, is developed in both joint torque and joint-position control modes. The virtual decomposition control approach allows the dynamics of harmonic drives to be controlled separately from the conventional dynamics of the robots. Adaptive friction compensation and flexspline dynamics based control are the two main contributions of this paper. The L2/Linfinstability and the L2-gain-induced Hinfinstability are guaranteed. Experimental results demonstrated in both time and frequency domains confirm the feasibility of the proposed approach

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: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,001
Score d'incertitude au seuil0,004

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 Opus0,005
Tête enseignante GPT0,204
Écart entre enseignants0,199 · 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

Citations17
Publié2006
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueIEEE/ASME Transactions on MechatronicsMême sujetIterative Learning Control SystemsTravaux en français237 207