MétaCan
Menu
Retour à la cohorte
Enregistrement W2160697303 · doi:10.1109/acc.2003.1243399

Planning for dynamic multi-agent planar manipulation with uncertainty: a game theoretic approach

2004· article· en· W2160697303 sur OpenAlexaff
Qingguo Li, Shahram Payandeh

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineComputer Science
ThématiqueRobotic Path Planning Algorithms
Établissements canadiensSimon Fraser University
Organismes subventionnairesnon disponible
Mots-clésMinimaxComputer scienceMathematical optimizationTrajectoryController (irrigation)Object (grammar)Multi-agent systemLinearizationPotential gameGame theoryControl theory (sociology)Nash equilibriumControl (management)MathematicsArtificial intelligenceNonlinear system

Résumé

récupéré en direct d'OpenAlex

This paper addresses the planning problem for multi-agent dynamic manipulation in the plane. The objective of planning is to design the forces exerted on the object by agents with which the object can follow a given trajectory in spite of the uncertainty on pressure distribution. The main novelty of the proposed approach is the integration of noncooperative game and cooperative game between agents in hierarchical manner. Based on the dynamic model of the pushed object, the coordination problem is solved in two levels. In the lower control level, a fictitious force controller is designed by using minimax technique to achieve the tracking performance. The design procedure is divided into two steps. First, a linear nominal controller is designed via full-state linearization with desired eigenvalue assignment. Next, a minimax control scheme is specified to optimally attenuate the worst-case effect of the uncertainty due to pressure distribution and achieve a minimax tracking performance. In the coordination level, a cooperative game is formulated between agents to distribute the fictitious force, and the objective of the game is to minimize the worst-case interaction force between agents and the object. Simulations are carried out on three-agent manipulations, results demonstrate the effectiveness of the planning method.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut 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: Méthodes · Signal consensuel: Méthodes
Score de désaccord entre enseignants0,404
Score d'incertitude au seuil0,630

Scores Codex et Gemma par catégorie

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 ouverte0,0010,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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 Opus0,038
Tête enseignante GPT0,279
Écart entre enseignants0,242 · 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 tête enseignante, 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
GenreMéthodes

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations3
Publié2004
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetRobotic Path Planning AlgorithmsTravaux en français237 207