MétaCan
Menu
Retour à la cohorte
Enregistrement W2319233200 · doi:10.2514/6.2000-4570

Contact parameter identification for robotic systems

2000· article· en· W2319233200 sur OpenAlexaff
David Erickson, Inna Sharf

Notice bibliographique

RevueAIAA Guidance, Navigation, and Control Conference and Exhibit · 2000
Typearticle
Langueen
DomaineEngineering
ThématiqueRobot Manipulation and Learning
Établissements canadiensUniversity of Victoria
Organismes subventionnairesnon disponible
Mots-clésControl theory (sociology)Controller (irrigation)Benchmark (surveying)StiffnessElectrical impedanceContact forceComputer scienceStability (learning theory)Identification (biology)Recursive least squares filterControl engineeringImpedance controlAdaptive controlRobotEstimation theoryEngineeringControl (management)AlgorithmAdaptive filterArtificial intelligence

Résumé

récupéré en direct d'OpenAlex

This paper reviews and compares three impedance control algorithms with respect to identificatio n of environment stiffness and damping during robot constrained motion. Estimates of these parameters, also referred to as contact parameters, are valuable for force-tracking and stability of impedance force controllers. Our primary interest in identifying these parameters stems from their use as inputs to dynamics simulation software with contact dynamics capability. The algorithms considered in this work include: an indirect adaptive controller with modifications to identify environment damping, an MR AC controller and a recursive least-squares estimation technique. A benchmark test was performed using both numerical simulation and experimentation. Our results indicate that the indirect adaptive controller has the best combination of performance and ease of use. In addition, the effect of persistently exciting signals is discussed.

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)0,002
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: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,005
Score d'incertitude au seuil0,015

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,002
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,001
Communication savante0,0010,001
Science ouverte0,0000,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0050,002

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 GPT0,227
Écart entre enseignants0,212 · 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

Citations0
Publié2000
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueAIAA Guidance, Navigation, and Control Conference and ExhibitMême sujetRobot Manipulation and LearningTravaux en français237 207