The role of haptic feedback when manipulating nonrigid objects
Notice bibliographique
Résumé
Humans can learn to manipulate objects with complex dynamics, including nonrigid objects with internal degrees of freedom. The first aim of this study was to assess the contribution of haptic feedback when learning to manipulate a nonrigid object. The second aim was to evaluate how learning without haptic feedback influences subsequent learning with haptic feedback and vice versa. The task involved moving a simulated mass-attached to a grasped handle via a simulated, damped spring-to a target as quickly as possible. In the haptic plus vision (HV) condition, appropriate forces were applied to the handle, which was attached to a robot. In the vision only (V) condition, these forces were turned off. Participants completed 80 trials in each condition, with one-half starting with the HV condition. Both groups exhibited significant learning, as measured by movement time, in both conditions. For the condition performed first, initial performance, learning rate, and final performance were better with haptic feedback. Prior experience in the HV condition led to faster learning and better final performance in the V condition. However, prior experience in the V condition led to slower learning and worse final performance in the HV condition. In the V condition, all participants tended to keep the mass close to the hand. In the HV condition, participants who started with the HV condition allowed the mass to move away from the hand, whereas participants who started with the V condition continued to keep the mass close to the hand. We conclude that haptic feedback as well as prior experience with haptic feedback enhance the ability to control nonrigid objects and that training without haptic feedback can lead to persisting detrimental effects when subsequently dealing with haptic feedback.
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 ».