Discrete-time parallel robot motion control using adaptive neuro-fuzzy inference system based on improved subtractive clustering
Notice bibliographique
Résumé
This paper addresses a high precision discrete-time model-free PID adaptive neuro-fuzzy logic motion controller in case the physical models that describe a robot are not known. The advantage of this kind controller is that it uses an improved subtractive clustering technique to obtain the structure of the system model in order to ensure the high accuracy of the intelligent control. Moreover, the information used is directly from the nonlinear system response without the knowledge of the robot physical parameters and complex models. Furthermore, the controller is designed in discrete-time domain for allowing its implementation. To conceive this kind intelligent control, first adaptive neuro-fuzzy inference system with an improved subtractive clustering computing is used to accomplish the integration of information of joint angular displacement and velocity for torque identification. The learning datasets are generated by using a discrete-time PID feedback control, which desired position is sufficiently rich to ensure that the learning system would include most characteristics of the nonlinear dynamics of the system. Then a discrete-time fuzzy feed forward control, combined with a conventional PID and the adaptive neuro-fuzzy inference system, is designed for the mechanism motion control. Simulation results from numerical experiment on a 4-bar planar parallel mechanism show the proposed controller can reduce joint position and velocity tracking errors with higher accuracy and higher reliability than a traditional PID controller and a computed torque controller.
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 | 0,001 |
| Science ouverte | 0,001 | 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 ».