Performances of observability indices for industrial robot calibration
Notice bibliographique
Résumé
This work presents a comparison of the five observability indices used for robot calibration. The comparison is realized in order to determine the most appropriate observability index, which allows for the best parameter identification of a calibrated robot, and therefore leading to the best improvement of the robot accuracy. In this study, the accuracy analysis is based on the robot end-effector errors, which are expressed in term of Euclidean errors. The parameter identification process is based on minimizing the residual of the position errors. The actual values of these positions are usually measured by an external measurement device and have measurement noise. The position residuals are calculated in all the calibration configurations, which are selected by using observability indices. An optimal set of configurations is the one reducing the impact of the measurement noise on the parameter identification efficacy. Our study is carried out for the calibration of four robots: two degrees of freedom (DOF) and 6-DOF serial robots, and 2-DOF and 3-DOF planar parallel robots. The comparison of the observability indices was achieved through a Monte Carlo simulation, using 100 different cases for each of the four robots considered. The position measurement noise was assumed to be within a range of ± 200 μm. Investigations led to conclude that there is a specific index that may be considered the best observability index for robot calibration. Finally, an experimental study has been applied to a LR Mate 200ic FANUC robot and confirms the simulated results.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,005 | 0,026 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».