MétaCan
Menu
Retour à la cohorte
Enregistrement W2613501054 · doi:10.1109/icit.2017.7915478

Universal dynamic tracking control law for mobile robot trajectory tracking

2017· article· en· W2613501054 sur OpenAlexaff
Suruz Miah, Farhana Sultana Shaik -, Hicham Chaoui

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineEngineering
ThématiqueControl and Dynamics of Mobile Robots
Établissements canadiensCarleton University
Organismes subventionnairesBradley University
Mots-clésTrajectoryTracking (education)Mobile robotComputer scienceControl theory (sociology)RobotArtificial intelligenceControl (management)Computer visionPhysics

Résumé

récupéré en direct d'OpenAlex

This manuscript presents a universal control law for a class of complex dynamic systems, such as mobile robots. The trajectory tracking problem is among the major problems in the field of robotics. The proposed universal control law solves the trajectory tracking problem of mobile robots. Despite a large body of research on developing robot's control laws conducted in the literature, the dynamic effects of robots are often not taken into consideration while deriving control laws that define their trajectories. In most cases, the robot's trajectory tracking and/or stabilization problems are addressed based on its kinematic model due to simplicity. Therefore, the need for a universal control law based on the robot's dynamic and/or kinematic model is significant. Even though the feedback control theory is well-established in the field of robotics, the control laws for dynamic systems are typically more complex than system models themselves. Furthermore, control laws are required to be adapted depending on models of different mobile robot systems. Here, the development of universal control law is underscored, i.e., the paper is aimed at developing universal dynamic tracking control law that solves the trajectory tracking problem of a class of mobile robots. The controller is tested through a set of computer simulations using a differential drive mobile robot operating in an indoor planar environment.

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 candidatesMéta-épidémiologie (sens strict)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,893
Score d'incertitude au seuil1,000

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 savante0,0000,001
Science ouverte0,0000,000
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 Opus0,010
Tête enseignante GPT0,236
Écart entre enseignants0,226 · 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.

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

Citations5
Publié2017
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetControl and Dynamics of Mobile RobotsTravaux en français237 207