MétaCan
Menu
Retour à la cohorte
Enregistrement W2750772937 · doi:10.1109/icma.2017.8015916

Safe robot operation alongside humans using spring-assisted modular and reconfigurable robot

2017· article· en· W2750772937 sur OpenAlexaff
Harshita Patel, Christopher Singh, Guangjun Liu

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineEngineering
ThématiqueModular Robots and Swarm Intelligence
Établissements canadiensToronto Metropolitan University
Organismes subventionnairesnon disponible
Mots-clésWorkspaceTorquePayload (computing)RobotActuatorModular designEngineeringRotary actuatorComputer scienceControl engineeringSimulationArtificial intelligence

Résumé

récupéré en direct d'OpenAlex

Recently a novel spring-assisted modular and reconfigurable robot (SA-MRR) has been developed at our laboratory to reinforce its performance and to enable safe and dexterous operation in shared human-robot environments. Upon spring engagement at any joint position, the joint output torque becomes the sum of the actuator torque and spring torque, and the joint displacement range is mechanically limited. Restricting the manipulator's joint displacement limits individually allows the workspace to be confined selectively to a subspace of its entire or natural workspace, and creates an opportunity for a human to enter safely into the robot's natural workspace even while the robot continues to operate. Furthermore, the SA-MRR operating under spring-assistance offers functional benefits; the spring torque may counterbalance the manipulator and payload weight to avail the actuator torque fully for manipulation-an act which may simultaneously increase dexterity and decrease power consumption. The shared human-robot workspace notion as enabled by the SA-MRR is explored first in this work. Then, capabilities of a 3-DOF SA-MRR are investigated through simulations for dexterous operations and for payload handling within limited workspaces.

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)0,000
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,002
Score d'incertitude au seuil0,005

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,001
Communication savante0,0000,000
Science ouverte0,0010,001
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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 Opus0,050
Tête enseignante GPT0,267
Écart entre enseignants0,217 · 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'étudeExpérimental (laboratoire)
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

Citations7
Publié2017
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetModular Robots and Swarm IntelligenceTravaux en français237 207