MétaCan
Menu
Retour à la cohorte
Enregistrement W2767704770 · doi:10.1109/tro.2017.2765334

Asymmetric Bimanual Control of Dual-Arm Exoskeletons for Human-Cooperative Manipulations

2017· article· en· W2767704770 sur OpenAlexaff
Zhijun Li, Bo Huang, Arash Ajoudani, Chenguang Yang, Chun‐Yi Su, Antonio Bicchi

Notice bibliographique

RevueIEEE Transactions on Robotics · 2017
Typearticle
Langueen
DomaineEngineering
ThématiqueProsthetics and Rehabilitation Robotics
Établissements canadiensConcordia University
Organismes subventionnairesGuangzhou Research Collaborative Innovation ProjectsNational Natural Science Foundation of China
Mots-clésImpedance controlControl theory (sociology)ExoskeletonTrajectoryTorquePowered exoskeletonRobotComputer scienceMotion controlMotion (physics)Adaptive controlEngineeringControl engineeringSimulationArtificial intelligenceControl (management)

Résumé

récupéré en direct d'OpenAlex

In this paper, two upper limbs of an exoskeleton robot are operated within a constrained region of the operational space with unidentified intention of the human operator's motion as well as uncertain dynamics including physical limits. The new human-cooperative strategies are developed to detect the human subject's movement efforts in order to make the robot behavior flexible and adaptive. The motion intention extracted from the measurement of the subject's muscular effort in terms of the applied forces/torques can be represented to derive the reference trajectory of his/her limb using a viable impedance model. Then, adaptive online estimation for impedance parameters is employed to deal with the nonlinear and variable stiffness property of the limb model. In order for the robot to follow a specific impedance target, we integrate the motion intention estimation into a barrier Lyapunov function based adaptive impedance control. Experiments have been carried out to verify the effectiveness of the proposed dual-arm coordination control scheme, in terms of desired motion and force tracking.

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)0,001
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 enseignants0,001
Score d'incertitude au seuil0,004

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
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 savante0,0000,000
Science ouverte0,0010,001
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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 Opus0,026
Tête enseignante GPT0,282
Écart entre enseignants0,256 · 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

Citations190
Publié2017
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueIEEE Transactions on RoboticsMême sujetProsthetics and Rehabilitation RoboticsTravaux en français237 207