MétaCan
Menu
Retour à la cohorte
Enregistrement W2873850312 · doi:10.1109/robosoft.2018.8404938

A paper-based wall-climbing robot enabled by electrostatic adhesion

2018· article· en· W2873850312 sur OpenAlexaff
Qiyang Wu, Vishesh Pradeep, Xinyu Liu

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineEngineering
ThématiqueSoft Robotics and Applications
Établissements canadiensMcGill University
Organismes subventionnairesnon disponible
Mots-clésClimbSMA*RobotClimbingShape-memory alloyMaterials scienceAdhesionComputer scienceSimulationMechanical engineeringStructural engineeringEngineeringArtificial intelligenceComposite materialAerospace engineering

Résumé

récupéré en direct d'OpenAlex

In this paper, we report a paper-based wall-climbing robot capable of climbing vertical walls of different materials. The robot, made from paper and shape memory alloy (SMA), can be controlled to climb walls under certain combinations of activation patterns of electrostatic adhesion and contraction of the SMA. Electrostatic adhesion is applied using a paper structure with embedded interdigitated electrodes. This structure, fully compatible with the paper-based robot, is able to output strong and reliable adhesion forces (the resultant friction force can be as high as 1.65 N on specific substrates), and can be easily turned on and off using a commercial high-voltage converter. The SMA embedded in the robot is employed to deform the robot body and induce contracting displacements while being activated. The elastic energy stored in the robot body allows it to complete a repeatable actuation cycle by recovering the SMA automatically after its contraction. With above structures, we demonstrate the walking and climbing ability of this robot with a locomotion speed of 1 mm/s. The climbing of a vertical wall along both the vertical and horizontal directions is achieved.

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: Empirique
Score de désaccord entre enseignants0,001
Score d'incertitude au seuil0,004

Scores du classifieur distillé par catégorie (deux têtes)

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

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 Opus0,008
Tête enseignante GPT0,215
Écart entre enseignants0,208 · 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

Citations27
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetSoft Robotics and ApplicationsTravaux en français237 207