Optimal regulation of bipedal walking speed despite an unexpected bump in the road
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Bipedal locomotion may occur over imperfect surfaces with bumps or other features that disrupt steady gait. An unexpected bump in the road is generally expected to slow down most types of locomotion. On wheels, speed may be regained quite readily with "cruise control" performed in continuous time. But legged locomotion is less straightforward, because the stance leg may be under-actuated, and the continuous-time dynamics are periodically disrupted by discrete ground contact events. Those events may also afford good control opportunities, albeit subject to the delay between discrete opportunities. The regulation of walking speed should ideally use these opportunities to compensate for lost time, and with good economy if possible. However, the appropriate control strategy is unknown. Here we present how to restore speed and make up for time lost going over a bump in the road, through discrete, once-per-step control. We use a simple dynamic walking model to determine the optimal sequence of control actions-pushing off from the leg at the end of each stance phase-for fast response or best economy. A two-step, deadbeat sequence is the fastest possible response, and reasonably economical. Slower responses over more steps are more economical overall, but a bigger difference is that they demand considerably less peak power. A simple, reactive control strategy can thus compensate for an unexpected bump, with explicit trade-offs in time and work. Control of legged locomotion is not as straightforward as with wheels, but discrete control actions also allow for effective and economical reactions to imperfect terrain.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle