MétaCan
Menu
Retour à la cohorte
Enregistrement W2909842744 · doi:10.1115/imece2018-88185

Path Generation Algorithm Verification of Five DOF Robotic Arm With Linear Actuator Using MATLAB Sim-Mechanics

2018· article· en· W2909842744 sur OpenAlexaff
Maged M. Abou Elyazed, Abdelrahman S. Zaghloul, Ahmed Y. AbdelHamid

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineComputer Science
ThématiqueRobotic Path Planning Algorithms
Établissements canadiensMcMaster University
Organismes subventionnairesnon disponible
Mots-clésWorkspaceInverse kinematicsKinematicsMotion planningRobotic armDegrees of freedom (physics and chemistry)Computer scienceActuatorMATLABPath (computing)AlgorithmConfiguration spaceCartesian coordinate systemRobot kinematicsRobotControl theory (sociology)Control engineeringArtificial intelligenceEngineeringMathematicsMobile robotGeometryPhysics

Résumé

récupéré en direct d'OpenAlex

Manipulators have been considered the backbone of industrial world for decades. The main aspect of industrial robotic arm is its ability to track a certain path in the 3D space. Using liner actuators to drive multi degrees of freedom robot offers high load capacity, but path generation algorithm of such robot is relatively complicated and computationally expensive. Furthermore, limitations in the joints workspace are existed. In this work, five degrees of freedom robotic arm is constructed to guaranty suitable workspace. Forward and inverse kinematic algorithms are evaluated. Moreover, path generation algorithm in Cartesian space is held using three different motion planning techniques. Sim-Mechanics toolbox under MATLAB is used to verify the introduced forward kinematics, inverse kinematics, and path generation algorithms. Thus, a comparison between the three introduced motion planning techniques is illustrated. Finally, the generated paths are experimentally applied on the case study. The work aims to illustrate the importance of simulation in the field of robotic arm algorithms verification.

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 candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Méthodes · Signal consensuel: Méthodes
Score de désaccord entre enseignants0,456
Score d'incertitude au seuil0,610

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
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)0,0000,000

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 Opus0,034
Tête enseignante GPT0,267
Écart entre enseignants0,233 · 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.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreMéthodes

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetRobotic Path Planning AlgorithmsTravaux en français237 207