MétaCan
Menu
Retour à la cohorte
Enregistrement W2913391771 · doi:10.1115/1.4042631

Trajectory-Planning and Normalized-Variable Control for Parallel Pick-and-Place Robots

2019· article· en· W2913391771 sur OpenAlexafffund
Peyman Karimi Eskandary, Bruno Belzile, Jorge Angeles

Notice bibliographique

RevueJournal of Mechanisms and Robotics · 2019
Typearticle
Langueen
DomaineEngineering
ThématiqueRobotic Mechanisms and Dynamics
Établissements canadiensMcGill University
Organismes subventionnairesFonds de recherche du Québec – Nature et technologiesNatural Sciences and Engineering Research Council of Canada
Mots-clésTrajectoryControl theory (sociology)RobotKinematicsController (irrigation)Computer scienceTorqueRoboticsMotion planningControl (management)Artificial intelligencePhysics

Résumé

récupéré en direct d'OpenAlex

Trajectory planning and an efficient control scheme play a crucial role in improving the performance of pick-and-place robots. This paper introduces a novel method of trajectory planning with cycle time and path constraints. Assuming that a smooth trajectory is given, to be followed within a prescribed cycle time, the newly proposed method of trajectory planning removes the torque peaks of the actuators by a suitable scheduling of the velocity of the moving plate. Since pick-and-place robots are usually expected to meet the end poses in a certain time span, while disregarding the intermediate poses, the velocity can be tuned properly around the critical points of the trajectory by means of a time-scaling function. Moreover, the authors report the formulation of a linear quadratic regulator (LQR) controller with normalized variables to be used in conjunction with our trajectory-tracking control scheme for an in-house-developed Schönflies-motion generator. This parallel robot offers a functionally symmetric, single-loop architecture, with an isostatic kinematic chain, and virtually unlimited rotatability of its gripper. A comparison between two actuation systems developed by the authors is conducted via simulation results.

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: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
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
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,001
Communication savante0,0000,000
Science ouverte0,0010,000
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 Opus0,007
Tête enseignante GPT0,204
Écart entre enseignants0,197 · 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'étudeSimulation ou modélisation
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

Citations22
Publié2019
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueJournal of Mechanisms and RoboticsMême sujetRobotic Mechanisms and DynamicsTravaux en français237 207