MétaCan
Menu
Retour à la cohorte
Enregistrement W2926228387 · doi:10.1109/access.2019.2907126

Disturbance Observer Based on Biologically Inspired Integral Sliding Mode Control for Trajectory Tracking of Mobile Robots

2019· article· en· W2926228387 sur OpenAlexaff
Xiaohui Yang, Wei Peng, Yangyang Zhang, Xiaoping Liu, Yang Li

Notice bibliographique

RevueIEEE Access · 2019
Typearticle
Langueen
DomaineEngineering
ThématiqueControl and Dynamics of Mobile Robots
Établissements canadiensCarleton University
Organismes subventionnairesNational Natural Science Foundation of China
Mots-clésControl theory (sociology)TrajectoryKinematicsRobustness (evolution)Mobile robotComputer scienceFeed forwardBacksteppingNonlinear systemIntegral sliding modeLyapunov functionSliding mode controlControl engineeringRobotEngineeringAdaptive controlArtificial intelligenceControl (management)Physics

Résumé

récupéré en direct d'OpenAlex

This paper proposes an integral sliding control system based on the nonlinear disturbance observer, aiming to the trajectory tracking of the mobile robot under the external disturbance. First, a kinematic model of mobile robot was built, besides, the position error signal was gained by the biological membrane potential model, and the problem of velocity oscillation was solved by the design of the backstepping controller. Then, an integral sliding control system was designed in accordance with the kinematic model of the mobile robot, meanwhile, a disturbance observer was designed in consideration of external disturbance to do the real-time observation on the disturbance occurring in the system with an addition of feedforward compensation and the observation error was converged by selecting the design parameters. The Lyapunov function was used to prove the stability of the system. Finally, the simulation of tracking circularity trajectory was utilized, with the comparison of trajectory without the use of jammer, to prove that this method can well overcome the nonlinear and uncertainty originated from external, thereby improving the control performance and increasing the robustness.

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 enseignants0,003
Score d'incertitude au seuil0,006

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 ouverte0,0010,000
Intégrité de la recherche0,0000,001
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 Opus0,020
Tête enseignante GPT0,264
Écart entre enseignants0,245 · 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

Citations25
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueIEEE AccessMême sujetControl and Dynamics of Mobile RobotsTravaux en français237 207