Task Level Modelling of Mechanical Systems for Intelligent Robotics: Plenary Paper
Notice bibliographique
Résumé
Robotics generally includes complex mechatronic systems where the mechanical elements form a subsystem. The type of robotic systems significantly expanded in recent years. However, they usually share one common element; the main function of a robotic system includes motion and/or force, i.e., the mechanical function is primarily the distinguishing feature of a robotic device. Significant progress took place in the software and sensing components of robotic systems in the past few years leading to more intelligent abilities. On the other hand, the mechanical subsystem behaviours, and how they can affect the performance of the functioning of a robot, do not seem to be completely understood and investigated in detail. This fact manifests itself in multiple ways, for example, in many robotic systems the mechanical elements are the first to break down. Also, many robotic systems with advanced software components have very poorly performing mechanical parts. Comparing it with the automotive industry, robotic systems are far less reliable mechanically. Based on the same comparison one can draw the conclusion that not enough effort has been invested to understand the mechanics of the different robotic devices and functions. In this work we present a task-specific modelling and analysis approach to provide insight into the mechanics of various types of robotic systems. This starts from the broader interpretation of some main concepts of mechanical modelling, and leads to the possibility to establish taskoriented models and performance measures for both static and dynamic behaviours. We illustrate the material with several examples of different robotic tasks.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,002 |
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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».