Additive Gaussian noise model and Kalman filter to enhance controllability of gesture-controlled teleoperated soft actuators
Notice bibliographique
Résumé
Soft actuators are used in bilateral systems as slave-side actuators. To broaden the applications and usage of these soft actuators in teleoperated applications required high accuracy and control. This article focuses on the improvement and control of the soft actuators operated through the Internet using a glove-based gesture control system. A hand-worn sensor glove (a glove with flex sensors and accelerometers) is used to detect hand gestures (specifically bending angle and force generated in a finger while gripping a spherical object) of an operator. The operator’s finger movements are mimicked in a remote location, through the Internet, in a soft actuator. The bending angles of the human finger have converted into the pressure variations inside the actuator using a linear calibration technique. A vertically mounted actuator and a spherical object are used to demonstrate the gripping action. The main problems that occurred during the controlling of this setup are noise and delays. Electronic noise (line noise and circuit noise), mechanical noise (vibration, nonuniformities in actuator fabrication, wear, and tear), elastic effect (energy absorbed during the state transformation), communication delays (delays occurred due to geography, telecommunication infrastructure, and round trip transmission), and other noises (other environmental effects) degraded the performance. This article considered a Brownian motion model, an additive Gaussian noise model, and a Kalman filter to solve these problems. The experimentations are performed in three different locations (to demonstrate the teleoperation) and the recorded improvement in the performance is approximately 17%.
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 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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».