Optimal Force Allocation and Position Control of Hybrid Pneumatic–Electric Linear Actuators
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Hybrid pneumatic–electric actuators (HPEAs) are redundant actuators that combine the large force, low bandwidth characteristics of pneumatic actuators with the large bandwidth, small force characteristics of electric actuators. It has been shown that HPEAs can provide both accurate position control and high inherent safety, due to their low mechanical impedance, making them a suitable choice for driving the joints of assistive, collaborative, and service robots. If these characteristics are mathematically modeled, input allocation techniques can improve the HPEA’s performance by distributing the required input (force or torque) between the redundant actuators in accordance with each actuator’s advantages and limitations. In this paper, after developing a model for a HPEA-driven system, three novel model-predictive control (MPC) approaches are designed that solve the position tracking and input allocation problem using convex optimization. MPC is utilized since the input allocation can be embedded within the motion controller design as a single optimization problem. A fourth approach based on conventional linear controllers is included as a comparison benchmark. The first MPC approach uses a model that includes the dynamics of the payload and pneumatics; and performs the motion control using a single loop. The latter methods simplify the MPC law by separating the position and pressure controllers. Although the linear controller was the most computationally efficient, it was inferior to the MPC-based controllers in position tracking and force allocation performance. The third MPC-based controller design demonstrated the best position tracking with RMSE of 46%, 20%, and 55% smaller than the other three approaches. It also demonstrated sufficient speed for real-time operation.
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.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 découle