Dynamic Path Correction of an Industrial Robot Using a Distance Sensor and an ADRC Controller
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
Commercially available six-axis industrial robots, though highly repeatable, have relatively low accuracy. While robot calibration can improve pose accuracy, the only way for a user to improve path accuracy is by “guiding” the robot with the help of an external sensor and a control algorithm running on a separate computer. For this purpose, industrial robots, which are normally controlled with preprogrammed position-mode instructions, sometimes offer the possibility to modify the pose of the robot end-effector on the fly. In the case of Mecademic's Meca500 robot, <sup xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">1</sup> users can indirectly modify the end-effector pose by controlling the robot joint or Cartesian velocity. In this article, a practical application of an active disturbance rejection control scheme is presented to improve the path accuracy of the Meca500. The dynamic path correction is achieved by first measuring the distance between a fixed point and the robot tooltip with a linear transducer (Renishaw's QC20-W ballbar), and then feeding the tooltip velocity vector to the robot (via Ethernet TCP/IP). The (circular) path accuracy of the robot is significantly improved for different robot TCP velocities. For example, at 50 mm/s, the maximum radial error is less than 0.100 mm, and the mean error is 0.015 mm.
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