Low-Level Force-Control of MR-Hydrostatic Actuators
Notice bibliographique
Résumé
Precise and high-fidelity force control is critical for new generations of robots that interact with humans and unknown environments. Mobile robots, such as wearable devices and legged robots, must also be lightweight to accomplish their function. Hydrostatic transmissions have been proposed as a promising strategy for meeting these two challenging requirements. In previous publications, it was shown that using magnetorheological (MR) actuators coupled with hydrostatic transmissions provides high power density and great open-loop human-robot interactions. Still, the open-loop force fidelity at low and high frequencies are decreased by the transmission's dynamics and by nonlinear friction. This letter compares control strategies for MR-hydrostatic actuator systems to increase its torque fidelity, defined as the bandwidth (measured vs desired torque reference) and transparency (minimizing the undesired forces reflected to the end effector when backdriving the robot). Four control approaches are developed and compared experimentally: (1) Open-loop control with friction compensation; (2) non-collocated pressure feedback; (3) collocated pressure feedback; (4) LQGI state feedback. A dither strategy is also implemented to smoothen ball screw friction. Results show that approaches (1), (2) and (3) can increase the performances but are facing compromises, while approach (4) can simultaneously improve all metrics. These results show the potential of using control schemes for improving the force control performance of robots using tethered architectures, addressing issues such as transmission dynamics and friction.
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 | 0,000 |
| 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 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 ».