New Kalman Filter Residue-Based Identification and Soft Sensor Design forAccurate Trajectory Tracking with a Fault-tolerant Robot
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
A Kalman filter(KF)-based identification, internal model-based controller for accurate tracking a specified trajectory despite the sensor errors, and fault tolerance is proposed. This study was mainly motivated by the need for precision, resolution and accuracy required in robotic applications such as robotic surgery. The computed torque approach is used to map a nonlinear model into a linear one. The sensor errors of the orientation input and the position corrupted by unknown input and output stochastic disturbance and measurement noise. Predictive analytics is used to estimate the true input by exploiting its smoothness and the randomness of the noisy input. The system is described using the Box-Jenkins(BJ) model, which is an augmented model of the true output, termed signal and the disturbance. The BJ model and the associated KF are identified without the a priori knowledge of the statistics of the disturbance and measurement noise. Using the key properties of KF the signal, the output error, the signal model, and the disturbance models, the KF associated with the signal model is accurately identified. An internal model-based state-feedback and feedforward controller is designed to accurately track the desired trajectory. The hardware sensors are replaced by KF-based sensors. The KF ensures fault tolerance. The proposed scheme was successfully evaluated on a physical robot.
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