MétaCan
Menu
Retour à la cohorte
Enregistrement W3169700178 · doi:10.32920/ryerson.14650065.v1

Development Of A Graphical User Interface For Control Of A Robotic Manipulatior With Sample Acquisition Capability

2021· preprint· en· W3169700178 sur OpenAlexaff
Karan Desai

Notice bibliographique

Revuenon disponible
Typepreprint
Langueen
DomainePsychology
ThématiqueHuman-Automation Interaction and Safety
Établissements canadiensToronto Metropolitan University
Organismes subventionnairesnon disponible
Mots-clésJoystickGraphical user interfaceComputer scienceHuman–computer interactionRobotic armUser interfaceGraphical user interface testingTask (project management)Interface (matter)User interface designSimulationArtificial intelligenceUser experience designEngineeringOperating systemSystems engineering

Résumé

récupéré en direct d'OpenAlex

Design of a graphical user interface (GUI) is a delicate task requiring knowledge of human cognitive behaviour, design strategies and programming skills. In this thesis work, a GUI has been developed for control of a robotic arm that is capable of sample retrieval and collection. This thesis work creates a bridge between technical and psychological aspects of interface design by integrating the concepts of compatibility of GUI with users, consistency in design, visual hierarchy and page layout. The developed GUI is able to support control of the robotic manipulator autonomously and manual operation using a joystick. Combinations of control functions have been defined and implemented to alleviate the operator’s efforts. The developed GUI is capable of task planning in offline mode. Implemented intelligent server/client architecture enables efficient remote control of the robotic arm. The presented interface can also be used for multiple systems with minimal changes. To verify the effectiveness of the developed GUI, experiments have been conducted using a robotic arm comprised of three rotary joints and a scoop.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,002
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: aucune
GenreSignal candidat: Méthodes · Signal consensuel: Méthodes
Score de désaccord entre enseignants0,009
Score d'incertitude au seuil0,032

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,002
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,000
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0090,003

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.

Tête enseignante Opus0,045
Tête enseignante GPT0,362
Écart entre enseignants0,317 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreMéthodes

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetHuman-Automation Interaction and SafetyTravaux en français237 207