Tool Center Point Calibration Method for an Industrial Robots based on Spheres Fitting Method
Notice bibliographique
Résumé
As robots become more sophisticated, they can handle an increasing number of industrial processes. Six-degree-of-freedom (6DoF) robots are capable of complex motions that allow them to perform many complicated industrial tasks such as palletizing, handling, gluing, and welding using a wide variety of tools. However, to take advantage of the capabilities of these robots, accurate recalibration is required each time a new tool is introduced. There are various methods for calibrating the tool center point (TCP). Contact with reference parts, the use of distance sensors, and the use of laser interferometry are just a few. These methods show acceptable results for some industrial applications with maximum position error in the range of 2mm and 0.8mm. External sensors, such as camera systems, can also be attached to different locations on the robot to acquire the precise position of a reference object from which the robot can be calibrated. These non-contact calibration methods are more accurate and efficient than the traditional multi-point contact method, but the complex system components and high cost limit their application. The goal of this work is to improve accuracy of results given by ‘four-point calibration’ method provided by the industrial robot. A sphere fitting calibration approach based on the four-point calibration method findings as initial data is proposed in this study to avoid the exact point-to-point matching operation in the low-cost multi-point calibration method.
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 ».