MétaCan
Menu
Retour à la cohorte
Enregistrement W4223987358 · doi:10.1109/accai53970.2022.9752654

Omni-Directional Robot Based on Swerve Drive

2022· article· en· W4223987358 sur OpenAlexaff
Sanjeev Sharma, Kamala Vennela Vasireddy, Rose G Melita, Suraj Suresh, M Rakesh

Notice bibliographique

Revue2022 International Conference on Advances in Computing, Communication and Applied Informatics (ACCAI) · 2022
Typearticle
Langueen
DomaineComputer Science
ThématiqueRobotic Path Planning Algorithms
Établissements canadiensHorizon College and Seminary
Organismes subventionnairesnon disponible
Mots-clésRobotDegrees of freedom (physics and chemistry)Snake-arm robotComputer scienceMobile robotBang-bang robotTerrainControl engineeringHolonomicCartesian coordinate robotArticulated robotMechanism (biology)Rotation (mathematics)Robot kinematicsArtificial intelligenceEngineeringSimulationPhysics

Résumé

récupéré en direct d'OpenAlex

Robots are machines being extensively used in various domains, in some cases replacing human effort. One of the challenges that are prevalent when it comes to the structural build of the robot is the mobility, that is defined by the ease with which the robot can navigate in rough terrains, industrial applications and dynamic environments. This problem can be solved by employing the concept of holonomic robots, wherein the controllable degrees of freedom is equivalent to the total degrees of freedom. This paper proposes one such structural design of an Omni-Directional robot, whose wheels can freely move in any direction. They can move like general wheels or can move sideways along its circumference. The design makes use of Swerve Drive which allows the robot to move in all the directions by just pointing the wheels in that particular way. Rotation is attained by tilting the wheels to 45° from the line of axis. Also, this design aims to develop the Omni-Directional robot as an autonomous robot. The Omni-Directional drive mechanism proves to be very helpful in challenging situations as it offers very good mobility.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Méthodes · Signal consensuel: aucune
Score de désaccord entre enseignants0,805
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0010,000
Communication savante0,0000,000
Science ouverte0,0020,001
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,021
Tête enseignante GPT0,294
Écart entre enseignants0,272 · 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 tête enseignante, pas un consensus.

Devis d'étudeSimulation ou modélisation
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

Citations1
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revue2022 International Conference on Advances in Computing, Communication and Applied Informatics (ACCAI)Même sujetRobotic Path Planning AlgorithmsTravaux en français237 207