MétaCan
Menu
Retour à la cohorte
Enregistrement W4241125318 · doi:10.1504/ijmic.2019.10019329

Adaptive backstepping control of multi-mobile manipulators handling a rigid object in coordination

2019· article· en· W4241125318 sur OpenAlexaff
Jawhar Ghommam, Wen Hong Zhu, Maarouf Saad, Guy Gauthier, Abdelkrim Brahmi

Notice bibliographique

RevueInternational Journal of Modelling Identification and Control · 2019
Typearticle
Langueen
DomaineEngineering
ThématiqueControl and Dynamics of Mobile Robots
Établissements canadiensÉcole de Technologie SupérieureUniversité du Québec à Montréal
Organismes subventionnairesnon disponible
Mots-clésBacksteppingWorkspaceControl theory (sociology)Lyapunov functionController (irrigation)Mobile manipulatorComputer scienceObject (grammar)Position (finance)Tracking errorBounded functionControl engineeringMobile robotStability (learning theory)Virtual imageAdaptive controlRobotArtificial intelligenceControl (management)EngineeringMathematicsNonlinear system

Résumé

récupéré en direct d'OpenAlex

This paper presents an adaptive backstepping control scheme applied to a group of mobile manipulator robots transporting a rigid object in coordination. All the dynamic parameters of the robotic system, including the handled object and the mobile manipulators, are assumed to be unknown but constant. The problem of uncertain parameters is resolved by using the virtual decomposition approach (VDC). This approach was originally applied to multiple manipulator robot systems. In this paper, the VDC approach is combined with backstepping control to ensure a good position tracking. The controller developed in this work ensures that the position error in the workspace converges to zero, and that the internal force error is bounded. The global stability of the entire system is proven based on the appropriate choice of Lyapunov function using virtual stability of each subsystem, based on the principle of the virtual work. An experimental validation is carried out for two mobile manipulators moving a rigid object in order to show the effectiveness of the proposed approach.

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)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,003
Score d'incertitude au seuil0,007

Scores du classifieur distillé par catégorie (deux têtes)

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

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 Opus0,010
Tête enseignante GPT0,224
Écart entre enseignants0,214 · 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'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

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
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInternational Journal of Modelling Identification and ControlMême sujetControl and Dynamics of Mobile RobotsTravaux en français237 207