MétaCan
Menu
Retour à la cohorte
Enregistrement W4294338840 · doi:10.1109/marss55884.2022.9870492

Multi-material Fabrication for Magnetically Driven Miniature Soft Robots Using Stereolithography

2022· article· en· W4294338840 sur OpenAlexaff
Zhaoxin Li, Eric Diller

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomainePhysics and Astronomy
ThématiqueMicro and Nano Robotics
Établissements canadiensUniversity of Toronto
Organismes subventionnairesnon disponible
Mots-clésStereolithographyRobotActuatorWorkspaceComputer scienceMorphingSoft roboticsFabricationMaterials science3D printingMechanical engineeringArtificial intelligenceEngineering

Résumé

récupéré en direct d'OpenAlex

Remote manipulation and controlled navigation of magnetically driven miniature soft robots make them promising robotic tools operating in hard-to-reach workspace. The functionality of robots can be enhanced by integrating multiple materials with different mechanical or magnetic characteristics. However, it remains challenging combining multiple materials along with arbitrary magnetization profile formation during fabrication. This study, from a pixel level, uses stereolithography process to precisely incorporate multiple materials with different physical properties for millimeter-scale robot printing, as well as encode discrete magnetizations for the actuating parts, which provides a customizable approach for sophisticated shape production. Complex shape transformations and dynamic motions were observed through the magnetic actuation of printed robots. With the integration of magnetoactive and non-magnetic materials, free locomotion in a liquid environment tracked by optical and ultrasonic detections was achieved by actuating a 4-arm flapping robot. Moreover, discrete patterns were formed with the combination of soft and rigid magnetic materials. Such versatility of robotic behaviors and enhanced morphing capabilities enable the creation of complex multi-material actuators and provide a promising route towards a wide spectrum of biomedical applications.

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)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesCharge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,745
Score d'incertitude au seuil0,999

Scores Codex et Gemma par catégorie

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

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 Opus0,019
Tête enseignante GPT0,260
Écart entre enseignants0,241 · 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'étudeExpérimental (laboratoire)
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

Citations13
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetMicro and Nano RoboticsTravaux en français237 207