MétaCan
Menu
Retour à la cohorte
Enregistrement W4312105605 · doi:10.1115/1.4056575

Optimum Design for a New Reconfigurable Two-Wheeled Self-Balancing Robot Based on Virtual Equivalent Parallel Mechanism

2022· article· en· W4312105605 sur OpenAlexaff
Hongyan Tang, James W. Zhang, Lanqing Pan, Dan Zhang

Notice bibliographique

RevueJournal of Mechanical Design · 2022
Typearticle
Langueen
DomaineEngineering
ThématiqueRobotic Mechanisms and Dynamics
Établissements canadiensYork UniversityMcMaster University
Organismes subventionnairesnon disponible
Mots-clésMechanism (biology)Mechanism designRobotKinematicsControl theory (sociology)Computer scienceSimulationRobot locomotionMobile robotControl engineeringVirtual prototypingEngineeringRobot controlArtificial intelligence

Résumé

récupéré en direct d'OpenAlex

Abstract Two-wheeled self-balancing robot (TWSBR) is a mobile robot with a wide application in security, rescue, entertainment, and other fields. To make the robot obtain a larger range of the controllable inclination angle, a reconfigurable mechanism of the moment of inertia is designed for the TWSBR, and the energy consumption of the reconfigurable mechanism is reduced by a gravity compensation mechanism. This paper constructs a virtual equivalent parallel mechanism (VEPM) to model the robot-ground system combining the robot and the ground. The kinematics, dynamic model, and performance indexes of the VEPM are solved based on the vector method, the Lagrangian dynamics, and the screw theory. Then, the dimensions of the mechanism are optimized based on the comprehensive performance analysis. Finally, the effectiveness of the optimization algorithm and gravity compensation mechanism is verified through simulation and motion experiments. The reconfigurable mechanism enables the TWSBR to stand up, step up, and surmount obstacles. The performance analysis and optimal design approaches proposed in this paper have positive significance for the systematic modeling and optimal design of two-wheeled and two-legged robots.

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)0,003
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: Méthodes
Score de désaccord entre enseignants0,089
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0030,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0010,000
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 Opus0,034
Tête enseignante GPT0,243
Écart entre enseignants0,209 · 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

Citations18
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Mechanical DesignMême sujetRobotic Mechanisms and DynamicsTravaux en français237 207