Robust Photogrammetry-Based Online Pose Correction of Industrial Robots Employing Adaptive Integral Terminal Fractional-Order Super-Twisting Algorithm
Notice bibliographique
Résumé
In this paper, a novel adaptive robust control scheme is proposed for pose correction of eye-to-hand photogrammetry-based industrial robots subject to uncertainties. The proposed method uses two control loops: internal and external loops. The former is the dynamic controller designed for controlling the robot’s joints. The external loop is the kinematic controller to correct the pose error using the estimated end-effector’s pose acquired by the photogrammetry sensor (in this research C-track AMETEK). An adaptive integral terminal fractional-order super-twisting algorithm (AITFOSTA) is developed and employed for both control loops. AITFOSTA is an integral sliding mode controller (ISMC) whose nominal control law is a terminal one and its switching part is replaced with a fractional-order super-twisting algorithm (FOSTA), reducing the chattering to a great extent while rejecting the uncertainties. Additionally, an adaptive uncertainty and disturbance estimator based on radial basis function neural network (RBFNN) is designed and used as a compensator to reduce the uncertainty bounds, contributing to further chattering reduction. The stability analysis of the proposed controller is also presented. Experimental results on a PUMA200 industrial robot show superiority of the proposed method over other well-known approaches by reaching an unprecedented tracking accuracy, i.e., 0.06 mm and 0.18 deg for position and orientation, respectively.
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 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».