MétaCan
Menu
Retour à la cohorte
Enregistrement W4387682259 · doi:10.1109/tro.2023.3324571

Stability Analysis of Tendon Driven Continuum Robots and Application to Active Softening

2023· article· en· W4387682259 sur OpenAlexaff
Quentin Peyron, Jessica Burgner-Kahrs

Notice bibliographique

RevueIEEE Transactions on Robotics · 2023
Typearticle
Langueen
DomaineEngineering
ThématiqueSoft Robotics and Applications
Établissements canadiensUniversity of Toronto
Organismes subventionnairesHorizon 2020 Framework Programme
Mots-clésRobotControl theory (sociology)Stability (learning theory)StiffnessPayload (computing)TendonRoboticsComputer scienceEngineeringArtificial intelligenceStructural engineeringControl (management)

Résumé

récupéré en direct d'OpenAlex

Tendon driven continuum robots are often considered to navigate through and operate in cluttered environments. While their compliance allows them to conform safely to obstacles, it leads them also to buckle under tendon actuation. In this article, we perform for the first time an extensive elastic stability analysis of these robots for arbitrary planar designs. The buckling phenomena are investigated and analyzed using bifurcation diagrams, complementing the current state of the art and adding new knowledge about robots composed of$n$spacer disks. We show the existence of multiple robot configurations with different shapes, achievable with the same actuation inputs. A global stability criterion is also established, which links the critical tendon force, until which the robot is stable to the design parameters. Finally, the buckling phenomena are used to actively soften the robot for a better compromise between compliance and payload. An open loop control strategy is proposed, which can theoretically decrease the stiffness to zero, while maintaining the same robot shape. Experimentally, the robot is made four times more compliant than it is nominally using tendon actuation only.

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)0,001
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 enseignants0,002
Score d'incertitude au seuil0,006

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,000
Études des sciences et des technologies0,0000,001
Communication savante0,0000,000
Science ouverte0,0000,001
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 Opus0,014
Tête enseignante GPT0,243
Écart entre enseignants0,229 · 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

Citations21
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueIEEE Transactions on RoboticsMême sujetSoft Robotics and ApplicationsTravaux en français237 207