Guidelines to design a neural network as a feedforward controller for fast trajectory tracking of robotic arms
Notice bibliographique
Résumé
Abstract Tracking fast and accurate trajectories of robotic arms can be important in applications involving large movements, velocities, and accelerations. This would require either an accurate dynamic model of the arm or an aggressive tracking with high-gain feedback. Concretely, it can be difficult to obtain the accurate model, due to nonlinearities and uncertainties. Current developments of 3D-printed and low-cost robotic arms accentuate this issue. Control architectures for high-speed trajectory tracking requiring no dynamic model were recently proposed. These consist in learning the dynamic response of a proportional derivative controller with a neural network (NN) as feedforward controller. However, no detail was provided to make the most of these architectures. This paper aims to provide guidelines for an optimal design of a neural network (NN) as feedforward controller for fast and accurate trajectory tracking of robotic arms. The subsequent objective is to compare 1. one NN per individual joint (INN’s method); and 2. one global NN (GNN method). The method compares these two architectures. Results are illustrated with two serial robotic arms of 3 and 5 degrees of freedom, simulated then in reality. The main results are as follows: The control architecture reduces the trajectory tracking errors (RMSE < 2°). The INN’s method can be used when the joints dynamics are decoupled and requires less data than GNN method to learn the dynamics. A table sums up the guidelines for design, in five main steps. Perspectives are to apply these guidelines to develop low-cost robotic arms and extend to micro-movements.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,003 |
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 source (Gemma direct ou Codex distillé), 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 ».