Accuracy Enhancement of Industrial Robots Based on Visual Servoing Using Optimal Adaptive RBFNN Integral Terminal Fractional-Order Super-Twisting Algorithm
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
This paper proposes a novel adaptive robust control scheme for accuracy enhancement 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 minimize the error of the end-effector detected by the photogrammetry sensor. 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 terminal. 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 networks (RBFNNs) is designed and employed to reduce the uncertainty bounds, contributing to further chattering reduction. The stability analysis of the proposed controller is also presented. Simulation and experimental results show the superiority of the proposed method over other well-known approaches by reaching an unprecedented tracking accuracy, i.e. 0.06 mm and 0.18[Formula: see text] 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.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 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 découle