Model-Free Force Control of Cable-Driven Parallel Manipulators for Weight-Shift Aircraft Actuation
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
We present a novel approach to flight control of weight-shift aircraft by employing a cable-driven parallel robot (CDPR) integrated with adaptive force control based on reinforcement learning. Development of weight-shift aircraft control has been sparse. Despite limited but notable efforts, modeling is hindered by parameter uncertainty stemming from the system’s nonlinear dynamics. The model-free control method introduced in this work operates without relying on the knowledge of the complex dynamics inherent to weight-shift aircraft flight control. An online reinforcement learning technique known as action dependent heuristic dynamic programming (ADHDP) is applied to the problem of coordinating the tension forces across parallel cable-driven actuators. Two adaptive learning agents perform demanded weight-shift maneuvers by coordinating torque commands, without an inverse kinematics model. The online reinforcement learning control is implemented on flight controller hardware with limited computational resources and strict timing constraints, performing real-time experiments on a kinematically equivalent surrogate two-body weight-shift mechanism. After online training in the presence of sustained disturbance events, the adaptive learning agents optimally balance against competing trajectory tracking objectives. The CDPR capably reproduces standard S-turn maneuvers, coordinating simultaneous banking and pitching speed actions. The encouraging experimental results inform future integration of the weight-shift CDPRs toward automatic flight control that is unprecedented for this class of aircraft.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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