Robust Photogrammetry Sensor-Based Real-Time Pose Control of Industrial Robots
Notice bibliographique
Résumé
This article proposes a novel robust approach for accurate real-time pose control (RPC) of industrial robots based on photogrammetry sensors. The proposed method comprises two main parts: accurate pose detection using a photogrammetry sensor and robust Kalman filter (RKF) and RPC of the robot's end-effector utilizing a chattering-reduced sliding mode controller (CRSMC) with a nonlinear sliding surface. An eye-to-hand photogrammetry sensor (C-Track ATEMEK) detects the robot's pose, and then RKF filters out the noises in the detected pose signals. These filtered signals are fed to the CRSMC, which exploits a fast-nonlinear reaching law and nonlinear sliding surface to provide robustness against existing uncertainties, high tracking accuracy, and fast convergence speed. The stability of the CRSMC in the discrete-time domain is proved, and its performance is analyzed. The simulation results demonstrate the superiority of the proposed approach to other methods in terms of convergence speed, control effort, chattering level, and tracking accuracy. Experimental results on a PUMA 200 robot also show an unprecedented tracking accuracy, i.e., ±0.07 mm and ±0.17° 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 | 0,000 |
| 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) | 0,001 | 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 ».