Modeling Elastic Cable-Surface Friction for Soft Robots
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
Abstract Due to inherent compliance and nonlinear behavior, modeling soft robots is highly complex. While the elasticity of their materials provides the robots with adaptability and resilience, it also causes undesirable effects. Cable-driven soft robots are particularly affected by frictional forces, which can significantly alter their deformed shape. Unfortunately, most existing cable friction models have been developed for rigid surfaces and do not account for the interactions between elastic cables and surfaces. As a result, research on cable-driven soft robots often neglects friction due to the difficulty of acquiring data and implementing mathematical models. This article introduces a novel friction model that considers the asperity behavior of both the cable and the friction surface. We propose a new methodology that accurately replicates friction interaction in soft robots, which requires as few as nine data points. The methodology is assessed on four distinct material interactions, comprising two cables with different diameters and materials, and two three-dimensional (3D)-printed surfaces made from polylactic acid (PLA) and thermoplastic polyurethane (TPU). By accurately estimating the nonuniform distribution of the joint deformation caused by friction, the new friction formulation achieves a 2.8% error in predicting a soft gripper’s tip locations, while the current state-of-the-art model shows a 16.1% error. We also demonstrate that, with an accurate friction model, it is possible to optimize the cable routing points to achieve the desired grasping strategy for a soft gripper.
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 | 0,000 |
| 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 | 0,002 |
| 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