Bridging the gap between haptic devices and cobots with highly geared magnetorheological actuators
Notice bibliographique
Résumé
In the current age of artificial intelligence, physical interactions between humans and robots have become a crucial aspect of robot design. However, these interactions are limited by the performance of actuation hardware. Unlike human muscles, robot actuators cannot handle both strong, powerful tasks (such as typical cobot tasks) and delicate, dexterous tasks (such as haptic tasks) with the same efficiency and size due to conflicting design requirements. As a result, different actuation methods are chosen based on how much emphasis is placed on a specific set of performance criteria. To address these conflicting demands, this paper investigates the potential of using magnetorheological (MR) clutch actuators for more human-like robot interactions. The paper presents an analytical and experimental comparison of today's leading actuator technologies-high reduction ratio's harmonic drives and low reductions ratio's quasi-direct drives-against MR clutch actuators. Analytical models are developed to evaluate five key actuator performance metrics: torque-to-mass, torque-to-inertia, backdriving loads, rendering stiffness, and power consumption. The design space for the three technologies is explored, and their performance potential is analyzed. The results demonstrate that the fluidic interface of MR actuators resolves two major conflicts. First, it overcomes the fundamental conflict in gearing selection by separating the motor's inertia from the actuator's output, allowing for high gearing ratios (such as 100:1) to minimize actuator torque-density with minimal output inertia. Second, MR actuators address the issue of damping, which limits quasi-direct drive stiffness rendering, by using the serial positioning of the fluidic interface to adjust damping rates as needed, enabling rendered stiffness levels up to five times greater than harmonic drives. These dynamic characteristics, combined with high torque densities (> 100 Nm/kg), low backdriving torque, and low power consumption, offer the potential for robotic performance that closely mimics human capabilities.
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 | 0,001 | 0,002 |
| 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 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 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 ».