Robust AI-Driven Target-Object-Free Hybrid Vision/Force Control of Industrial Robotic Systems
Notice bibliographique
Résumé
This article introduces a robust AI-driven hybrid vision/force control (HVFC) method for industrial robots. The proposed HVFC method exploits Superpoint, a pretrained deep convolutional neural network (DCNN), as the AI agent to extract interest points for image-based visual servoing (IBVS), making it a target-object-free method. This tackles the limited workspace issue of eye-in-hand robots interacting with a workpiece due to the short distance between the camera and the workpiece, including a target object or landmarks. A learning-by-demonstration (LBD) method is also developed to generate the desired interest points associated with the desired path on the workpiece for interaction. To handle the issue of a high and variable number of interest points for use in IBVS, a set of six independent image features is extracted from the detected interest points, resulting in an invertible image interaction matrix, leading to global stability and a robust control process. To perform HVFC, a hierarchical orthogonal sliding manifold is defined, allowing force control in the normal direction and IBVS in the rest. Further, a filtered terminal integral sliding-mode controller is developed to stabilize the manifold, resulting in high tracking accuracy and robust performance against uncertainties and measurement noises. The experimental results of polishing and sanding the surfaces of a flat plastic board, a wooden airplane propeller, and a metal pegboard demonstrate the feasibility and superiority of the proposed HVFC-LBD method over conventional counterparts in terms of workspace expansion, robustness, and tracking accuracy.
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) | 0,001 | 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 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 ».