Machine learning for automation of 3-DoF control of magnetically-levitated microrobots
Notice bibliographique
Résumé
This study presents a novel methodology for achieving three-degree-of-freedom (3-DoF) control for an attractive-type magnetically-levitated (maglev) microrobot using machine learning. Contact micromanipulation methods face challenges associated with friction, backlash, and maintenance requirements; particularly in delicate applications such as cell injection. The frictionless and low-maintenance nature of attractive-type maglev makes it a viable alternative to traditional methods, but achieving precise 3-DoF control for such systems is not straightforward due to the complexity of their magnetic fields. This research addresses this problem by introducing a machine learning-based methodology that automates the learning of levitation dynamics across the workspace, effectively bypassing a major challenge associated with cross-disciplinary applications of attractive-type maglev. Our presented approach introduces an automated system for generating training data with minimal human intervention, allowing a machine learning model to quantify the levitated microrobot’s physical response to system inputs while accounting for position-dependent variations in levitation dynamics across the workspace. This model is then used to establish 3-DoF position control of the levitated microrobot. In addition to simplifying the setup process for new and newly-modified attractive-type levitation platforms, this new data-driven methodology is demonstrated to improve performance over conventional methods; achieving up to a 20% reduction in root mean square error during trajectory tracking and up to a 36% reduction in step response settling times. The results demonstrate the ability of our automated methodology to significantly reduce the accessibility barriers associated with establishing and modifying attractive-type maglev platforms; effectively replacing the usual methods of finite element simulation, precise magnetic field measurements, and/or analytical calculations while providing enhanced levitation control over traditional methods. This advancement contributes to the field of micromanipulation and microforce sensing by offering a more accessible and efficient approach to achieving precise control in attractive-type maglev systems.
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) | 0,001 | 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 | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 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 ».