Exploring Analytical and Deep Learning Solutions for High-Degree-of-Freedom Inverse Kinematics
Notice bibliographique
Résumé
Abstract This paper presents a comparative study of analytical and deep learning (DL) approaches for solving the inverse kinematics (IK) problem in high-degree-of-freedom (DOF) robotic manipulators, focusing on the Lunar Exploration Rover System (LERS). The IK problem, central to robotic motion control, is traditionally solved using analytical methods, but recent advances in deep learning provide new opportunities to enhance precision and efficiency. The study evaluates the performance of DL Neural Networks, in addressing the complexities of high-DOF manipulators. A detailed comparison is conducted between traditional geometric solutions and DL-based models, with an emphasis on robustness and computational efficiency under noisy conditions. The results demonstrate the potential of DL methods to outperform traditional techniques in high-DOF environments, paving the way for future advancements in autonomous robotic systems. In addition to the IK study, the paper discusses the design and integration of the LERS robotic system, which plays a critical role in advancing autonomous lunar exploration under the ARTEMIS program. As part of this international collaboration involving NASA, the Canadian Space Agency (CSA), the European Space Agency (ESA), and the Japan Aerospace Exploration Agency (JAXA), LERS is tasked with supporting both crewed and unmanned missions on the Moon. LERS is designed to perform precise robotic manipulation tasks such as deploying infrastructure, gathering scientific data, and managing lunar resources, all of which are vital for future missions to Mars. The implementation of advanced IK solutions is key to enabling the precise control of LERS’s robotic arms, allowing for the successful execution of complex tasks such as assembling habitats, handling materials, and conducting scientific analyses on the lunar surface. This work highlights the importance of IK in ensuring that robotic systems like LERS can operate with the precision needed for the next generation of lunar missions.
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 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 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 ».