Quantum neural network-based inverse kinematics of a six-jointed industrial robotic arm
Notice bibliographique
Résumé
This research examines the potential of quantum-inspired neural networks (QNNs) for solving the inverse kinematics of robotic arms, focusing on the six-degree-of-freedom ABB IRB140 robot. Traditional inverse kinematics approaches face challenges such as non-unique solutions and computational complexity, especially with increasing degrees of freedom. While artificial neural networks (ANNs) have shown promise, they require further improvements, particularly in terms of quantum computing integration. This study introduces a quantum-inspired activation function to multi-layer perceptron neural networks. We compared ANNs and QNNs with and without singularity avoidance, finding that QNNs significantly outperformed ANNs in mean absolute error (MAE), achieving a 15.60% lower MAE in singularity-free models and a 16.67% lower MAE in singularity-avoidance models. The QNNs demonstrated superior precision, with a position error of 1.64 mm and an orientation error of 0.00179 radians when avoiding singularities. These results highlight the potential of QNNs to enhance the precision, efficiency, and performance of robotic arm manipulation. Quantum computing offers advantages including parallelism, quantum entanglement, and quantum annealing, which contribute to the QNNs’ superior performance. Overall, this study represents a practical contribution to robotics and quantum computing, paving the way for future research into applying quantum principles to neural network models for robotics.
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 | 0,000 | 0,001 |
| 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 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».