Quantum Particle Swarm Optimization (QPSO)-Based Enhanced Dynamic Model Parameters Identification for an Industrial Robotic Arm
Notice bibliographique
Résumé
Accurate parameter identification in dynamic models of robotic arms is essential for performing high-performance control and energy-efficient procedures. However, classic methods often encounter difficulties when modeling nonlinear, high-dimensional systems, particularly in the presence of real-world uncertainties. To address these challenges, this study focuses on identifying mass center positions and inertia matrix elements in a six-jointed industrial robotic arm and comparing the influence of optimized algorithms: the classical Particle Swarm Optimization (PSO) and the Quantum-behaved Particle Swarm Optimization (QPSO). The robot’s kinematic model was validated by comparing it with actual motion data, utilizing a high-precision neural network to ensure accuracy before conducting a dynamic analysis. A comprehensive dynamic model was created using Computer-Aided Optimization (CAO) in SolidWorks Premium 2023 to simulate realistic mass parameters, thereby validating the model’s reliability in a practical setting. The real (Referenced) and optimized dynamic models of the robot arm were validated using trajectory tracking simulations under sliding mode control (SMC) to assess the impact of the optimized model on the robot’s performance metrics. Results indicate that QPSO estimates inertia and mass center parameters with Mean Absolute Percentage Errors (MAPE) of 0.76% and 0.43%, outperforming PSO significantly and delivering smoother torque profiles and greater resilience to external disturbances.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 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 | 0,001 | 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 ».