Configuration identification of on-demand variable stiffness strain-limiting layers in zig-zag soft pneumatic actuators using deep learning methods
Notice bibliographique
Résumé
Soft pneumatic actuators (SPAs) typically offer a fixed trajectory, resulting in one specific tip motion for a given range of pressure. When multiple trajectories are needed, these actuators require re-fabrication with altered structural designs, with different lengths, chamber sizes, and wall thicknesses etc. Passive modular variable stiffness SPAs present a significant advantage by enabling the realization of many distinct trajectories without structural redesign. Although various mathematical modeling techniques are widely used to predict their tip motion by treating it a kinematics problem, solving the inverse problem in the presence of modular strain-limiting layer (SLL) configurations is challenging. It is essential to determine the configuration of such a slender actuator in the form of a robot manipulator to deploy it for a specific function and application without re-fabricating them, by simply varying the SLL per the configuration required for a particular tip-point trajectory. To this aim, this paper introduces a hybrid methodology (based on feed-forward neural network) and a convolutional neural network-based method to predict the required SLL configuration for a particular tip trajectory of the SPA. This methodology is generic enough to apply to such actuators to predict their configuration as per their specific tip point trajectory in Cartesian space. The results presented for a slender SPA have demonstrated that the proposed method has predicted its configurations for a range of applications typified by an endoscope prototype, a soft robotic gripping application, and a system mimicking human finger movement with an average error of 1.65%. This study offers a versatile methodology for "function and application specific" SPAs or robot manipulators without re-fabricating them, by strategically combining SLL and machine learning-based prediction to generate a specific trajectory.
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 | 0,004 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».