Self Learning Fuzzy Logic-Based Robust Control of Robotic Manipulators Driven With BLDC Motors: A Task Space Control Approach
Notice bibliographique
Résumé
The primary objective of this study is to enable the end effector of robot manipulators driven by brushless DC motors (BLDC), subjected to model uncertainties, to track the desired trajectory. Direct control in task space, with the primary goal of minimizing the tracking error of the end effector, is favored. Besides, incorporating actuator dynamics (AD)actuator dynamics (AD) into control synthesis and stability analysis is intended to enhance the sensitivity in terms of positioning and the reliability of robot manipulators. Consideration is given to uncertainties in both the robot manipulator and AD to achieve enhanced tracking performance. In order to improve the efficiency of the closed-loop control system, uncertainties in the dynamic model and AD were estimated using a self-organized adaptive fuzzy logic (AFL)adaptive fuzzy logic (AFL) framework, and the obtained estimates were applied to the control torque input. In the employed AFL framework, the means and variances of the membership functions (MFs)membership functions (MFs) are updated online in each iteration, enabling a more accurate estimation of uncertainties. The use of the newly created Lyapunov function demonstrates that the closed-loop system is uniformly ultimately bound. Experimental comparisons were conducted on a two-degree-of-freedom planar robot manipulator driven by a BLDC motor to test the applicability of the presented controller.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 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 ».