Integrating Industrial Robots Through a Contact Method
Notice bibliographique
Résumé
The evolving industrial paradigm demands high quality procedures and automation to adapt to dynamic market conditions. As a consequence, novel robotic systems are integrated within the current digital industrial environments ensuring real-time adaptation to production changes and safe operation with humans and machines. Collaborative robots (cobots) and Autonomous Mobile Robots (AMRs) are designed to follow these principles enhancing the current digital industrial revolution. However, while AMRs are subjected to navigation errors, cobots incur in positioning errors due to the stepper motors operation, resulting in a combined interaction error that do not allow a direct accurate operation between these robots. The addressing of this challenge requires the definition of a robust integration framework between these robots that enables the compensation for the interaction errors occurring during their joint operation. To achieve this challenge, in this paper, we propose a novel Fictitious Points Compensation Methodology (FPCM) based on contacts on the AMR structure and an appropriate error characterization that compensates the interaction errors, proving that these errors are systematic. Practically, we make use of fictitious points that define the final position of the cobot end-effector to minimize the final interaction error. The validity of the proposal is verified through two practical cases showing angular errors up to 0.04°, and placement errors up to 0.13 mm, which validates both the proposal and the error characterization. Thus, our method efficiently addresses the challenge of integrating heterogeneous robotic systems within the current industrial paradigm.
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) | 0,000 | 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 | 0,000 | 0,000 |
| 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 ».