Autonomous Gait Switching Strategy for Cross Domain Robots based on Bayesian Networks
Notice bibliographique
Résumé
In complex amphibious environments, cross-domain robots require enhanced adaptability to diverse terrains to improve operational efficiency and ensure safety. This paper proposes a Bayesian network (BN)-based autonomous gait switching decision-making method for cross-domain robots. First, the Max-Min Hill-Climbing-K2 (MMHC-K2) algorithm is employed to learn the BN structure. Subsequently, expert knowledge and sample data are integrated to determine prior probabilities for input nodes. Finally, the posterior probability of the decision is solved using Bayesian formula to complete the parameter learning of the BN model, thus completing the model construction. Environmental information acquired through onboard sensors is input into the established BN model, which calculates the optimal decision scheme with maximum probability. The decision output includes both recommended gait patterns and detailed parameter configurations. The derived gait control parameters are fed into the Central Pattern Generator (CPG) control network, where six Hopf oscillators resolve leg-specific phases. A mapping function then outputs rotation angles for the robot’s arc-shaped legs, enabling motor-driven gait switching. This mechanism allows the robot to traverse complex terrains with appropriate locomotion patterns. To verify the effectiveness of the method, terrain crossing simulations were conducted in a water land transition environment. Simulation results demonstrate that the robot can effectively make gait switching decisions based on sensor inputs, successfully implement these decisions through CPG network control, and ultimately achieve stable traversal on challenging terrains.
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 ».