Real-time algorithm for table tennis with a desktop robotic arm
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Table tennis with collaborative robots has been a challenge in robotics for decades, due to its unique challenges, especially high-speed movements and real-time ball trajectory predictions for responsive and accurate gameplay. Over the years, several table tennis robots have been developed, showing progressively enhanced abilities for returning balls, hitting specific targets, rallying with collaborative human users, and playing amateur-level games. However, these robotic systems remain costly for individuals, often relying on industrial components, or specialized designs. Emerging AI-integrated personal desktop robotic arms could help bridge the performance gap between affordable personal robotic systems and traditional industrial robots, particularly in terms of dexterity, speed, and precision. Despite this potential, desktop robotic arms have not yet been used for table tennis. However, existing table tennis algorithms require specific adaptations to accommodate the constraints of desktop robots. This paper aims to develop a dedicated algorithm for a collaborative table tennis system using a desktop robotic arm to demonstrate the achievable performance of AI-integrated desktop robots. The proposed system utilizes a 5-degree-of-freedom (DOF) serial robot, integrating advanced algorithms and machine learning models to improve performance. This system enables short collaborative rallies, returning 71.3% of balls overall, improving to 81.4% after fine-tuning system parameters — approaching the best one from the literature (88%) using a 7-DOF industrial robotic arm. This underscores the potential of affordable, AI-integrated desktop robotic arms for high-speed human–robot collaboration. Future works will focus on adapting the algorithm for specialized desktop hardware, expanding desktop robots to other applications, and further enhancing their performance.
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.
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 découle