Ponçage de murs en gypse avec un bras robot collaboratif
Notice bibliographique
Résumé
L’automatisation fait partie de la solution pour faire face au manque de main-d’œuvre au Canada. Ce manque se fait particulièrement sentir dans le milieu de la construction, mais il peut-être difficile pour ce milieu d’intégrer l’automatisation à cause de l’environnement variable et du fait que les compagnies de construction sont souvent à leur premier pas en termes d’automatisation. Pour s’assurer qu’un premier projet d’automatisation soit un succès, il est important de choisir la bonne tâche à automatiser. Dans ce cas, la tâche de ponçage est pertinente pour l’automatisation car elle demande une grande quantité de travail manuel. Elle porte aussi des risques de blessures musculosquelettiques à cause du travail répétitif et le ponçage du plâtre cause une grande quantité de poussière incommodante qui oblige les travailleurs à porter des masques durant le travail. Ces conditions laissent entrevoir un retour intéressant sur l’investissement en temps humain et une bonne acceptabilité sociale. Des travaux préliminaires ont été faits avec un algorithme de vision pour localiser les joints dans l’espace du robot. Une caméra RGB-D stéréo et des projecteurs proches ultra-violets permettent d’illuminer le joint et de l’associer au nuage de points correspondant. L’automatisation de la tâche est faite avec une ponceuse orbitale sur un bras robotique collaboratif monté sur une plateforme mobile. Un septième axe linéaire est ajouté au robot pour atteindre le sommet des murs et des plafonds. Pour valider la qualité du robot, il faut s’assurer qu’il ponce la même profondeur que les plâtriers. Avec un numériseur laser, la profondeur du plâtre enlevé est évaluée en mesurant la différence avant et après le ponçage. Les mesures de la profondeur du plâtre avant et après le ponçage nous montrent que les plâtriers poncent en moyenne 0,09 mm avec une déviation standard de 0,05 mm. Les résultats montrent donc une limite supérieure à 0,19 mm pour les plâtriers et, après les ajustements, le robot ponce en moyenne 0,10 mm avec une déviation standard de 0,04 mm. Donc, on estime une limite de 0,18 mm pour le robot, ce qui permettrait à celui-ci de poncer de façon similaire aux plâtriers, mais avec légèrement moins de ponçage pour s’assurer de ne pas endommager le mur.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,012 | 0,002 |
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 source (Gemma direct ou Codex distillé), 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 ».