Design and implementation of a leader-follower controller for a wheel-legged robot
Notice bibliographique
Résumé
Leader-follower formation control of mobile robots has been investigated by many researchers in the robotics community to control multi-robot systems. This control method can coordinate a team of unmanned vehicles by manoeuvering each robot to maintain its desired position with respect to the leader of the formation. The leader-follower control strategy can also be applied to implement human-follower behaviours on mobile robots. In this thesis, a leader-follower controller was developed for the Micro-Hydraulic Toolkit (MHT), a quadruped wheel-legged robot designed by Defence Research and Development Canada (DRDC) at the Suffield Research Centre. Previously, a velocity-based inverse kinematics controller was designed and implemented on the vehicle to control its posture. However, since the MHT does not have a steering mechanism for its wheels, this controller is unable to execute turning manoeuvres with the robot. Therefore, a separate controller was developed in order to steer the MHT to achieve leader-follower formation control. The purpose of the leader-follower controller is to compute the desired wheel velocities of the robot to reach and maintain a desired range and bearing with respect to a designated leader. To implement the controller on the physical robot, a vision algorithm was developed to measure the range and bearing of the leader with respect to the MHT using a monocular camera. A wide range of leader-follower scenarios was executed in simulation using a high fidelity physics-based model of the Toolkit and on the physical platform of the MHT to assess the performance of the leader-follower controller. The results of these tests demonstrated that the controller developed is successfully capable of executing leader-follower behaviours with the MHT.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,001 | 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 ».