Ponçage de murs en gypse avec un bras robot collaboratif
Bibliographic record
Abstract
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.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.000 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.000 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.002 | 0.001 |
| Insufficient payload (model declined to judge) | 0.012 | 0.002 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".