ผู้แต่ง:  (1) Jorge Francisco Garcia-Samartın, ศูนย์ระบบอัตโนมัติและหุ่นยนต์ (UPM-CSIC), มหาวิทยาลัยโพลีเทคนิคมาดริด — สภาการวิจัยทางวิทยาศาสตร์ระดับสูง, Jose Gutierrez Abascal 2, 28006 มาดริด, สเปน (jorge.gsamartin@upm.es);  (2) Adrian Rieker, ศูนย์ระบบอัตโนมัติและหุ่นยนต์ (UPM-CSIC), มหาวิทยาลัยโพลีเทคนิคมาดริด — สภาการวิจัยทางวิทยาศาสตร์ระดับสูง, Jose Gutierrez Abascal 2, 28006 มาดริด, สเปน  (3) Antonio Barrientos, ศูนย์ระบบอัตโนมัติและหุ่นยนต์ (UPM-CSIC), มหาวิทยาลัยโพลีเทคนิคมาดริด — สภาการวิจัยทางวิทยาศาสตร์ระดับสูง, Jose Gutierrez Abascal 2, 28006 มาดริด, สเปน  ตารางลิงค์   บทคัดย่อและบทนำ 1  ผลงานที่เกี่ยวข้อง 2 รายการ   2.1 การทำงานของระบบลม   2.2 แขนลม   2.3 การควบคุมหุ่นยนต์อ่อน  3. PAUL: การออกแบบและการผลิต   3.1 การออกแบบหุ่นยนต์   3.2 การเลือกใช้วัสดุ   3.3 การผลิต   3.4 ธนาคารผลงาน  4 การรวบรวมข้อมูลและการควบคุมแบบเปิด   4.1 การตั้งค่าฮาร์ดแวร์   4.2 ระบบจับภาพวิสัยทัศน์   4.3 การสร้างชุดข้อมูล: แบบจำลองตามตาราง   4.4 การควบคุมแบบวงเปิด  5 ผลลัพธ์   5.1 เวอร์ชัน PAUL สุดท้าย   5.2 การวิเคราะห์พื้นที่ทำงาน   5.3 ประสิทธิภาพของแบบจำลองตามตาราง   5.4 การทดลองการดัด   5.5 การทดลองการแบกน้ำหนัก   6 บทสรุป   ข้อมูลการระดมทุน   ก. การทดลองและเอกสารอ้างอิงที่ดำเนินการ  5.5 การทดลองการแบกน้ำหนัก  ในที่สุด ความสามารถในการรับน้ำหนักของหุ่นยนต์และประสิทธิภาพของแบบจำลองจลนศาสตร์ก็ได้รับการประเมิน และรวบรวมข้อมูลในสุญญากาศด้วยน้ำหนักที่แตกต่างกัน เพื่อจุดประสงค์นี้ องค์ประกอบที่คล้ายกับข้อต่อระหว่างส่วนต่างๆ ซึ่งพิมพ์ด้วย PLA เช่นกัน ได้ถูกติดเข้ากับหุ่นยนต์ และมีการวางน้ำหนักโลหะที่แตกต่างกันไว้บนองค์ประกอบดังกล่าว อุปกรณ์ดังกล่าวสามารถดูได้จากรูปที่ 20  การทดลองประกอบด้วยการพา PAUL ไปยังจุดต่างๆ 10 จุดในพื้นที่ทำงานของเขา และเปรียบเทียบตำแหน่งที่เขาไปถึงกับตำแหน่งที่เขาจะไปถึงหากเขาไม่มีน้ำหนัก การเปรียบเทียบจึงทำโดยใช้แบบจำลองจลนศาสตร์ไปข้างหน้า เนื่องจากมีความแม่นยำมากกว่า ทดสอบน้ำหนักสี่แบบที่แตกต่างกันคือ 55, 90, 130 และ 155 กรัม ค่าเหล่านี้จะใกล้เคียงกับที่ใช้ในงานอื่นๆ ในภาคสนามสำหรับวัสดุอ่อนทั้งหมด   หุ่นยนต์ – ไม่รวมหุ่นยนต์ไฮบริด ซึ่งแน่นอนว่ามีขีดความสามารถในการรับน้ำหนักได้มากกว่ามาก – [47, 61]  รูปที่ 21 แสดงผลที่ได้ ค่าความผิดพลาดเฉลี่ยเท่ากับ 5.11, 4.40, 8.61 และ 10.01 มม. ตามลำดับ จากข้อมูลเหล่านี้ สามารถสรุปได้ว่า ไม่เพียงแต่น้ำหนักจะเพิ่มขึ้นตามลำดับเท่านั้น แต่ยังมี 2 ประเภท คือ ประเภทที่จัดกลุ่มการทดลองที่มีน้ำหนัก 55 และ 90 กรัม และอีกประเภทหนึ่งที่จัดกลุ่มการทดลองที่มีน้ำหนัก 130 และ 155 กรัม สำหรับค่าโหลดที่ต่ำกว่านั้น โมเดล PAUL จะทำนายค่าที่มีข้อผิดพลาดคล้ายกับค่าที่ได้จากการตรวจสอบจลนศาสตร์โดยตรงในตารางที่ได้โดยไม่ต้องใช้น้ำหนัก ในกรณีอื่นๆ ผลลัพธ์จะแย่ลงอย่างเห็นได้ชัด   นอกจากนี้ ยังสามารถเห็นได้ว่าค่าข้อผิดพลาดที่ต่ำนั้นค่อนข้างใกล้เคียงกันในทุกกรณี ซึ่งเกิดจากการที่ในจุดที่อยู่ใกล้กับศูนย์กลางของพื้นที่การทำงานมากที่สุด แมนิพิวเลเตอร์จะสามารถวางตำแหน่งตัวเองโดยมีข้อผิดพลาดน้อยลงมาก โดยไม่คำนึงถึงน้ำหนักที่แบกอยู่ สิ่งที่เกิดจากภาระจึงไม่ใช่การเพิ่มขึ้นของข้อผิดพลาดอย่างเป็นระบบ แต่เป็นการลดลงของพื้นที่ทำงาน เนื่องจาก PAUL ขาดกำลังที่จะเข้าถึงพื้นที่ที่ไกลจากศูนย์กลางที่สุดด้วยน้ำหนักพิเศษ   ตารางที่ 5 เปรียบเทียบประสิทธิภาพของ PAUL กับผลงานอื่นๆ แม้ว่าจะมีช่องว่างสำหรับการปรับปรุง ผลลัพธ์ที่ได้ที่นี่ดีกว่าการควบคุมวงปิดของ [47] ซึ่งข้อผิดพลาดเฉลี่ยที่ได้คือ 2 ซม. และดีกว่าแมนิพิวเลเตอร์แบบมีสายของ [61] แม้ว่าอย่างหลังดูเหมือนจะไม่ขึ้นอยู่กับโหลด แต่ PAUL กลับพบว่าข้อผิดพลาดเพิ่มขึ้นตามน้ำหนักที่เพิ่มขึ้น ซึ่งดูเหมือนว่า PAUL จะทำงานได้ต่ำกว่ามาตรฐานเมื่อมีน้ำหนักมากขึ้น  ยังมีสองด้านที่ต้องวิเคราะห์ ประการหนึ่ง เพื่อดูว่าการเพิ่มขึ้นของข้อผิดพลาดระหว่าง 90 ถึง 130 กรัมนั้นเป็นแบบค่อยเป็นค่อยไปหรือไม่ หรือในทางตรงกันข้าม มีจุดที่แบ่งกลุ่มทั้งสองกลุ่มอย่างชัดเจน ในทางกลับกัน ก็จำเป็นต้องศึกษาด้วยว่าการปรับปรุงความแม่นยำเมื่อว่างเปล่าจะส่งผลต่อความแม่นยำเมื่อโหลดอย่างไร: หุ่นยนต์จะยังคงแม่นยำเหมือนเดิมหรือไม่ หรือข้อผิดพลาดเหล่านี้จะไม่ลดลง  เอกสารนี้   ภายใต้ใบอนุญาต CC BY-NC-SA 4.0 DEED เผยแพร่บน arxiv

Part of HackerNoon's growing list of open-source research papers, promoting free access to academic material.

EScholar Technologies

EScholar

เสียงนี้ผลิตในภาษาต้นฉบับของเรื่องราว!

การประเมินความสามารถในการรับน้ำหนักของ PAUL และประสิทธิภาพของแบบจำลองจลนศาสตร์

About Author

ความคิดเห็น

แขวนแท็ก

บทความนี้ถูกนำเสนอใน

Related Stories

พบ Sekurno: HackerNoon บริษัท ของสัปดาห์

The German Air-fleet

Meet Augment Code: HackerNoon Company of the Week

THE OAK EGGAR, OR BANDED MONK

พบ Sekurno: HackerNoon บริษัท ของสัปดาห์

The German Air-fleet

Meet Augment Code: HackerNoon Company of the Week

THE OAK EGGAR, OR BANDED MONK

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps