인문학
사회과학
자연과학
공학
의약학
농수해양학
예술체육학
복합학
DBpia AI
AI 에이전트
AI 아이디어
AI 리더
AI 뷰어
Citeasy
크롬 서지관리 다운로드
지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
피인용 0
초록·키워드
This study proposes a physics-guided neural-network (PGNN) feedforward compensator for friction-related joint-torque residuals in robotic manipulators. The Franka Emika Panda robot’s low-pass-filtered external-torque estimate was used as the learning target during contact-free single-joint motion. Joint-wise multilayer perceptrons combine a soft direction penalty, tanh activations, and velocity history. Adding measured torque history reduced validation RMSE by 58–94% relative to the uncompensated residual, but generated outputs opposing the velocity direction for up to 48% of a steady-state input slice with the other inputs held fixed and an estimated offset removed. A configuration using joint position and five velocity taps up to 40 ms was selected for deployment at 1 kHz, reducing validation RMSE by 44–87%. Sine, step, and chirp tracking tests were repeated three times per condition. Over 1.5–20 s, the compensator reduced J6 and J7 tracking RMSE by 23–54%, compared with 13–44% for Gaz et al.’s sigmoid model. However, it increased error at J2 and J3 and increased J5 step-tracking RMSE by 28% under oscillation and saturation. Lower offline prediction errors alone did not consistently translate into better closed-loop tracking.
본문·목차
인공지능 문자 인식 모델을 통해 추출된 텍스트로, 일부 오타나 오류가 포함될 수 있으나 지속적으로 개선 중입니다.
오류를 발견하셨다면 해당 부분을 드래그한 후 ' 를 통해 신고해주세요.
오류를 발견하셨다면 해당 부분을 드래그한 후 ' 를 통해 신고해주세요.
최근 본 자료 전체보기
