Recherche guidée
Saisissez un concept, une difficulté ou une comparaison. Des questions proches apparaissent pendant la saisie.
À découvrir
3 233 résultats
La répétabilité industrielle d’un robot est la dispersion de ses résultats lorsqu’il répète un cycle dans des conditions de production définies, avec outil, charge, température et programme maîtrisés.
La répétabilité industrielle influence la qualité en déterminant constance du procédé, dispersion des pièces, retouches, rebuts, tolérance d’assemblage et stabilité du temps de cycle.
Surveiller la répétabilité d’une cellule en production combine mesures périodiques, signatures de courant et vibration, contrôle de pièces, dérive thermique, erreurs et arrêts.
Après un changement d’outil, il faut vérifier fixation, repère, masse, centre de gravité, calibration, trajectoire, charge et répétabilité avant de reprendre la production.
Comparer deux cellules robotisées exige un protocole et des pièces communs, les mêmes conditions de mesure, des indicateurs de dispersion, dérive, qualité, cycle et maintenance.
Une représentation de l’environnement encode géométrie, objets, lieux, obstacles, surfaces, dynamique, sémantique et incertitude dans un ou plusieurs repères exploitables par le robot.
Représenter l’incertitude d’une carte robotique consiste à associer confiance, variance, âge, provenance, couverture et hypothèses aux cellules, objets, poses ou relations.
Pour mettre à jour une représentation avec des obstacles mobiles, le robot horodate observations, suit objets, expire les données anciennes et sépare statique, dynamique et prédiction.
Pour estimer la pose d’un robot, une régression apprend ou ajuste la relation entre mesures et position-orientation, puis fournit estimation, erreur et confiance dans le repère choisi.
La régression prédit une quantité continue comme position ou couple ; la classification choisit une catégorie comme obstacle, objet ou mode, avec des erreurs et sorties différentes.
Une régression peu fiable se détecte par résidus élevés ou biaisés, intervalle trop optimiste, sortie hors domaine, dérive temporelle, incohérence capteurs ou erreur dans les cas critiques.
Valider une régression dans une commande robotique exige données séparées, erreur par condition, latence, incertitude, stabilité en boucle, limites et comportement de repli.