Cinemática Inversa com Redes Neurais Aplicadas em Robôs Manipuladores
DOI:
https://doi.org/10.18265/1517-03062015v1n43p49-63Palavras-chave:
Cinemática inversa, Robô manipulador, Redes neurais artificiais, Back PropagationResumo
O mundo passa hoje pelo que alguns meios de comunicação estão denominando de quarta revolução industrial. Os robôs vêm ganhando cada vez mais espaço na indústria, onde o emprego de robôs está associado ao aumento da produção e da qualidade do produto. Para que um robô manipulador possa se movimentar com precisão, é necessário obter seu modelo cinemático inverso, porém a obtenção desse modelo requer a difícil solução de um conjunto de equações não lineares, não existindo um método de solução genérico. Diante desse problema, este trabalho tem como objetivo demonstrar a resolução do problema da cinemática inversa de um robô manipulador utilizando redes neurais artificiais sem a necessidade de modelar a cinemática direta do robô. Foram utilizadas duas metodologias de treinamento da rede neural, denominadas de treinamento offline e treinamento online. A diferença básica entre essas duas metodologias de treinamento é que, na metodologia offline, todos os pontos de treinamento são obtidos antes de ocorrer qualquer treinamento da rede neural, enquanto que, no treinamento online, o uso de um método de treinamento é recorrente. À medida que o robô se movimenta, novos pontos de treinamento são obtidos e os processos de treinamento com os novos pontos adquiridos são executados, permitindo um processo de aprendizagem da cinemática inversa contínuo. Para validar a metodologia proposta, foi desenvolvido um protótipo de um robô manipulado planar, com um grau de liberdade, e foram testadas várias arquiteturas de redes neurais, a fim de encontrar a arquitetura ótima. As redes neurais treinadas em modo offline, quando comparadas com as redes treinadas no modo online, apresentaram uma maior capacidade de generalização e um menor valor de erro de saída. O treinamento online só obteve resultados satisfatórios em arquiteturas de redes neurais com quantidades de neurônios muito maiores do que as quantidades utilizadas nas arquiteturas treinadas no modo offline.
Downloads
Métricas
Referências
CRAIG, J. J. Robótica. 3. ed. São Paulo: Pearson, 2012.
DAYA, B.; KHAWANDI, S.; CHAUVET, P. Neural network system for inverse kinematics problem in 3 DOF robotics. In: IEEE INTERNATIONAL CONFERENCE ON BIO-INSPIRED COMPUTING: THEORIES AND APPLICATIONS (BIC-TA), 5th., 2010, Changsha (China). Proceedings... Beijing: Institute of Electrical and Electronics Engineers, 2010. p. 1550-1557.
DENAVIT, J.; HARTENBERG, R. S. A kinematic notation for lower-pair mechanisms based on matrices. Journal of Applied Mechanics, v. 22, p. 215-221, 1955.
DUKA, A. V. Neural network based inverse kinematics solution for trajectory tracking of a robotic arm. Procedia Technology, v. 12, p. 20-27, 2014.
FACELI, K. et al. Inteligência artificial: uma abordagem de aprendizado de máquina. Rio de Janeiro: LTC, 2011.
HAYKIN, S. Redes neurais. 2. ed. Porto Alegre: Bookman, 2001.
JHA, P.; BISWAL, B. B. A neural network approach for inverse kinematic of a SCARA manipulator. International Journal of Robotics and Automation, v. 3, n. 1, p. 52-61, mar. 2014.
MONTGOMERY, E.; LUDWIG JR., O. Redes neurais: fundamentos e aplicações com programas em C. Rio de Janeiro: Ciência Moderna, 2007.
MUSTAFA, A.; TYAGI, C.; VERMA, N. K. Inverse kinematics evaluation for robotic manipulator using support vector regression and Kohonen self organizing map. In: INTERNATIONAL CONFERENCE INDUSTRIAL AND INFORMATION SYSTEMS (ICIIS), 11th, 2016, Roorkee (India). Proceedings... Piscataway, NJ: Institute of Electrical and Electronics Engineers, 2016. p. 375-380.
NIKU, S. B. Introdução à robótica: análise, controle, aplicações. 2. ed. Rio de Janeiro: LTC, 2014.
PERASSO, V. O que é a 4ª Revolução Industrial - e como ela deve afetar nossas vidas. BBC Brasil, 22 out. 2016. Disponível em: https://www.bbc.com/portuguese/geral-37658309. Acesso em: ago. 2017.
SHI, Q.; XIE J. A research on inverse kinematics solution of 6-DOF robot with offset-wrist based on Adaboost neural network. In: IEEE INTERNATIONAL CONFERENCE ON CYBERNETICS AND INTELLIGENT SYSTEMS (CIS) and IEEE CONFERENCE ON ROBOTICS, AUTOMATION AND MECHATRONICS (RAM), 2017, Ningbo (China). Proceedings.... Piscataway, NJ: Institute of Electrical and Electronics Engineers, 2017. p. 370-375.
VUOLO, J. H. Fundamentos da teoria dos erros. 2. ed. São Paulo: Edgar Blücher, 1996.
ZOU, Z.; HAN, J.; ZHOU, M. Research on the inverse kinematics solution of robot arm for watermelon picking. In: IEEE INFORMATION TECHNOLOGY, NETWORKING, ELECTRONIC AND AUTOMATION CONTROL CONFERENCE (ITNEC), 2nd, 2017, Chengdu (China). Proceedings... Piscataway, NJ: Institute of Electrical and Electronics Engineers, 2017. p. 1399-1402.
Downloads
Publicado
Como Citar
Edição
Seção
Licença
Esta revista, seguindo as recomendações do movimento de Acesso Aberto, proporciona seu conteúdo em Full Open Access. Assim os autores conservam todos seus direitos permitindo que a Revista Principia possa publicar seus artigos e disponibilizar pra toda a comunidade.
A Revista Principia adota a licença Creative Commons 4.0 do tipo atribuição (CC-BY). Esta licença permite que outros distribuam, remixem, adaptem e criem a partir do seu trabalho, inclusive para fins comerciais, desde que lhe atribuam o devido crédito pela criação original.
Os autores estão autorizados a enviar a versão do artigo publicado nesta revista em repositório institucionais, com reconhecimento de autoria e publicação inicial na Revista Principia.
Demais informações sobre a Política de Direitos Autorais da Revista Principia encontram-se neste link.