Escolar Documentos
Profissional Documentos
Cultura Documentos
I. INTRODUÇÃO
Na maioria das aplicações da robótica, é importante a
descrição espacial do elemento final do manipulador com Figura 1: Scorbot VR Plus.
respeito ao sistema de coordenadas de referência fixo. Então
é necessário resolver o problema da cinemática direita e da Em Paul, Shimano y Mayer (1981) é proposto uma
cinemática inversa. técnica da transformada inversa, onde se procura através de
muitas aproximações resolver os ângulos de Euler. Estas
A cinemática inversa consiste em achar um conjunto de técnicas por aproximação geométrica têm muitas condições
ângulos para atingir uma posição – orientação desejada á quanto à estrutura física do manipulador e o tipo das
partir de sua localização no espaço (x,y,z). Assim a solução articulações, além da dificuldade para atingir a solução.
deste problema é muito difícil, porque inclui equações não -
lineares de funções transcendentais e, em geral, leva a O objetivo deste trabalho é fazer solução ao problema da
soluções múltiplas. cinemática inversa de um braço robô usando redes neurais.
Depois do treino, a rede é testada com uma trajetória, assim
A cinemática direita consiste em achar a orientação- ela é capaz de interpolar pontos de treino não conhecidos.
posição desejada (x,y,z), a partir do conjunto de ângulos das
articulações e a geometria do braço robô.
II. FUNDAMENTAÇÃO
Em Denavith – Hatemberg (1955) é proposto um método
matricial e sistemático para resolver de forma geral a Redes Neurais
cinemática direita de um robô de n graus de liberdade. Este
problema foi feito de muitas maneiras planejando-se muitos Redes Neurais Artificiais são técnicas computacionais que
métodos para resolvê-lo. Em Pieper (1968) apresentou á apresentam um modelo matemático inspirado nos neurônios
solução da cinemática para manipuladores com seis graus de biológicos e na estrutura massivamente paralela do cérebro,
liberdade onde três eixos consecutivos se interceptam em com capacidade de adquirir, armazenar e utilizar
um ponto. conhecimento experimental. [2]
2
Uma grande rede neural artificial pode ter centenas ou minimização do erro. Assim ela pode ser vista como uma
milhares de unidades de processamento; já o cérebro de um generalização do algoritmo Last Mean Squere (LMS).
mamífero pode ter bilhões de neurônios.
A figura 3 mostra a arquitetura de uma rede neural MLP
A figura 2 mostra o modelo básico de um neurônio artificial. com uma camada de entrada, 2 camadas escondidas e uma
Ele tem as seguintes partes: camada de saída.
Uma matriz de transformação homogênea considera-se di: É a distância desde a origem do sistema de
que consiste em quatro submatrizes: coordenadas Oi−1 até a interseção do eixo zi−1 com o
eixo xi ao longo do eixo zi−1.
R P3 x1 αi: È o ângulo de separação do eixo zi−1 ao eixo zi
T = 3x3
f1x3 S1x1 respeito do eixo xi (usando a regra da mão direita).
(3)
Nossa aplicação é um braço robô de cinco graus de
liberdade, e o ponto do espaço que nós queremos obter é a
origem do sistema de coordenadas do elemento final, então
Figura 4: Sistema de coordenadas para um robô Scorbot VR
temos a seguinte expressão:
Plus de 5 GDL.
Onde[3]:
ai: É a distância de separação desde a intersecção do E (x, y, z) são a posição espacial da origem do sistema de
eixo zi−1 com o eixo xi até o origem do sistema i á o coordenadas do elemento final em relação ao sistema de
largo do eixo xi (norma comum entre os eixos zi−1 e coordenadas fixo na base do robô.
zi). Assim obtemos a cinemática direita que é dada pelo seguinte
θi: É o ângulo da articulação do eixo xi−1 a eixo xi conjunto de equações:
respeito do eixo zi−1 (regra da mão direita).
4
A base de conhecimento é obtida a partir da a cinemática 2. A arquitetura da rede neural, o número de camadas
direita e do uso de algoritmos genéticos, assim, temos um ocultas e de unidades nestas camadas é de extrema
conjunto de treino de 1326 padrões que descrevem um plano importância. Quanto maior o número de neurônios, mais
pesos para ajustar e mais complexa será a rede neural, o
no espaço de trabalho do braço robô.
qual requer um maior custo computacional. É necessário
mexer com diferentes tipos de desenhos até obter uma
Após a rede poderá fazer qualquer trajetória desejada boa generalização, ou uma resposta com a exatidão
dentro do espaço de treinamento (plano-2D). E este requerida.
procedimento poderá ser também estendido para fazer o
treino de todo o espaço de trabalho (3D) de um braço robô.
Neste projeto usaremos uma rede para cada variável de
saída, assim temos então 4 redes.
Modelagem da rede
Para obter bons resultados na generalização, é necessário
ter em conta as seguintes 3 considerações:
IV. RESULTADOS
Figura 10: Output vs Target - Rede 3
Depois de fazer o treinamento, temos os seguintes dados
obtidos a partir do conjunto de teste. Ver as seguintes
figuras.
Padrão θ1 θ2 θ3 θ4
(11)
onde: 1 102,41 3,79 -55,93 -28,60
2 102,32 3,77 -56,24 -28,55
3 102,24 3,77 -56,55 -28,50
4 102,16 3,75 -56,86 -28,44
5 102,08 3,74 -57,17 -28,37
Assim temos os seguintes erros calculados: 6 101,99 3,71 -57,47 -28,30
7 101,91 3,68 -57,77 -28,23
msMAPE 8 101,83 3,64 -58,06 -28,16
Rede1 0,14 % 9 101,74 3,61 -58,34 -28,09
Rede2 8,04 % 10 101,66 3,62 -58,61 -28,03
Rede3 0,76% … … … … …
Rede4 1,82% … … … … …
Tabela 4: Erro msMAPE (%) do conjunto de teste 179 72,88 13,05 -71,82 -15,51
180 72,74 12,82 -71,57 -15,81
181 72,62 12,57 -71,30 -16,04
Trajetória de Prova Tabela 6: Ângulos de resposta da rede
Com a rede treinada, agora queremos fazer uma trajetória no Para verificar a qualidade da reposta fazemos o uso da
espaço de treino, isso é, uma curva descrita dentro do plano. cinemática direita, substituindo os pontos nas equações 7, 8,
e 9 temos (x’,y’,z’):
Padrão x’ y’ z’
1 -40,14 182,37 550,51
2 -39,62 181,36 550,51
3 -39,13 180,35 550,52
4 -38,64 179,34 550,54
5 -38,15 178,32 550,59
6 -37,67 177,28 550,68
7 -37,18 176,24 550,79
8 -36,70 175,20 550,91
9 -36,22 174,23 550,99
10 -35,77 173,39 550,96
… … … …
Figura 12: 1 rede para cada variável … … … …
179 48,51 157,43 548,52
A trajetória desejada é de 181 pontos em (x,y,z). Eles podem 180 48,89 157,36 548,53
ser ou não parte do conjunto de treino.
181 49,26 157,07 548,80
Tabela 7: Valores obtidos pela cinemática direita
Padrão x Y z
1 -40,50 182,65 550,00 Assim temos os seguintes erros calculados:
2 -40,00 181,84 550,00
3 -39,50 181,01 550,00 msMAPE
4 -39,00 180,18 550,00 X 0,95%
5 -38,50 179,33 550,00 Y 0,40%
6 -38,00 178,47 550,00 Z 1,20%
7 -37,50 177,61 550,00 Tabela 8: Erro msMAPE (%) dos eixos
8 -37,00 176,74 550,00
9 -36,50 175,87 550,00 V. CONCLUSÕES
10 -36,00 175,00 550,00
… … … … • As redes neurais podem desenvolver a cinemática
… … … … inversa de um manipulador,
179 48,50 157,26 550,00 • O tempo computacional requerido para o treino é
180 49,00 156,87 550,00 muito elevado, isso se dá pela quantidade de dados
181 49,50 156,52 550,00 que ela precisa,
Tabela 5: Pontos da trajetória de proba • Mas quando os pesos das redes são encontrados,
elas podem fazer qualquer trajetória sem alterar ou
7
VI. BIBLIOGRAFIA
[1] Simon Haykin. Neural Networks, a Comprehensive
Fundation. Second Edition- Hamilton, Ontario, Canada.