1

Cinemática Inversa de um Manipulador Usando

Redes Neurais
Luis Ernesto Ynoquio Herrera
ICA – Laboratório de Inteligência Computacional Aplicada
Departamento de Engenharia Elétrica
Pontifícia Universidade Católica de Rio de Janeiro
Rua Marquês de São Vicente, 225, Gávea, Rio de Janeiro, RJ.
Brasil, 22453-900
luisyno@hotmail.com

Resumo – Neste trabalho se apresenta um procedimento para

resolver o problema da Cinemática Inversa de um manipulador
(braço robô) usando Redes Neurais. A solução do problema da
Cinemática Inversa é muito difícil por incluir equações não-
lineares e possuir um número muito grande de soluções
admissíveis.

Se usa uma base de conhecimento obtido a partir da

Cinemática Direita, assim temos uma base de dados de posições
x,y,z que descreve um plano no espaço de trabalho do robô. Desta
forma a rede já treinada vai poder resolver o problema da
cinemática inversa para qualquer trajetória nesse plano.

PALAVRAS CHAVE: Redes Neurais, Back Propagation,

Robótica, Cinemática Inversa, Manipulador robótico.

I. INTRODUÇÃO
Na maioria das aplicações da robótica, é importante a
descrição espacial do elemento final do manipulador com
respeito ao sistema de coordenadas de referência fixo. Então
é necessário resolver o problema da cinemática direita e da
cinemática inversa.
A cinemática inversa consiste em achar um conjunto de
ângulos para atingir uma posição – orientação desejada á
partir de sua localização no espaço (x,y,z). Assim a solução
deste problema é muito difícil, porque inclui equações não -
lineares de funções transcendentais e, em geral, leva a
soluções múltiplas.
A cinemática direita consiste em achar a orientação-
posição desejada (x,y,z), a partir do conjunto de ângulos das
articulações e a geometria do braço robô.
Em Denavith – Hatemberg (1955) é proposto um método
matricial e sistemático para resolver de forma geral a
cinemática direita de um robô de n graus de liberdade. Este
problema foi feito de muitas maneiras planejando-se muitos
métodos para resolvê-lo. Em Pieper (1968) apresentou á
solução da cinemática para manipuladores com seis graus de
liberdade onde três eixos consecutivos se interceptam em
um ponto.
Figura 1: Scorbot VR Plus.
Em Paul, Shimano y Mayer (1981) é proposto uma
técnica da transformada inversa, onde se procura através de
muitas aproximações resolver os ângulos de Euler. Estas
técnicas por aproximação geométrica têm muitas condições
quanto à estrutura física do manipulador e o tipo das
articulações, além da dificuldade para atingir a solução.
O objetivo deste trabalho é fazer solução ao problema da
cinemática inversa de um braço robô usando redes neurais.
Depois do treino, a rede é testada com uma trajetória, assim
ela é capaz de interpolar pontos de treino não conhecidos.
II. FUNDAMENTAÇÃO
Redes Neurais
Redes Neurais Artificiais são técnicas computacionais que
apresentam um modelo matemático inspirado nos neurônios
biológicos e na estrutura massivamente paralela do cérebro,
com capacidade de adquirir, armazenar e utilizar
conhecimento experimental. [2]

Uma grande rede neural artificial pode ter centenas ou
milhares de unidades de processamento; já o cérebro de um
mamífero pode ter bilhões de neurônios.
A figura 2 mostra o modelo básico de um neurônio artificial.
Ele tem as seguintes partes:
• Conexões entre processadores (Synaptics).- Cada
conexão tem um peso sináptico (wkm) e determina o efeito
da entrada (xm) sobre o processador.
• Bias(bk).- tem o papel de aumentar ou diminuir a
influência do valor das entradas. É possível considerar o
bias como uma entrada de valor constante 1, multiplicado
por um peso igual a bk.
• Regra de Propagação (Summing junction).- soma
todos os sinais de entrada multiplicados pelos respectivos
pesos, além do bias bk.
• Função de Ativação (Activation function).- tem a
função de limitar a saída e introduzir não-linearidade ao
modelo.
Figura 2.- Neurônio Artificial [1]
Multilayer Peceptrom
Uma rede neural do tipo Multilayer Perceptrom (MPLs) é
constituída por um conjunto de nós fonte, os quais formam a
camada de entrada da rede (input layer), uma ou mais
camadas escondidas (hidden layers) e uma camada de saída
(output layer).
• A Camada de Entrada: é onde os padrões são
apresentados à rede.
• Camadas Escondidas: onde é feita a maior parte do
processamento, através das conexões ponderadas; podem
ser consideradas como extratoras de características.
• Camada de Saída: onde o resultado final é concluído e
apresentado.
MPLs tem sido usado satisfatoriamente para a solução de
problemas difíceis mas fazendo o uso de um algoritmo
muito conhecido: error back-propagation algorithm. Este
algoritmo está baseado na regra de aprendizado de
2
minimização do erro. Assim ela pode ser vista como uma
generalização do algoritmo Last Mean Squere (LMS).
A figura 3 mostra a arquitetura de uma rede neural MLP
com uma camada de entrada, 2 camadas escondidas e uma
camada de saída.
Figura 3.- Arquitetura MLP [1]
O aprendizado Back-Propagation tem duas fases:
Feed-Fordwar e Feed-Backward. Na Feed-Fordwar as
entradas se propagam pela rede, da camada de entrada até a
camada de saída, assim durante esta fase os pesos sinápticos
da rede (wkm) são fixados. Logo, na fase Feed-Backward os
pesos sinápticos são ajustados de acordo com a regra de
correção do erro[1], então o sinal do erro se propaga na
direção contrária ao fluxo de dados, indo da camada de saída
até a primeira camada escondida.
As características principais de uma rede MLP são: a função
de ativação de seus neurônios são funções não lineares, pois,
do contrário à rede se diminuiria a uma rede de camada
única. A rede possui uma ou mais camadas de neurônios
ocultos que não formam parte da entrada e nem da saída; as
quais permitem à rede aprender tarefas complexas e extrair
as características mais significativas dos padrões no
processo de treinamento.
De modo geral, as redes neurais têm a capacidade própria de
aprendizagem, a possibilidade de processamento em
paralelo, uma relativa tolerância á falha, e a capacidade de
lidar ou processar grandes quantidades de informações
provindas dos elementos sensoriais, o que elimina a
necessidade de modelos matemáticos sofisticados. Todas
estas vantagens fazem que as redes neurais sejam utilizadas
para realizar a modelagem e representar sistemas não
lineares.
Cinemática Direita Do Braço Robô
A representação em coordenadas homogêneas é
indispensável para descrever a geometria espacial de um
manipulador. O conceito de uma representação em
coordenadas homogêneas em um espaço tridimensional é
útil para desenvolver transformações matriciais que incluam
rotação, translação, escalado e transformação da perspectiva.
Em geral, uma matriz de transformação homogênea é uma
matriz que transforma um vetor de posição expressado em
coordenadas homogêneas desde um sistema de coordenadas
até outro sistema de coordenadas.
 3

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).

A matriz de Transformação D-H é:

 Matrix _ rotacion Vector − posição 
T = 
Transforma ção _ perspectiv a Escala 

Para analisar a cinemática do braço robô, se usa a

representação de Denavit-Hartenberg, a qual estabelece em
forma sistemática um sistema de coordenadas para cada
elemento da cadeia articulada. A representação resulta em (1)
uma matriz de transformação homogênea que representa A partir da matriz de transformação, acha-se a matriz
cada um dos sistemas de coordenadas dos elementos em homogênea 0Ti, a qual especifica a localização do sistema de
uma articulação com respeito a sistema de coordenadas do coordenadas i com respeito a sistema de coordenadas base
elemento anterior, denominada matriz de transformação D- inercial. Esta matriz é a seguinte:
H.
Para a aplicação particular, se estabelece o sistema de
coordenadas como se ilustra na Figura 4. 0
Ti = ∏ ij =1 j −1 A j (2)

O problema da cinemática direita consiste em achar a

posição e orientação final do braço robô, começando dos
ângulos das articulações θ = {θ1, θ2, · · · , θi}. Usando a
matriz de transformação 0Ti se relaciona um ponto pi, em
repouso, expressado em coordenadas homogêneas com
respeito ao sistema de coordenadas i em outro sistema de
coordenadas fixo na base do robô. Usando a seguinte
equação:

(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.

A partir do sistema de coordenadas escolhido e as medidas

do braço robô, se acham os parâmetros da representação de (4)
Denavit-Hartenberg (θθi, di , ai, αi ) para ser substituídos em
uma matriz de transformação D-H. Onde:

elo ai (mm) di(mm) αi θi (5)

1 0 364 -90 θ1
2 220 0 0 θ2 Logo após resolver a equação 3, obtemos:
3 220 0 0 θ3
4 0 0 90 θ4
5 0 170 0 θ5 (6)
Tabela 1: Parâmetros do braço robô Scorbot VR Plus de 5
GDL. Onde:

Onde[3]:

ai: É a distância de separação desde a intersecção do
eixo zi−1 com o eixo xi até o origem do sistema i á o
largo do eixo xi (norma comum entre os eixos zi−1 e
zi).
θi: É o ângulo da articulação do eixo xi−1 a eixo xi
respeito do eixo zi−1 (regra da mão direita).
E (x, y, z) são a posição espacial da origem do sistema de
coordenadas do elemento final em relação ao sistema de
coordenadas fixo na base do robô.
Assim obtemos a cinemática direita que é dada pelo seguinte
conjunto de equações:
 4

x = 170*[cos(θ1)*cos(θ2)*cos(θ3) – cos(θ1)*sin(θ2)*sin(θ3)]*sin(θ4) – Padrões:

170* [-cos(θ1)*cos(θ2)*sin(θ3) – cos(θ1)*sin(θ2)*cos(θ3)]*cos(θ4) +
220*cos(θ1)*cos(θ2)*cos(θ3) – 220*cos(θ1)*sin(θ2)*sin(θ3) +
220*cos(θ1)*cos(θ2) (7) Na tabela 2, se mostram os padrões. Cada padrão de
treino tem como entrada as posições x,y,z da posição do
y=170*[sin(θ1)*cos(θ2)*cos(θ3) – sin(θ1)*sin(θ2)*sin(θ3)]*sin(θ4) – elemento final e como “target” os ângulos das juntas do
170*[-sin(θ1)*cos(θ2)*sin(θ3) – sin(θ1)*sin(θ2)*cos(θ3)]*cos(θ4)+ braço robô (θ1, θ2, θ3, θ4).
220*sin(θ1)*cos(θ2)*cos(θ3) – 220*sin(θ1)*sin(θ2)*sin(θ3) +
220*sin(θ1)*cos(θ2) (8) Padrão x Y z θ1 θ2 θ3 θ4
1 -50 150 550 108,41 0,15 -60,76 -31,10
z = 364 + 170*[-sin(θ2)*cos(θ3) – cos(θ2)*sin(θ3)]*sin(θ4) –
2 -50 152 550 108,20 0,31 -60,33 -31,12
170*[sin(θ2)*sin(θ3)-cos(θ2)*cos(θ3)]*cos(θ4) –
3 -50 154 550 107,99 0,39 -59,83 -31,22
220*sin(θ2)*cos(θ3) – 220*cos(θ2)*sin(θ3) – 220*sin(θ2) (9)
4 -50 156 550 107,74 0,72 -59,57 -30,98
5 -50 158 550 107,57 0,72 -58,96 -31,17
Nestas equações, se pode ver que a posição do braço robô 6 -50 160 550 107,35 0,94 -58,62 -31,06
não depende do ângulo θ5, então o problema fica com 4 7 -50 162 550 107,16 0,59 -57,68 -31,69
variáveis. 8 -50 164 550 106,97 0,94 -57,43 -31,44
9 -50 166 550 106,74 1,12 -57,06 -31,35
10 -50 168 550 106,58 1,23 -56,61 -31,38
... ... ... ... ... ... ... ...
III. MÉTODOLOGIA ... ... ... ... ... ... ... ...
1324 50 196 550 75,69 14,03 -63,53 -15,45
Este trabalho tem como objetivo desenvolver a cinemática 1325 50 198 550 75,84 14,03 -63,07 -15,44
inversa de um braço robô fazendo o treinamento de uma 1326 50 200 550 75,96 14,21 -62,82 -15,24
rede neural. Tabela 2: Padrões de Treinamento

A base de conhecimento é obtida a partir da a cinemática
direita e do uso de algoritmos genéticos, assim, temos um
conjunto de treino de 1326 padrões que descrevem um plano
no espaço de trabalho do braço robô.
Após a rede poderá fazer qualquer trajetória desejada
dentro do espaço de treinamento (plano-2D). E este
procedimento poderá ser também estendido para fazer o
treino de todo o espaço de trabalho (3D) de um braço robô.
Modelagem da rede
Para obter bons resultados na generalização, é necessário
ter em conta as seguintes 3 considerações:
2. A arquitetura da rede neural, o número de camadas
ocultas e de unidades nestas camadas é de extrema
importância. Quanto maior o número de neurônios, mais
pesos para ajustar e mais complexa será a rede neural, o
qual requer um maior custo computacional. É necessário
mexer com diferentes tipos de desenhos até obter uma
boa generalização, ou uma resposta com a exatidão
requerida.
Neste projeto usaremos uma rede para cada variável de
saída, assim temos então 4 redes.

1. O tamanho do conjunto de treinamento, o quanto os

exemplos são representativos do problema de interesse.

Na figura 5, se amostra o plano de treinamento usado

para nossa rede. Ele tem um área de 100 x 50 mm com Figura 6: 1 rede para cada variável
padrões (pontos) cada 2 mm. Deste modo temos um total
de 1326 padrões. Depois de fazer a simulação com diferentes arquiteturas,
se opto por uma arquitetura, como se mostra na figura 7.

Figura 7: Arquitetura de redes

Figura 5: Plano de Treinamento Temos uma rede de 3 entradas, 2 camadas escondidas e 1

saída. E os neurônios nas camadas escondidas são:
 5

1ra. Camada 2da. Camada

Escondida Escondida
Rede1 15 10
Rede2 25 10
Rede3 15 10
Rede4 15 10
Tabela 3: Neurônios na camada escondida

3. Os parâmetros de treino são também importantes:

• Para garantir uma boa generalização usamos um

conjunto de validação da seguinte forma: 70% dos
dados para treino, 20% para validação e 10% para
teste.

• A forma de aprendizado é feita em método batch,

onde os pesos são atualizados uma vez por ciclo.
Figura 9: Output vs Target - Rede 2
• Para acelerar o processo de aprendizado usamos uma
variação á o algoritmo “back-propagation” conhecida
como “Resilient Propagation”, onde os ajustes na
taxa de aprendizado dependem somente das sinais
dos termos do gradiente e não da sua magnitude.
Pode-se, ainda, utilizar o termo de “momento” para
diminuir o problema de ficar num mínimo local.

• As representações das variáveis são em números

contínuos e a normalização usada é a seguinte:
__
Xi − X
X =n
(10)
i
σ
Sinal com média zero e variância unitária.

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.

Figura 11: Output vs Target - Rede 4

Para o calculo dos erros usamos a equação do msMAPE

Figura 8: Output vs Target - Rede 1 (modified symmetric mean absolute percentage error) já que
os dados tem valores que passam por zero[4].
 6

Como resultado a rede tem os ângulos de resposta:

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

fazer trocas nas redes,

• A quantidade de operações que a rede realiza para
cada ponto sempre é a mesma.
• A quantidade de operações é menor que os
métodos heurísticos tradicionais.

VI. BIBLIOGRAFIA
[1] Simon Haykin. Neural Networks, a Comprehensive
Fundation. Second Edition- Hamilton, Ontario, Canada.

[2] Marley B. R. Vellasco. Redes Neurais I. Notas de

Aula, ICA - PUC-RIO

[3] H. Harry Asada - Introduction to Robotics (1995).

Massachusetts Institute of Tecnology.

[4] Zhuo Chen. Assesing Forecast Accuracy Measures

(2004). Department of Economics – Iowa State University.