Red neuronal artificial para la extracción de parámetros dinámicos de robots a partir de información incompleta de su movimiento

• Carlos Leopoldo Carreón Díaz de León ^[1] ; Sergio Vergara Limon ^[1] ; Juan Manuel Gonzalez-Calleros ^[1] ; María Aurora Diozcora Vargas Treviño ^[1]
  1. [1] Benemérita Universidad Autónoma de Puebla

     Benemérita Universidad Autónoma de Puebla

     México

     
• Localización: Revista Colombiana de Computación, ISSN 1657-2831, ISSN-e 2539-2115, Vol. 22, Nº. 2, 2021, págs. 37-47
• Idioma: español
• DOI: 10.29375/25392115.4298
• Títulos paralelos:
  • Artificial neural network for the extraction of dynamic parameters of robots from incomplete information of their movement
• Enlaces
  • Texto completo (pdf)
• Dialnet Métricas: 2 Citas
• Resumen
  • español

    Las redes neuronales artificiales son útiles para procesar datos con información incompleta para obtener una salida deseada. En los sistemas de medición de robots manipuladores, solo se toman muestras cuantificadas de la posición y, por lo tanto, no se puede ejecutar en un tiempo razonable algoritmos deterministas para extraer los parámetros del robot. En el estado del arte, se abordan algoritmos de extracción de parámetros basados en la suposición de que no existe la cuantificación de las señales del movimiento del robot y quela primera y segunda derivada de la posición son muestreadas y no estimadas. En este trabajo, se propone un algoritmo basado en una red neuronal entrenada para extraer los parámetros de un determinado robot para reducir el tiempo de caracterización del robot, además, con la metodología propuesta se pueden extraer parámetros dinámicos del mismo tipo de robot con el que se ha entrenado la red neuronal.

  • English

    The artificial neural networks are suitable for processing incomplete data to achieve the desired output. The acquisition system of the manipulator robots takes quantified samples of the position; therefore, it is not possible to execute deterministic algorithms of parameter extraction in a reasonable time. State of the art describes algorithms based on the assumption that the motion signals are not quantified, and the first and second derivatives of the position are sampled instead of estimated. In this paper, a trained neural network-based extraction parameter algorithm for a determined robot is proposed to reduce the robot characterization time. Also, with the proposed methodology is possible to extract the parameters of the same kind of robot used for training the neural network.

• Referencias bibliográficas
  • Referencias Agand, P., Shoorehdeli, M. A., & Khaki-Sedigh, A. (2017). Adaptive recurrent neural network with Lyapunov stability learning...
  • Berzal, F. (2018). Redes Neuronales y Deep Learning. Ikor.
  • Chávez-Olivares, C., Reyes-Cortés, F., González-Galván, E., Mendoza-Gutierrez, M., & Bonilla-Gutierrez, I. (2012). Experimental Evaluation...
  • Devore, J. L. (2011). Probability and Statistics for Engineering and the Sciences. Cengage learning.
  • Ding, Y., Zhao, B. Y., & Wu, B. (2014). Structural System Identification with Extended Kalman Filter and Orthogonal Decomposition of Excitation....
  • Hu, J., & Xiong, R. (2018). Contact Force Estimation for Robot Manipulator Using Semiparametric Model and Disturbance Kalman Filter. IEEE...
  • Huynh, H. N., Assadi, H., Rivière-Lorphèvre, E., Verlinden, O., & Ahmadi, K. (2020). Modelling the dynamics of industrial robots for milling...
  • Kalman, R. E. (1960). A New Approach to Linear Filtering and Prediction Problems. Journal of Basic Engineering, 82(1). https://doi.org/10.1115/1.3662552
  • Lin, F.-J., Teng, L.-T., Chen, C.-Y., & Chang, C.-K. (2008). Robust RBFN Control for Linear InductionMotor Drive Using FPGA. IEEE Transactions...
  • Liu, N., Li, L., Hao, B., Yang, L., Hu, T., Xue, T., Wang, S., & Shao, X. (2020). Semiparametric Deep Learning Manipulator Inverse Dynamics...
  • Ogata, K. (1996). Sistemas de control en tiempo discreto. Pearson educacion.
  • Pohlman, J. T., & Leitner, D. W. (2003). A Comparison of Ordinary Least Squares and Logistic Regression. The Ohio Journal of Science,...
  • Qin, Z., Baron, L., & Birglen, L. (2010). A new approach to the dynamic parameter identification of robotic manipulators. Robotica, 28(4)....
  • Soh, J., & Wu, X. (2017). An FPGA-Based Unscented Kalman Filter for System-On-Chip Applications. IEEE Transactions on Circuits and Systems...
  • Su, H., Qi, W., Yang, C., Sandoval, J., Ferrigno, G., & Momi, E. de. (2020). Deep Neural Network Approach in Robot Tool Dynamics Identification...
  • Swevers, J., Ganseman, C., Tukel, D. B., de Schutter, J., & van Brussel, H. (1997). Optimal robot excitation and identification. IEEE...
  • Swevers, J., Verdonck, W., & de Schutter, J. (2007). Dynamic Model Identification for Industrial Robots. IEEE Control Systems, 27(5)....
  • Taylor, J. R. (2013). Mecánica clásica. Reverté.
  • Wang, S., Shao, X., Yang, L., & Liu, N. (2020). Deep Learning Aided Dynamic Parameter Identification of 6-DOF Robot Manipulators. IEEE...
  • Wu, R.-T., & Jahanshahi, M. R. (2019). Deep Convolutional Neural Network for Structural Dynamic Response Estimation and System Identification....
  • Xiao, W., Dunford, W. G., Palmer, P. R., & Capel, A. (2007). Application of Centered Differentiation and Steepest Descent to Maximum Power...
  • You, B., Qiao, M., Xu, J., & Liu, D. (2012). Low-Speed Control of Heavy-Load Transfer Robot with Long Telescopic Boom Based on Stribeck...