dc.creator | Montenegro, Fabrício Julian Carini | |
dc.date.accessioned | 2019-06-24T20:09:26Z | |
dc.date.available | 2019-06-24T20:09:26Z | |
dc.date.issued | 2019-03-25 | |
dc.identifier.uri | http://repositorio.ufsm.br/handle/1/17090 | |
dc.description.abstract | The usage of robots has become a normal practice today thanks to large technological advances
in recent decades. The planning of robots’ movements in the environment is one of
the most important fundaments in the study of robotics. To complete tasks in the real world,
the joints of the robot must move in such a way that the end-effector reach a given goal
or follow a trajectory. The mapping from the movements made by the joints to positions in
space is the problem called forward kinematics, while the inverse problem is called inverse
kinematics. The inverse kinematics problem is generally very complex and many traditional
solutions focus only on robots of specific topologies. The iterative method based on the
Jacobian’s (pseudo)inverse matrix is a well-known, proven, and trusted generic approach
that can be applied to many manipulators. However, it depends on linearizations that are
valid only on a tight neighborhood around the current pose of the manipulator. This requires
the robot to move only in small steps, intensely recalculating its trajectory along the way,
making this approach inefficient in some applications. Neural networks, for their capacity of
modeling non-linear systems, appear as an interesting alternative to solving this problem.
Here, we show that neural networks indeed can be trained successfully to map displacements
in the task space to angle increments of the joints, outperforming the method based
in the Jacobian’s inverse when dealing with larger displacement increments and when near
singularities. We validate the study through comparative results in simulated planar manipulators
of 2-DOF and 3-DOF and it gives birth to a hybrid approach that has already been
succesfully applied in real robots. | eng |
dc.description.sponsorship | Coordenação de Aperfeiçoamento de Pessoal de Nível Superior - CAPES | por |
dc.language | por | por |
dc.publisher | Universidade Federal de Santa Maria | por |
dc.rights | Attribution-NonCommercial-NoDerivatives 4.0 International | * |
dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/4.0/ | * |
dc.subject | Robótica | por |
dc.subject | Redes neurais | por |
dc.subject | Jacobiano | por |
dc.subject | Cinemática diferencial | por |
dc.subject | Cinemática inversa | por |
dc.subject | Robotics | eng |
dc.subject | Neural networks | eng |
dc.subject | Jacobian | eng |
dc.subject | Differential kinematics | eng |
dc.subject | Inverse kinematics | eng |
dc.title | Redes neurais como alternativas ao Jacobiano na solução iterativa da cinemática inversa | por |
dc.title.alternative | Neural network as an alternative to the Jacobian for iterative solution to inverse kinematics | eng |
dc.type | Dissertação | por |
dc.description.resumo | A utilização de robôs tornou-se uma prática comum nos dias de hoje graças a grandes
avanços tecnológicos que ocorreram nas últimas décadas. Uma das tarefas mais importantes
do controle de robôs é o planejamento de seus movimentos no ambiente no qual ele
se encontra. Para realizar tarefas no mundo real, as juntas de um robô devem mover-se de
forma que seu órgão terminal alcance um determinado objetivo ou siga uma trajetória. O
mapeamento desses movimentos feitos pelas juntas para posições no espaço é o problema
chamado de cinemática direta, enquanto o problema contrário é chamado de cinemática
inversa. O problema da cinemática inversa é geralmente muito complexo e várias soluções
tradicionais focam apenas em robôs de topologias específicas. O método iterativo baseado
na matriz (pseudo)inversa do Jacobiano é uma abordagem genérica bem conhecida,
provada, e confiável que pode ser aplicada a uma variedade de manipuladores. Entretanto,
ela depende de linearizações que são válidas somente em uma pequena vizinhança em
torno da pose atual do manipulador. Isso exige que o robô mova-se em passos pequenos,
recalculando intensamente sua trajetória ao longo do caminho, tornando essa abordagem
ineficiente em certas aplicações. Redes neurais, por sua capacidade de modelar sistemas
não-lineares, surgem como uma alternativa interessante para a solução deste problema.
Neste trabalho é demonstrado que redes neurais realmente podem ser treinadas com sucesso
para mapear deslocamentos no espaço de trabalho para incrementos de ângulos
de juntas, tendo uma performance melhor que o método baseado na inversa do Jacobiano
quando se trata de incrementos de deslocamento maiores e quando em vizinhanças de
singularidades. O estudo é validado através de resultados comparativos em manipuladores
planares simulados de 2 e 3 graus de liberdade e dá origem a uma abordagem híbrida
já aplicada com sucesso em robôs reais. | por |
dc.contributor.advisor1 | Librelotto, Giovani Rubert | |
dc.contributor.advisor1Lattes | http://lattes.cnpq.br/0865997296771785 | por |
dc.contributor.advisor-co1 | Guerra, Rodrigo da Silva | |
dc.contributor.advisor-co1Lattes | http://lattes.cnpq.br/4292452867996496 | por |
dc.contributor.referee1 | Gamarra, Daniel Fernando Tello | |
dc.contributor.referee1Lattes | http://lattes.cnpq.br/0542349757431486 | por |
dc.creator.Lattes | http://lattes.cnpq.br/4072084720103765 | por |
dc.publisher.country | Brasil | por |
dc.publisher.department | Ciência da Computação | por |
dc.publisher.initials | UFSM | por |
dc.publisher.program | Programa de Pós-Graduação em Ciência da Computação | por |
dc.subject.cnpq | CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO | por |
dc.publisher.unidade | Centro de Tecnologia | por |