IDENTIFICACIÓN NO PARAMÉTRICA DE UN BRAZO ROBÓTICO DE 2 GDL UTILIZANDO REDES NEURONALES RBF
DOI:
https://doi.org/10.26788/riepg.v10i4.3501Palabras clave:
Brazo robótico, identificación no-paramétrica, redes neuronales, redes neuronales, sistemas no lineales.Resumen
En este trabajo se presenta un método para determinar un modelo del sistema dinámico de un manipulador planar de 2 GDL, utilizando redes neuronales Radial Basis Function. Obtener un modelo del robot manipulador analíticamente es complicado, debido a los efectos de fricción, inercia de los actuadores, desgastes, etc, siendo este, además, un sistema no lineal y variante en el tiempo. Lo que se propone es entrenar una red neuronal RBF para que esta represente el comportamiento dinámico de un manipulador robótico de 2 GDL. La elección de esta red es debido a que gozan de características en el modelado de sistemas dinámicos como la capacidad de aproximar funciones no lineales con precisión, y la posibilidad de permitir diseño de controladores utilizando diversas metodologías. La obtención del modelo se basa en la identificación, para lo cual será preciso implementar un prototipo del robot a identificar, realizar el modelo cinemático del robot que nos permita obtener datos de salida para el algoritmo de identificación no paramétrica por redes neuronales. Después, se deben tener los datos de entrada, voltaje de actuadores, y posición como salida para la red neuronal, luego realizar un preprocesamiento, normalizando los datos y poder dividir estos para entrenamiento, validación y prueba. Se tienen que definir los parámetros internos de la red neuronal, número de capas, neuronas por cada capa, tipo de aprendizaje, y criterios de parada del algoritmo. En los experimentos, se alcanzó un error cuadrático medio de 7.45 con 500 neuronas en la capa oculta.
Descargas
Citas
REFERENCIAS
Barrientos, A., Peñín, L., Balaguer, C., &Aracil, R. (2007). Fundamentos de Robótica. McGraw-Hill. https://eltrasteroloco.files.wordpress.com/2017/03/267380685-fundamentos-de-robotica.pdf
Jin, L., Li, S., Yu, J., & He, J. (2018). Robot manipulator control using neural networks: A survey. Neurocomputing, 285, pp. 23–34. https://www.sciencedirect.com/science/article/abs/pii/S0925231218300158
Pairan, M. F., Shamsudin, S. S., & Zulkafli, M. F. (2020). Neural Network-Based System Identification for Quadcopter Dynamic Modeling: A Review. Journal of Advanced Mechanical Engineering Applications, 1(2), pp. 20–33. https://www.researchgate.net/publication/345605104_Neural_Network-Based_System_Identification_for_Quadcopter_Dynamic_Modeling_A_Review
Pedro Isasi, I. M. G. (2004). Redes neuronales artificiales - Un enfoque práctico. Pearson Prentice Hall, pp.63. http://librodigital.sangregorio.edu.ec/librosusgp/08867.pdf
Yan, L., Sundararajan, N., & Saratchandran, P. (2000). Nonlinear System Identification Using Lyapunov Based Fully Tuned Dynamic RBF Networks. Neural Processing Letters 2000 12:3, 12(3), pp. 291–303. https://www.researchgate.net/publication/225845823_Nonlinear_System_Identification_Using_Lyapunov_Based_Fully_Tuned_Dynamic_RBF_Networks
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2022 Miuler Junior Blas Marquina, Carlos Junior Flores Ramírez Jose, Adrian Humberto Mejías Sandoval, Angel Omar Terrones Escobedo, Josmell Henry Alva Alcántara
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.