Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
net/publication/305873325
CITATIONS READS
0 69
3 authors, including:
Some of the authors of this publication are also working on these related projects:
All content following this page was uploaded by Edson Roberto De Pieri on 15 September 2016.
338
a simplicidade de implementação e treinamento. A matriz de inércia H (q ) é dada por:
2 3
h11 h12 0 I4
3 Dinâmica do Manipulador SCARA 6
H (q) = 64 h21 h22 0 I4 77
0 0 m3 + m4 0 5 (2)
I4 I4 0 I4
A forma construtiva de um robô manipulador do tipo
SCARA, do inglês Selective Compliant Articulated Ro- onde os termos hij valem
bot for Assembly pode ser vista na fig. 1.
h11 = I1 + IA + m1 lc21 + (m2 + mA )l12
m2 + m (2l l cos ) + m2 + m l2
+
k A 1 2 2
k2 A 2
q1
m m
h12 = IA + k2 + mA l1 l2 cos2 + k22 + mA l22
h21 = IA + mk2 + mA l1 l2 cos2 + mk22 + mA l22
q2
h22 = IA + mk22 + mA l22 (3)
d3 com IA = I2 + I3 + I4 , k = llc22 e mA = m3 + m4 .
A matriz de torques de Coriolı́s e torques centrı́fugos
C (q; q_) é dada pela seguinte relação:
2
q4 c11 c12 0 0
6
C (q; q_)q_ = 64 c21 0 0 0
(4)
0 0 0
0 0
339
A/D
Tabela 1: Parâmetros do manipulador
RNA
0.8
0.4
Posição [rad,m]
Zt
0.2
( (8) −0.2
0
−1
0 1 2 3 4 5 6
Tempo [s]
340
neurônios a função tangente hiperbólica, com inclinação 6.2 Variação Paramétrica e Perturbações
igual a um.
Para o treinamento da rede neural utilizou-se o algo- Aqui considera-se a existência de imprecisões no co-
ritmo backpropagation. As matrizes de pesos e bias fo- nhecimento dos parâmetros, decorrente de possı́veis er-
ram inicializadas com valores randômicos 0.05. A taxa ros de estimação ou variações paramétricas devido às in-
de aprendizado empregada é da ordem de 0.001. fluências do meio. As variações consideradas são: + 20%
para m1 e m4 , - 20% para m3 , + 10% para I1 e I4 , - 10%
6.1 Condições Nominais para I3 , + 15% para l1 e - 15% para l2 .
De forma a verificar o comportamento dos contro-
ladores frente a existência de perturbações, foram apli-
Considerando o manipulador livre de perturbações
cados torques contrários ao movimento do manipula-
externas e sem imprecisões na sua modelagem, observou-
dor. No instante 3 segundos foi aplicada na junta 1 uma
se o desempenho dos controladores para o seguimento da
perturbação de 20% do valor máximo permitido para es-
trajetória da figura 3.
sa junta, e outro sinal no instante 4 segundos na junta 3,
As figuras 4 e 5 apresentam a performance dos con- também com valor de 20% do máximo torque permitido.
troladores de juntas. As figuras 6 e 7 apresentam a performance dos con-
troladores para os casos de perturbação e variação de
Controle PD
1.5 parâmetros.
junta 1 junta 2
1
Controle PD
1.5
0
0.5
junta 3
Posição [rad,m]
−0.5
junta 4 0
−1
−0.5
junta 4
−1.5
0 1 2 3 4 5 6
Tempo [s] −1
Controle Neural
1.5
0.5
junta 3
Posição [rad,m]
junta 1 junta 2
1
0
0.5
−0.5
junta 3
Posição [rad,m]
junta 4
0
−1
−0.5
−1.5
0 1 2 3 4 5 6 junta 4
Tempo [s]
−1
341
que o erro devido ao efeito de gravidade é agravado pela Dessa forma, os efeitos dos torques gravitacionais são
perturbação existente na terceira junta. mais relevantes, como pode ser visto na figura 8.
Na estratégia de controle neural, a rede é capaz de Novamente a estrutura de controle neural foi capaz de
compensar as variações paramétricas e as perturbações satisfazer os requisitos de controle. A rede, nesse caso,
atuando sobre o manipulador. No caso simulado (figu- funciona como um compensador de gravidade. O torque
ra 7) a influência da perturbação não chega a ser visı́vel, provido pela rede é capaz de suprir a deficiência da es-
garantindo um seguimento de trajetória similar ao do ca- trutura de controle do tipo PD, que não apresenta a capa-
so nominal. Isso ocorre, uma vez que a rede atua nas cidade de compensação dos termos de gravidade (figura
situações em que o controlador PD não consegue garan- 9).
tir uma boa performance de controle, como é o caso da
existência de perturbações e incertezas ou variações pa- 6.4 Análise do Esforço de Controle
ramétricas.
As figuras 10 e 11 apresentam as ações de contro-
6.3 Variação de Carga le para o caso onde existem variações paramétricas e
perturbações atuando sobre o manipulador.
Procurando executar a trajetória da figura 3, observa- Observa-se que o controlador neural apresenta uma
se a performance dos controladores para o caso em que ação de controle mais oscilatória. Esse inconveniente
é considerado o transporte de uma carga desconhecida. acontece devido à dois fatores. A primeira influência é
O valor da carga não se encontra incluı́do no modelo decorrente da necessidade de ajuste dos pesos da rede
dinâmico do manipulador. A carga possui uma massa de frente às mudanças de referência ou à existência de uma
5 Kg, e encontra-se acoplada ao manipulador nos primei- perturbação. O segundo fator provém da falta de conhe-
ros 4 segundos da trajetória. cimento sobre a interação entre o controlador clássico e
As figuras 8 e 9 apresentam o desempenho dos con- a rede neural, não sendo conhecida uma forma de esta-
troladores para o caso de variação de carga. belecer critérios de projeto e análise de estabilidade do
sistema manipulador/controlador + rede neural, de forma
Controle PD
1.5 a incluir a otimização da lei de controle durante a fase
junta 1 junta 2 de projeto do controlador. Além disso, o treinamento da
1
rede neural encontra-se baseado somente no erro de po-
sicionamento, e não leva em conta o esforço da ação de
0.5
junta 3 controle.
Posição [rad,m]
0
Controle PD
100
−0.5 junta1
junta 4 80 junta2
junta3
junta4
−1
60
Ação de Controle [N.m]
−1.5 40
0 1 2 3 4 5 6
Tempo [s]
20
−20
Controle Neural
1.5
−40
0 1 2 3 4 5 6
Tempo [s]
−0.5
7 Conclusões
−1
O emprego de estruturas adaptativas em controle de
−1.5
robôs é uma alternativa às técnicas de controle conven-
0 1 2 3 4 5 6
Tempo [s] cional que necessitam do conhecimento analı́tico do mo-
delo do manipulador. A vantagem do emprego de redes
Figura 9: Controle Neural: Variação de carga neurais reside justamente na não necessidade do conhe-
cimento da planta, sendo capaz de aprender o modelo
O acoplamento de uma carga no efetuador final, cor- dinâmico do manipulador, incluindo as não-linearidades,
responde em um acréscimo de massa na terceira junta. e também as incertezas.
342
Controle Neural
100 Laboratório de Robótica da UFSC. A estratégia está
junta1 também sendo alterada de forma a permitir o controle de
80 junta2
junta3
junta4
força, que será tema de outro artigo em futuro próximo.
60
Ação de Controle [N.m]
40 Referências
20
[1] K. J. Hunt, D. Sbarbaro, R. Zbikowski, and P. J. Gan-
0 throp. Neural networks for control systems - a survey.
Automatic, 28(6):1385–1406, 1992.
−20
[2] I. H. S. Filho and M. R. Stemmer. Redes Neurais. LCMI
−40
- UFSC - Florianópolis, 1993.
0 1 2 3 4 5 6
Tempo [s] [3] K. S. Narendra. Neural networks for control: Theory and
practice. Proceedings of IEEE, 84(10):1385–1406, Octo-
Figura 11: Controle Neural: Ação de controle ber 1996.
[4] T. Fukuda and T. Shibata. Theory and applications of neu-
ral networks for industrial control systems. IEEE Tran-
Entretanto, a necessidade de um treinamento prévio sactions on Industrial Electronics, 39(6):472–489, De-
off-line, com o emprego de um conjunto de exemplos ob- cember 1992.
tidos do sistema real, pode ser um entrave a sua utilização [5] M. Agarwal. A systematic classification of neural
network-based control. IEEE Control Systems, pages 75–
em robótica. Primeiro porque, de acordo com a qualidade
93, April 1997.
do conjunto de exemplos utilizado e com a forma de trei- [6] L. S. Wilfinger. A comparison of force control algoritms
namento empregada, não é possı́vel prever o comporta- for robots in contact with flexible environments. Mas-
mento da rede para situações em que ela não foi treinada. ter’s thesis, Rensselaer - Polytechnic Institute, Troy, New
Isto é, a capacidade de generalização da rede pode não ser York, 1992.
suficiente para garantir uma performance satisfatória do [7] C. C. de Wit, B. Siciliano, and G. Bastin. Theory of Robot
sistema de controle. Segundo, o processo de treinamento Control. Springer-Verlag, 1996.
geralmente é lento e exige um custo computacional ele- [8] F. L. Lewis, C. T. Abdallah, and D. M. Dawson. Control
vado. Em manipuladores robóticos de mais de três graus of Robot Manipulators. MacMillan Publishing Co., 1993.
[9] H. Asada and J. J. E. Slotine. Robot Analysis and Control.
de liberdade, a quantidade de dados é relativamente alta,
John Wiley and Sons, 1986.
aumentando o tempo de treinamento. [10] A. Ishiguro, T. Furuhashi, S. Okuma, and Y. Uchikawa.
Nas tarefas de seguimento de trajetória de posição A neural network compensation for uncertainties of robo-
os controladores clássicos do tipo PD/PID não são su- tics manipulators. IEEE Transactions on Industrial Elec-
ficientes pois não apresentam boas propriedades frente à tronics, 39(6):565–569, December 1992.
existência de perturbações e variações paramétricas. Es- [11] D. Katic and M. Vukobratovic. Connectionist based ro-
tratégias de controle que incluem um modelo paramétrico bot control: An overview. IFAC - 13th Triennial World
do robô em sua estrutura, como o controle inverso de Congress, pages 169–174, 1996.
juntas ou o controle hı́brido de força/posição, procuram [12] S. M. Zlauddin and A. M. S. Zalzala. Model-based neural
network compensantion for uncertainties of robot arms.
aumentar a performance da sua estrutura de controle.
IFAC - 13th Triennial World Congress, pages 157–162,
Porém, essas estratégias necessitam de um conhecimen- 1996.
to mais preciso sobre os parâmetros do modelo do ma- [13] A. M. S. Zalzala and A. S. Morris. Neural Networks for
nipulador. A falta de precisão no modelo estimado em- Robotic Control - Theory and Applications. Ellis Horwo-
pregado na lei de controle, pode levar o sistema a apre- od, 1996.
sentar um desempenho fora das especificações. Dessa [14] M. J. Er and K. C. Liew. Control of adept one scara robot
forma, uma rede neural que complemente o ação de um using neural networks. IEEE Transactions on Industrial
controlador principal, assumindo o papel de compensar Electronics, 44(6):762–768, December 1997.
não-linearidades e perturbações não-modeladas atuantes [15] A. A. Neto and L. C. S. Goes. Projeto de um controla-
dor neural para o robô ita-iemp. III Congresso Brasileiro
sobre a dinâmica do manipulador, apresentou-se como
de Redes Neurais - IV Escola de Redes Neurais - Flo-
uma solução adequada à falta de conhecimento sobre essa
rianópolis, pages 384–389, Julho 1997.
dinâmica. [16] M. R. Stemmer, E. R. de Pieri, and F. A. P. Borges. Um
Entretanto, as estruturas de controle neural apresenta- controlador neural adaptativo para o robô manipulador
ram ações de controle mais oscilatórias, em comparação puma 560. Proceedings of XIII Brazilian Automatic Con-
com as estratégias convencionais de controle de posição e trol Conference - XII CBA, 5:1633–1638, Setembro 1998.
controle hı́brido força/posição. Outra desvantagem, con- [17] M. R. Stemmer, E. R. de Pieri, and F. A. P. Bor-
siste na necessidade de existir um controlador principal ges. Comparação de performance entre controladores
(controlador PD). Além disso, ainda não se encontram clássicos e um controlador torque computado neural apli-
estabelecidas provas e critérios de estabilidade para o sis- cados ao robô puma 560. III Congresso Brasileiro de Re-
des Neurais - IV Escola de Redes Neurais - Florianópolis,
tema robô/controlador + rede neural.
pages 390–395, Julho 1997.
A estratégia de controle aqui apresentada deverá ser
implementada a seguir em um robô real disponı́vel no
343