کنترل خودفرمان بینایی بازوی ربات در فضای سه بعدی با سیستم‌های فازی و مدل‌سازی عصبی

فرزانه نادی, ولی درهمی

چکیده


 سیستم کنترل خودفرمان بینایی، به سیستمی اتلاق می‌شود که از اطلاعات بازخوردی دوربین برای کنترل ربات استفاده می‌کند؛ تا ربات، از نقاط شروع دلخواه به نقطه هدف برسد. باتوجه به نیاز به کنترل ربات در فضای سه بعدی، مختصات نقاط در سه بعد موردنیاز است. بدین منظور در این مقاله، ایده استفاده از دوربین کینکت که علاوه بر تصویر رنگی، ماتریس عمق محیط را هم می‌دهد؛ دنبال شده است. فرمان کنترل با استفاده از ماتریس ژاکوبین تولید می‌شود. از آنجا که مدلی ریاضی از ترکیب ربات و دوربین در دسترس نیست، لذا با جمع آوری داده‌های مناسب با استفاده از شبکه‌های عصبی مصنوعی، معکوس ماتریس ژاکوبین تقریب زده می‌شود؛ تا مستقیماً در قانون کنترل موردنظر استفاده شود. به ازای هر کدام از درجات آزادی بازوی ربات، یک شبکه عصبی دو لایه با ساختار پیشرو درنظر گرفته شده است. فاصله مجری نهایی با هدف در سه بعد و زاویه مفصل شانه، ورودی‌های این شبکه‌ها هستند؛ و خروجی‌ آنها، بیان کننده میزان تغییرات ویژگی‌ها به تغییر در مقادیر متغیرهای مفصل ربات (المان­های معکوس ماتریس ژاکوبین) می‌باشد. در قانون کنترل، از ماتریس قطری بهره استفاده می‌شود. درایه‌های روی قطر این ماتریس توسط سیستم خبره فازیِ ارائه شده تعیین می‌گردند. روش ارائه شده بر روی یک بازوی ربات صنعتی پیاده‌سازی شده است. نتایج آزمایشات حاکی از موفقیت روش پیشنهادی در رساندن مجری‌نهایی به نقاط هدف مختلف در محیط کاری با دقت مناسب و تعداد گام کمتر نسبت به روش پیشین است.

موضوع


کنترل خودفرمان بینایی، ماتریس ژاکوبین، سیستم فازی، شبکه‌های عصبی مصنوعی

تمام متن:

PDF Download

مراجع


H. Wang, M. Jiang, W. Chen, and Y. Liu, “Visual servoing of robots with uncalibrated robot and camera parameters,” Mechatronics, vol. 22, no. 6, pp. 661–668, 2012.

S. Hutchinson and F. Chaumette, “Visual Servo Control,” IEEE Robotics and Automation Magazine, vol. 4, no. 1, pp. 82–90, 2006.

M. Mitic, M. Lazarevic, B. Babic, and Z. Miljkovic, “Neural network Reinforcement Learning for visual control of robot manipulators,” Expert Syst. with Appl., vol. 40, no. 5, pp. 1721–1736, 2013.

H. Wang, Y. Liu, and W. Chen, “Visual tracking of robots in uncalibrated environments,” Mechatronics, vol. 22, no. 4, pp. 390–397, 2012.

P. P. Kumar and L. Behera, “Visual servoing of redundant manipulator with Jacobian matrix estimation using self-organizing map,” Rob. Auton. Syst., vol. 58, no. 8, pp. 978–990, 2010.

D. Kragic, H. I. Christensen, and others, “Survey on visual servoing for manipulation,” Comput. Vis. Act. Percept. Lab. Fiskartorpsv, vol. 15, no. 1, 2002.

S. Hutchinson, G. D. Hager, and P. Corke, “A Tutorial on Visual Servo Control,” IEEE Trans. Robot. Autom., vol. 12, no. 6, pp. 651–670, 1996.

F. Janabi-Sharifi, L. Deng, and W. J. Wilson, “Comparison of Basic Visual Servoing Methods,” Mechatronics, IEEE/ASME Trans., vol. 16, no. 5, pp. 967–983, Oct. 2011.

G. Allibert and E. Courtial, “Predictive Control for Constrained Image-Based Visual Servoing,” IEEE Trans. Robot., vol. 26, no. 5, pp. 933–939, 2010.

M. Sadeghzadeh, D. Calvert, and H. A. Abdullah, “Self-Learning Visual Servoing of Robot Manipulator Using Explanation-Based Fuzzy Neural Networks and Q-Learning,” J. Intell. Robot. Syst., vol. 78, no. 1, pp. 83–104, 2015.

I. Siradjuddin, L. Behera, T. M. McGinnity, and S. Coleman, “Image Based Visual Servoing of a 7 DOF robot manipulator using a distributed fuzzy proportional controller,” in 2010 IEEE International Conference on Fuzzy Systems (FUZZ), pp. 1–8, 2010.

I. H. Suh and T. W. Kim, “Fuzzy membership function based neural networks with applications to the visual servoing of robot manipulators,” IEEE Trans. Fuzzy Syst., vol. 2, no. 3, pp. 203–220, 1994.

Y. Takahashi, M. Takeda, and M. Asada, “Continuous Valued Q-learning for Vision-Guided Behavior Acquisition,” in International Conference on Multisenso Fusion and Integration for Intelligent Systems, no. 1, pp. 255–260, 1999.

M. P. Deisenroth, C. E. Rasmussen, and D. Fox, “Learning to control a low-cost manipulator using data-efficient reinforcement learning,” in International Conference on Robotics, Science & Systems, pp. 57–64, 2011.

D. I. Kosmopoulos, “Robust Jacobian matrix estimation for image-based visual servoing,” Robotics and Computer Integrated Manufacturing, vol. 27, no. 1, pp. 82–87, 2011.

F. Chaumette and S. Hutchinson, “Visual Servo Control,” IEEE Robotics and Automation Magazine, vol. 14, no. 1, pp. 109–118, 2007.

J. Qian and J. Su, “Online estimation of image jacobian matrix by kalman-bucy filter for uncalibrated stereo vision feedback,” in IEEE International Conference on Robotics and Automation, vol. 1, no. 1, pp. 562–567, 2002.

K. Stanley, Q. M. J. Wu, A. Jerbi, and W. A. Gruver, “Neural network-based vision guided robotics,” in IEEE International Conference on Robotics and Automation, vol. 1, pp. 281–286, 1999.

J. Pei, S. X. Yang, and G. S. Mittal, “Vision Based Robot Control Using Position Specific Artificial Neural Network,” in 2010 International Conference on Computational Intelligence and Communication Networks (CICN), pp. 110–115, 2010.

C. C. Cheah, C. Liu, and J. J. E. Slotine, “Adaptive Jacobian vision based control for robots with uncertain depth information,” Automatica, vol. 46, no. 7, pp. 1228–1233, 2010.

F. Nadi, V. Derhami, and M. Rezaeian, “Vision Based Robot Manipulator Control with Neural Modeling of Jacobian Matrix.” , vol. 8, no. 2, pp. 11–20, 2014.

“LJ Group,” http://www.ljgroup.com. access: june 2014.

R. Gascon B and M. Barraza R, “Six DOF Stereoscopic Eye-in-Hand Visual Servo System BIBOT,” in Robotics Symposium and Latin American Robotics Symposium (SBR-LARS), 2012 Brazilian, pp. 284–289, 2012.

C. Teuliere and E. Marchand, “Direct 3D servoing using dense depth maps,” in IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS), pp. 1741–1746, 2012.

G. J. Garcia and F. Torres, “Guidance of Robot Arms using Depth Data from RGB-D Camera,” in Proceedings of the 10th International Conference on Informatics in Control, Automation and Robotics, pp. 315–321, 2013.

J. Stowers, M. Hayes, and A. Bainbridge-Smith, “Altitude control of a quadrotor helicopter using depth map from Microsoft Kinect sensor,” in IEEE International Conference on Mechatronics (ICM), pp. 358–362, 2011.

I. Siradjuddin, L. Behera, T. M. McGinnity, and S. Coleman, “A position based visual tracking system for a 7 DOF robot manipulator using a Kinect camera,” in The 2012 International Joint Conference on Neural Networks (IJCNN), pp. 1–7, 2012.

T. Leyvand, C. Meekhof, Y.-C. Wei, J. Sun, and B. Guo, “Kinect Identity: Technology and Experience,” Computer (Long. Beach. Calif)., vol. 44, no. 4, pp. 94–96, Apr. 2011.

L. X. Wang, A Course in Fuzzy Systems and Control. Prentice Hall PTR, 1997.

M. W. Spong, S. Hutchinson, and M. Vidyasagar, Robot modeling and control. John Wiley & Sons New York, 2006.

“Laboratory of Computational Intelligence and Robot,” http://ce.yazd.ac.ir/lcir/_private/pages/projects.html. .


ارجاعات

  • در حال حاضر ارجاعی نیست.


________________________________________________________________________________________________________________________________________________