Cinemática inversa para un robot planar 2R basada en una red neuronal con datos sintéticos a través de un enfoque de ensamble de modelos

Angie Paola Mancipe García; Nicolás David Barrera Fonseca; Jorge Eduardo Cote Ballesteros; Jhon Edisson Rodríguez Castellanos; Fabián Barrera Prieto

doi:10.24054/rcta.v2i46.3583

Autores/as

Angie Paola Mancipe García Universidad ECCI https://orcid.org/0009-0004-5630-3892
Nicolás David Barrera Fonseca Universidad ECCI https://orcid.org/0009-0006-7353-8241
Jorge Eduardo Cote Ballesteros Universidad ECCI https://orcid.org/0000-0002-9830-7726
Jhon Edisson Rodríguez Castellanos Universidad ECCI https://orcid.org/0000-0002-7790-605X
Fabián Barrera Prieto Universidad ECCI https://orcid.org/0009-0004-4055-7978

DOI:

https://doi.org/10.24054/rcta.v2i46.3583

Palabras clave:

Robot 2R, Raspberry Pi, visión por computador, redes neuronales, robótica

Resumen

Este artículo presenta el desarrollo de un modelo basado en redes neuronales, entrenado con datos sintéticos, para reemplazar la cinemática inversa geométrica de un robot planar 2R. Este enfoque busca simplificar la implementación de cinemáticas, reduciendo el tiempo de desarrollo y el uso de recursos computacionales. El modelo se creó en Google Colab (Python) utilizando TensorFlow/Keras, facilitando su creación y entrenamiento. Además, el sistema integra procesamiento de imágenes en tiempo real para reconocer y seguir contornos, los cuales el robot traza posteriormente. Se implementó un movimiento lineal y vertical mediante un mecanismo piñón-cremallera, permitiendo el trazo discontinuo entre los contornos de una imagen. Los resultados, promediando tres modelos de red neuronal, muestran alta precisión en la predicción de los ángulos de las dos primeras articulaciones del robot 2R, con un RMSE de 0.2293 y 0.0739 respecto a la cinemática inversa geométrica.

Descargas

Los datos de descargas todavía no están disponibles.

Citas

J. L. Sarmiento-Ramos, “Aplicaciones de las redes neuronales y el deep learning a la ingeniería biomédica,” Revista UIS Ingenierías, vol. 19, no. 4, 2020, doi: 10.18273/revuin.v19n4-2020001.

J. F. Cortes Zarta, Y. A. Giraldo Tique, and C. F. Vergara Ramirez, “Red neuronal convolucional para la percepción espacial del robot InMoov a través de visión estereoscópica como tecnología de asistencia,” Enfoque UTE, vol. 12, no. 4, 2021, doi: 10.29019/enfoqueute.776.

Y. He et al., “Dynamic Modeling, Simulation, and Experimental Verification of a Wafer Handling SCARA Robot with Decoupling Servo Control,” IEEE Access, vol. 7, pp. 47143–47153, 2019, doi: 10.1109/ACCESS.2019.2909657.

A. Visioli and G. Legnani, “On the trajectory tracking control of industrial SCARA robot manipulators,” IEEE Transactions on Industrial Electronics, vol. 49, no. 1, 2002, doi: 10.1109/41.982266.

K. S. Mohamed Sahari, K. H. Weng, Y. W. Han, A. Anuar, M. Z. Baharuddin, and S. S. K. Mohideen, “Design and development of A 4-dof SCARA robot for educational purposes,” Jurnal Teknologi (Sciences and Engineering), vol. 54, pp. 193–215, 2011, doi: 10.11113/jt.v54.810.

A. Kotani and S. Tellex, “Teaching robots to draw,” in Proceedings - IEEE International Conference on Robotics and Automation, 2019. doi: 10.1109/ICRA.2019.8793484.

L. H. Ríos González, M. Bueno López, and S. Sánchez A., “Generación de trayectorias para un robot móvil empleando redes neuronal,” Scientia et Technica, vol. 2, pp. 94–99, 2008. [Online]. Available: https://dialnet.unirioja.es/servlet/articulo?codigo=4742539

J. G. C. Yufra Torres and K. De La Torre Muña, “Diseño de un robot móvil recolector y compactador de botellas de plástico utilizando redes neuronales en playas con arena fina,” Universidad Ricardo Palma - URP, 2020, [Online]. Available: https://hdl.handle.net/20.500.14138/3529

J. Hernández Díaz, M. Iparraguirre Monzón, C. Montenegro Castro, J. Alva Alcántara, and E. Manzano Ramos, “MODELADO NO PARAMÉTRICO DE ROBOT SCARA 3-GDL UTILIZANDO REDES NEURONALES RECURRENTES,” Revista de Investigaciones, vol. 10, no. 4, pp. 379–390, Dec. 2021, doi: 10.26788/riepg.v10i4.3502.

M. X. González, A. M. Brugiati, D. H. Cornejo, and C. I. Pinzón, “Prototipo de mano robótica controlada mediante el procesamiento de señales cerebrales utilizando redes neuronales recurrentes,” Revista de Iniciación Científica, vol. 6, 2021, doi: 10.33412/rev-ric.v6.0.3154.

A.-V. Duka, “Neural Network based Inverse Kinematics Solution for Trajectory Tracking of a Robotic Arm,” Procedia Technology, vol. 12, 2014, doi: 10.1016/j.protcy.2013.12.451.

N. Cobanoglu, E. Tatlicioglu, and E. Zergeroglu, “Neural network based repetitive learning control of robot manipulators,” in Proceedings of the American Control Conference, 2017. doi: 10.23919/ACC.2017.7963781.

A. De Luca, R. Mattone, and G. Oriolo, “Control of underactuated mechanical systems: Application to the planar 2R robot,” in Proceedings of the IEEE Conference on Decision and Control, 1996. doi: 10.1109/cdc.1996.572718.

J. J. Sprockel, A. Fandiño, W. G. Chaves, C. O. Benavides, and J. J. Diaztagle, “Ensamble de redes neuronales artificiales ponderado mediante características operativas para el pronóstico de la insuficiencia cardiaca aguda,” Revista Colombiana de Cardiología, vol. 30, no. 5, 2023, doi: 10.24875/rccar.22000065.

Raspberry Pi Ltd, “Raspberry Pi 4 Model B Datasheet,” 2024

NXP Semiconductors, “PCA9685 16-channel, 12-bit PWM Fm+ I2C-bus LED controller,” NXP Semiconductors N.V, no. April, 2015.

M. J. Delgado-Gutiérrez, D. F. Herrera-Guillén, L. M. Medina-Barragán, and J. P. Corredor Gómez, “Implementación de un sistema de procesamiento de imágenes integrado con Raspberry PI 2B para reconocimiento y recolección de fresas maduras,” Revista Politécnica, vol. 13, no. 25, 2017, doi: 10.33571/rpolitec.v13n25a6.

G. I. Viera Maza, “Procesamiento de imágenes usando OpenCV aplicado en Raspberry Pi para la clasificación del cacao,” Thesis, 2017.

G. Viera, “Procesamiento de imágenes usando OpenCV aplicado en Raspberry Pi para la clasificación del cacao,” Thesis, 2017.

C. R. Arroyo Flores and F. J. Triveño Vargas, “Modelamiento y simulación de un robot SCARA de tres grados de libertad empleando SolidWorks y Matlab/Simulink,” SciELO Analytics, vol. 10, Mar. 2022, [Online]. Available: http://www.scielo.org.bo/scielo.php?script=sci_arttext&pid=S1683-07892022000100318

S. Kucuk and Z. Bingul, “Robot Kinematics: Forward and Inverse Kinematics,” in Industrial Robotics: Theory, Modelling and Control, 2006. doi: 10.5772/5015.