SIMULACIÓN DE LA ESTRATEGIA DE CONTROL PARA UN ROBOT

MANIPULADOR DE 3GDL
Barrera Esparta Daniel L. Chancán León Marvin

RESUMEN

El presente trabajo de investigación trata acerca del control de trayectoria para un robot
manipulador angular con 3 grados de libertad utilizando un controlador , el cual es
sintonizado mediante diversos métodos que requieren conocer ciertos parámetros de la
planta o proceso. Además existen otros métodos de búsqueda aleatoria, como el método
del Algoritmo Genético (G.A.), Evolución Diferencial y Fuzzy Logic. Además se tomarán
en cuenta los actuadores del robot y el circuito controlador para la simulación.

Palabras clave: Algoritmo Genético (G.A.), Evolución Diferencial , Fuzzy Logic, PWM..

ABSTRACT

The present investigation work tries about the trajectory control of a manipulator robot with 3
degrees of angular freedom using a PID controller, which is tuned by various methods that
require knowledge of certain parameters of the plant or process. There are also other methods
of random search, the method of Genetic Algorithm (GA), Differential Evolution and Fuzzy
Logic. Also take into account the actuators of the robot and the controller circuit for the
simulation.

Key words: Genetic Algorithm (A.G.), Differential Evolution, Fuzzy Logic, PWM..

También existen otros métodos de

INTRODUCCION búsqueda aleatoria, así como el método
del Algoritmo Genético (G.A.) que
En el presente trabajo se realiza el control recientemente ha recibido mucho interés
de trayectoria para un robot angular con 3 por su alta eficiencia y búsqueda global
grados de libertad utilizando un dentro de un espacio de valores para la
controlador . El problema principal solución óptima de problemas de
para realizar este control es la sintonización sintonización para un sistema de control,
de sus parámetros y . Existen así como la búsqueda de los parámetros
diferentes métodos de sintonización tales óptimos de un Controlador PID.
como Ziegler Nichols que es un método
experimental que requiere conocer ciertos Además existen métodos de Evolución
parámetros de la planta o proceso, una vez diferencial y de Fuzzy Logic. Por lo
sintonizado el controlador PID utilizando expuesto anteriormente en la presente
este método se tiene un buen control pero monografía se realizará la sintonización
no es el más óptimo. del controlador PID utilizando el toolbox

1
de algoritmos genéticos de MATLAB y
también se realiza el control de Link Masa (kg)
trayectorias del robot utilizando los m1 2.045
parámetros PID obtenidos. m2 1.52066
m3 0.9845
DISEÑO MECÁNICO DEL ROBOT DE
3GDL Tabla 2. Masas de cada eslabón.

El brazo robótico a controlar tiene 3 grados Centros de Masa (m)

Link
de libertad, cada uno de estos grados de rx ry rz
libertad representa una rotación a lo largo 1 0 -0,205 0
de sendos ejes ubicados a lo largo de cada 2 -0,1413 0 0
eslabón. Esta configuración también es
conocida como angular, por tal motivo el 3 -0,1012 0 0
brazo robótico se llamará Robot Angular
R3. Tabla 3. Centros de masa.

Tensor de Inercias (kg-m2)

El diseño del brazo robótico de tres grados Link Ixx Iyy Izz Ixy Iyz Izx
de libertad se realiza utilizando el software 1 0.0267 0 0.0267 0 0 0
SolidWorks, para fines de simulación se 2 0 0.0113 0.0113 0 0 0
3 0 0.0033 0.0033 0 0 0
presenta un diseño sencillo y sin muchos
detalles en la Fig. 1.
Tabla 4. Tensor de Inercias

Para la simulación del robot se tiene en

cuenta los siguientes puntos:

Las inercias de armadura de cada

eslabón del robot Jm son
despreciables.

El coeficiente de viscosidad B es
despreciable.

Los coeficientes de rozamiento de

Fig. 1Robot manipulador de 3GDL Coulomb Tc + y Tc - son
Los parámetros físicos del robot angular despreciables.
se presentan en las siguientes tablas:
MODELAMIENTO MATEMÁTICO DEL
Link Longitud (m) ROBOT
L1 0.4
El modelamiento del robot se realiza
L2 0.3
utilizando el Robotics Toolbox for
L3 0.2 MATLAB (release 8), esta herramienta es
de gran ayuda para la obtención de la
Tabla 1. Longitud de cada eslabón. cinemática y dinámica de cualquier robot
de manera numérica y simbólica.

2

Para poder hacer uso del toolbox se
requiere previamente obtener los
parámetros según la notación Denavit
Hartenberg, teniendo en cuanta que
existen 2 versiones para dicha notación,
el modelamiento del robot analizado se
realiza empleando la convención
Denavit Hartenberg Standard, descrita
por Paul[1] y Lee[2].
Con los parámetros de las Tablas 1, 2, 3,
4 y 5 procedemos a calcular los
parámetros de cinem’atica y dinámica
del robot
MODELAMIENTO DEL PWM, MOTOR Y
CONTROLADOR
Para este objetivo usamos el toolbox de
simulink para electrónica con el fin de
generar la señal PWM para el motor.

Notación Denavit Hartenberg

Standard

La ubicación de los sistemas de

coordenadas en cada eslabón del robot
se hace siguiendo la convención de
Denavit Hartenberg Standard, se realiza
tal como se muestra en la Fig. 2:
Fig.3 Circuito generador de señal PWM.

A continuaión para realizar la inversión de

señal usamos el harlims para detectar si la
señal tiene valor negativo. Y finalmente
consideramos la ganancia del Puente H.

Fig. 2 Ubicación de los sistemas de

coordenadas. Fig.4 Circuito inversor mas ganancia del
puente H
Luego de realizar la ubicación de los ejes Finalmente realizamos el bloque motor y
en cada eslabón se obtienen los colocamos todo el sistema
siguientes parámetros mostrados en la
Link alpha a theta d
1 π/2 0 q1 L1
2 0 L2 q2 0
3 0 L3 q3 0

Tabla 5. Parámetros Denavit Hartenberg

para el Robot Angular R3.

Fig.5 Motor con realimentación de velocidad

3

Fig.6 Sistema robot, actuador y controlador
DISEÑO DEL CONTROLADOR
Controlador PID
El controlador PID es utilizado para
mejorar la respuesta dinámica del robot
para una referencia de posición sobre el
efector final, así como también para
eliminar el error en estado estacionario
de dicha posición.
Fig 7. Esquema utilizado para el control PID
del Robot.
MÉTODOS DE SINTONIZACIÓN DE
LOS PARÁMETROS PID
ALGORITMOS GENÉTICOS
Ésta técnica fue inspirada por el
mecanismo natural de selección, un
proceso biológico a través de cual varios
individuos (población) compiten entre sí
para obtener la mejor respuesta en un
determinado proceso.
Los Algoritmos Genéticos son
ampliamente utilizados para resolver
problemas complejos de optimización
4
que requieren la variación de
parámetros para determinar una
performance óptima. Dichos parámetros
son regenerados como genes de
cromosomas y pueden ser estructurados
como un arreglo de valores que tiene un
rango, esto es, un valor máximo y un
valor mínimo.
Este rango sirve como base de búsqueda
de los valores que optimizaran el
proceso, la búsqueda en este espacio es
usualmente estructurada de la siguiente
manera.
Fig 8. Diagrama de Flujo del Algoritmo
Genético General.
El diagrama de flujo de la Fig. 4 muestra
que este algoritmo tiene generaciones
(iteraciones) para evaluar todos los
posibles valores para los parámetros en
cuestión y determinar cuál de estos es el
que presenta la mejor solución, que
serán seleccionados en función de la
evolución del error utilizando una
Función Objetivo que para el caso del
robot R3 será la función IAE.
Los pasos que sigue el algoritmo dentro de
cada generación se detallan a continuación:
4.1.1. Reproducción
Existen diferentes métodos para la
selección de la población (nuevos valores
de los parámetros) en cada generación,
pero están basados en el mismo
principio básico, estos métodos son los
siguientes:
Fig.9 Esquema para la sintonización del
- Realizar la selección de manera controlador PID
aleatoria de la población.
- Realizar la normalización La siguiente tabla representa un resumen de
universal para elegir la muestra. los parámetros utilizados para realizar el
- Selección por normalización algoritmo de sintonización:
geométrica.
- Retornar la selección para el
inicio de una nueva generación.
Parámetro Valor
El método de selección utilizado para la
Método de Selección Roulette Wheel
sintonización de los parámetros del PID
Población 80
será el de la selección aleatoria de la
población. Generaciones 570
Crossover Probabilidad 65%
4.1.2. Crossover Probabilidad de Mutación 0.10%
Rango de valores PID 0 – 1000
Nuevos individuos son generalmente
creados por la selección entre los valores Tabla 6. Parámetros del Algoritmo Genético.
previos de una población, estos son los
llamados crossover points, que
usualmente son seleccionados de RESULTADOS EXPERIMENTALES
manera aleatoria.
1. RESULTADOS DE LA SIMULACIÓN
4.1.3. Mutación
Los valores obtenidos luego de la
Los nuevos valores para entrar a una sintonización anterior para el
generación son creados haciendo controlador PID son:
modificaciones de una selección anterior
individual. En el algoritmo genético la
mutación es la fuente de variabilidad y
también mejora la eficiencia de la
evolución en cada generación
2

4.2. Sintonización del Controlador 1.5

PID 1

0.5
Para obtener los parámetros del 0
controlador PID se emplea la siguiente 1.5 2

configuración, la cual será iterada 1 1

utilizando la herramienta Simulink de

0
0.5
-1
MATLAB. 0 -2
Fig. 10 Seguimiento de la Trayectoria de
referencia con los parámetros PID obtenidos.
5
 de vectores para cada objetivo de vectores.
A continuación, una selección fase se lleva
a cabo, en la que cada vector de prueba se
compara con el correspondiente objetivo de
vectores, el mejor entre la población de la
próxima generación. El error se evalúa con
la función IAE, que toma el valor absoluto
de la suma de errores.

Con este algoritmo obtuvimos:

Kp=836.8000; Ki=518.7; Kd=22.2;

De donde obtuvimos los siguientes

resultados

Fig.118 Señal de error, entrada al

controlador PID.
En la parte de simulación el torque
obtenido al inicio del seguimiento de la
trayectoria de referencia tuvo un
máximo de 40N-m, esto fue debido a las
condiciones iníciales del robot (posición
inicial). Para reducir estos toques, que
pueden generar grandes corrientes
sobre los motores al momento de la
implementación, se puede optar por
cambiar la trayectoria deseada por los
primeros instantes hasta que el robot Fig.10 Seguimiento de la Trayectoria con los
parámetros PID obtenidos del algoritmo DE.
alcance aproximadamente la trayectoria
deseada y después cambiar la ley de
control, de esta manera podremos
reducir y eliminar este efecto que puede
ser peligroso cuando se implementa el
sistema de control para el robot.

EVOLUCIÓN DIFERENCIAL (DE)

Son algoritmos tradicionales de

optimización que hace uso de una
población de soluciones, es decir, evalúa
simultáneamente varios puntos del espacio
de parámetros. La población inicial se elige Fig.11 Señal de error en el tiempo para las
tres juntas.
al azar ( por recomendación se elige 10
veces la cantidad de variables, es decir un
CONCLUSIONES
valor de 30 ) y debe cubrir todo el espacio
de parámetros. En cada generación, DE
emplea tanto la mutación y de cruce Se demostró que utilizando GA podemos
(recombinación) para producir un ensayo optimizar la sintonización de los

6
parámetros para un controlador PID, y
que este método presenta una mejor
respuesta temporal en comparación con
otros métodos. La principal desventaja de
este método es el tiempo que se emplea
para realizar el algoritmo debido a la gran
cantidad de generaciones que se
requieren, en este trabajo se demoró
aproximadamente 10 horas de continuo
cálculo numérico para poder obtener los
valores óptimos para el controlador PID.

El algoritmo de evolución diferencial es

bastante efectivo para la sintonización de los
parámetros PID del sistema, en el cual para
la trayectoria mostrada hemos tenido un error
del 2.5% en la posición.

BIBLIOGRAFIA

R. P. Paul, “Robot Manipulators:

Mathematics, Programming and
Control”. Cambridge, Massachusetts: MIT
Press, 1981.

C. S. G. Lee, “Robot arm kinematics,

dynamics and control”, IEEE Computer,
Vol. 15, pp.62-80, Dec. 1982.

Miguel Torres Torriti, Manipuladores

Robóticos, “Cinemática Directa y el
Procedimiento de Denavit Hartenberg”
Pontificia Universidad Católica de Chile.
Departamento de Ingeniería Eléctrica.

Evolutionary algorithms based design of

multivariable PID controller
M. Willjuice Iruthayarajan *, S. Baskar
Department of EEE, Thiagarajar College of
Engineering, Madurai 625 015, Tamilnadu,
India