Documentos de Académico
Documentos de Profesional
Documentos de Cultura
e-mail: cyb_wil@hotmail.com
Resumen: En el presente artículo se describe la grados de libertad (se utiliza 3 grados de libertad para
utilización de algoritmos de BACKPROPAGATION disminuir la complejidad del ejercicio, y el tiempo de
de redes neuronales para la obtención del modelado simulación en MatLab del mismo), por lo cual
cinemático inverso de un Robot Manipulador de 3 únicamente se solventará el problema de traslación
grados de libertad, a partir de una matriz de espacial, y no así el de orientación del elemento final
transformación de 3x4. En esta última, únicamente TCP. Sin embargo, utilizando la misma concepción, este
se considera la traslación, con el objetivo de dar ejemplo puede ser extrapolado para un Robot con n
consistencia a las ecuaciones resultantes del grados de libertad o articulaciones.
sistema y garantizar la convergencia hacia una
configuración única. En la sección II se presenta una breve explicación del
método matemático tradicional para el cálculo del
Palabras Clave: Redes Neuronales Artificiales, modelo cinemático directo e inverso, que permitirá
BACKPROPAGATION, Cinemática. obtener el conjunto de entrenamiento de la red
neuronal. En la sección III, se explicará concisamente
I. Introducción algunos de los algoritmos de BACKPROPAGATION de
rápida convergencia, así como la estructura de red
Cuando se trabaja en la programación y planificación de
neuronal a la cual se somete al proceso de
movimiento de Manipuladores Robóticos Industriales,
entrenamiento. La simulación y los resultados obtenidos
sin importar el tipo al cual estos pertenezcan, es
son presentados en la sección IV y finalmente en la
imprescindible, la obtención tanto del modelo cinemático
sección V se presentan las respectivas conclusiones y
directo como del modelo cinemático inverso.
trabajos futuros.
Una vez obtenido el primero, cuya dificultad radica en el
II. Cinemático Directo e Indirecta
numero de articulaciones y la dimensionalidad
respectiva que se genera en las matrices de Para la obtención del modelo cinemático directo del
transformación, la obtención del modelo cinemático Robot Manipulador de 3 grados de libertad (Fig.1) se
inverso se consigue mediante asociación directa de la utiliza la representación de DENAVIT-HATENBERG.
matriz de transformación obtenida del este modelo
cinemático directo y con la matriz de rotación y
traslación del punto en el que se desea ubicar al brazo
robótico.
20
noname
cálculo de la cinemática inversa se complica
-10
considerablemente, sin mencionar la presencia de una
serie de no linealidades en el sistema, por lo que, una -20
alternativa factible para la solución del mismo problema, 20
10 20
es la utilización de redes neuronales en la obtención de 0 10
0
una aproximación de dicho modelo. -10 -10
Y -20 -20
X
Para la demostración de la utilización del algoritmo de
Figura 1. Robot Manipulador de 3 grados de libertad en su posición
redes neuronales, se utilizará como ejemplo didáctico
original (las 3 articulaciones ubicadas en cero).
un manipulador robótico de tipo antropomórfico con 3
En cuyo modelo es posible definir la tabla de En el Modelo Cinemático Inverso, por su parte, se
0
parámetros de giro y desplazamiento de los ejes de plantea una matriz de rotación y traslación T3 del punto
referencia que se presenta a continuación: deseado:
Articulación αi ai θi di
1 90 0 θ1 0 (6)
2 0 10 θ2 0
3 0 10 θ3 0
0 0 1 2
Tabla 1. Parámetros de giro y desplazamiento de los ejes de
El mismo que es comparado con T3= A1* A2* A3
referencia. previamente obtenido. Igualando término a término la
0
Matriz de Rotación y Traslación T3 del punto deseado
En este punto se determina la Matriz de rotación y con la Matriz del Modelo Cinemático Directo de las 3
i-1
traslación Ai para cada una de las articulaciones de articulaciones, obtenemos 12 ecuaciones con 6
giro. incógnitas, lo que de antemano supone la existencia de
información redundante si las matrices son linealmente
(1)
independientes:
(7)
(8)
(9)
(12)
(2)
(13)
(14)
1
Matriz de Rotación y Traslación A2
(15)
(3)
(16)
(17)
2
Matriz de Rotación y Traslación A3
(18)
Training-Blue
1
respectivamente, a las coordenadas del punto en el 10
permite la convergencia del algoritmo en un menor Figura 2. Gráfica de Entrenamiento del Gradiente Descendiente
número de iteraciones.
B. GRADIENTE DESCENDIENTE CON MOMENTO:
Finalmente el algoritmo de entrenamiento que se utiliza Una variación del Algoritmo de Gradiente Descendiente
es el de BACKPROPAGATION o Retro-propagación. es la aplicación del Momento para optimizar la
BACKPROPAGATION es un tipo de algoritmia de convergencia del algoritmo. Y su respectiva simulación
aprendizaje supervisado utilizado en redes neuronales se consigue aplicando TRAINGDM.
artificiales, generalmente de tipo FEEDFORWARD, los
Performance is 22.9523, Goal is 0
mismos que por su naturaleza no lineal requieren de la 2
10
utilización de una configuración multicapa.
1
10
Sin embargo existe una serie de algoritmos,
desarrollado por diversos investigadores, que
efectivizan del tiempo de convergencia. Entre los cuales
se citarán y simularan 10 algoritmos diferentes, con la
misma red neuronal, el mismo conjunto de
entrenamiento y el mismo número de iteraciones (100): 0
10
0 10 20 30 40 50 60 70 80 90 100
100 Epochs
A. GRADIENTE DESCENDIENTE: El algoritmo
Figura 3. Gráfica de Entrenamiento de Gradiente Descendiente con
estándar se basa en el gradiente descendiente, en el
Momento
que los pesos de la red se mueven a lo largo de la
pendiente negativa de la función de rendimiento. C. TASA DE APRENDIZAJE ADAPTATIVO: La Tasa de
Aprendizaje Adaptativo, TRAINGDX en MatLab,
El gradiente descendiente intenta encontrar los pesos disminuye considerablemente el número de iteraciones
que mejor se ajustan a los valores de entrenamiento y necesarias para obtener el mismo Performance.
cuyo error puede ser expresado como el cuadrático:
2
Performance is 21.505, Goal is 0 esta fue diseñado para evitar el tiempo de búsqueda y
10
su respectivo costo computacional. Su idea básica es
combinar el modelo de enfoque de la región de
confianza con el método del gradiente conjugado.
1
presentan en las figuras 5, 6, 7 y 8 respectivamente,
10
junto a su función de MatLab.
2
Performance is 19.4202, Goal is 0
10
0
10
0 10 20 30 40 50 60 70 80 90 100
100 Epochs
Training-Blue
Figura 4. Gráfica de Entrenamiento de Tasa Aprendizaje Adaptativo
1
10
D. FLETCHER–REEVES:
= (22)
0
10
0 10 20 30 40 50 60 70 80 90 100
E. POLAK–RIBIERE: 100 Epochs
Δ" (25)
1
10
1
10
2
Performance is 17.7943, Goal is 0
10
Training-Blue
10
0 10 20 30 40 50 60 70 80 90 100
1
100 Epochs 10
2
Performance is 11.473, Goal is 0
10
Training-Blue
1
10
Training-Blue
1
10
0
10
0 10 20 30 40 50 60 70 80 90 100
100 Epochs 0
10
0 10 20 30 40 50 60 70 80 90 100
Figura 9. Gráfica de Entrenamiento de Cuasi-Newton BFGS 100 Epochs
Training-Blue
Una vez obtenido el modelo teórico del sistema, se
desarrolla su correspondiente algoritmo de
0
programación. Sin embargo, se cuenta con la Toolbox 10
Neuronal, se toman 1000 muestras del espacio Figura 13. Gráfica de Entrenamiento de la Primera Articulación
operacional y se determina su respectivo reflejo en el
Performance is 1.70937, Goal is 0
espacio Articular utilizando la función de Cinemática 10
2
1
llamado Ki_nn1_Teo.m. 10
0 100 200 300 400 500 600 700 800 900 1000
entrenamiento de la Red Neuronal, cuyo performance 1000 Epochs
es de 3.11824 luego de 1000 iteraciones. Figura 14. Gráfica de Entrenamiento de la Segunda Articulación
1 1
10 10
0 0
10 10
0 100 200 300 400 500 600 700 800 900 1000 0 100 200 300 400 500 600 700 800 900 1000
1000 Epochs 1000 Epochs
Figura 12. Gráfica de Entrenamiento de las 3 Articulaciones Figura 15. Gráfica de Entrenamiento de la Tercera Articulación
A continuación se presentan las gráficas comparativas 20
Posición en X
-20
10 1 2 3 4 5 6 7 8
-5
-10
0 100 200 300 400 500 600 700 800 20
x
y z
Figura 16. Respuesta de la Red Neuronal en el Espacio Articular 10
Segunda Articulación 0
Z
25 noname
20 -10
15
-20
20
10
10 20
5 0 10
0
-10 -10
0
Y -20 -20
X
-5
Fig.20. Robot Manipulador de 3 grados de libertad en una posición
-10
aleatoria.
-15
Figura 18. Respuesta de la Red Neuronal en el Espacio Articular Es importante mencionar que los performance de la Red
Neuronal entrenando a las 3 articulaciones por
De igual manera se simula, en la figura 19, los puntos separado y simultáneamente, muestran el incremento
en el espacio operacional de cada una de las
de un comportamiento No lineal de las articulaciones 2 y
coordenadas (x, y, z).
3, en las cuales el Performance se aleja de cero
considerablemente.
VI. Bibliografía