Universidad de Ingenierı́a y Tecnologı́a - UTEC

Curso: Fundamentos de Robótica (2017-1)

Prof: Oscar E. Ramos Ponce

Tarea 5: Componentes de un Sistema Robótico

Entrega: miércoles 02 de mayo del 2017

1. La Figura 1 muestra el detalle de la articulación 2 del robot UNIMATE Puma 562 donde
se observa que el motor que actúa la articulación 2 está montado dentro del eslabón 2.
La salida del eje del motor (JT2 MOTOR) está conectada a una polea guı́a (idler assembly)

Figura 1: Detalle de la articulación 2 del robot PUMA [1]

JT2 IDLER ASSY a través de un engranaje cónico (bevel gear ) que modifica 90° el eje de
rotación y cuyo factor de reducción es 10.88. A su vez, la polea guı́a está conectada al
eje de la articulación 2 a través de un engranaje cilı́ndrico (T2 GEAR OUTPUT). El radio
de las ruedas en este engranaje es rin = 1.1 cm y rout = 10.86 cm.
(a) (1 pt) Encontrar la relación de transmisión (o reducción) del sistema completo,
desde el motor 2 hasta el eslabón 2.
(b) (2 pts) Sabiendo que el máximo torque que produce el eje del motor 2 es τm = 0.3
Nm, ¿cuál serı́a la máxima aceleración angular alcanzable por el eslabón 2? La
inercia del motor 2 es Jm = 0.0002 kg.m2 y del eslabón 2 es 2.306 kg.m2 . Recordar
que la relación entre torque y aceleración angular es τ = J θ̈.
 2. Un motor que será utilizado para accionar una articulación de un robot posee un encoder
de calidad media que mide la posición articular. La salida de dicho sensor, representada
por qmed (en grados sexagesimales ◦ ), posee cierto ruido debido a la calidad del mismo
y a la variación de la carga a la que está sometido el motor. Utilizando un sensor de
posición de alta presición se midió la posición real del eje qreal y usando un tacómetro de
alta precisión se midió la velocidad real del motor, q̇real . Los datos de estas mediciones
se encuentran en el archivo mediciones.txt.
(a) (1 pt) En una misma gráfica mostrar la posición real qreal y la posición medida
por el encoder qmed en función del tiempo t, sabiendo que el intervalo entre cada
muestra es de 0.1 s. Indicar si en la gráfica resultante hay errores notables entre
ambas mediciones.
(b) (1 pt) Calcular la velocidad a partir de la posición articular medida con el encoder,
qmed , usando una diferenciación hacia atrás (BDF) de 1 paso. En una misma gráfica
mostrar la velocidad estimada junto con la velocidad real q̇real . ¿Se nota errores en
la estimación en la gráfica resultante?
(c) (3 pts) Implementar el filtro de Kalman para la estimación de la velocidad a partir
del valor medido de posición qmed . En una misma gráfica mostrar dicha velocidad
estimada con la velocidad real e indicar si hay mejoras con respecto a la velocidad
real. Asimismo realizar una gráfica donde se muestre la velocidad estimada con el
filtro de Kalman, la velocidad obtenida en el punto anterior y la velocidad real.
Como ayuda en la lectura de los datos se provee el archivo t5 parte2.m. Se puede
completar las 3 partes de esta pregunta en dicho archivo.

3. (12 pts) Se considerará 5 robots diferentes: CHIMP [2], Charlie [3], HRP-2 [4], RoboSi-
mian [5,6], Momaro [7]. Cada grupo de 2 personas estará a cargo de uno de estos robots.
Para el robot asignado se deberá realizar una presentación corta (5 a 10 minutos) el
martes 2 de abril abarcando los siguientes puntos.
(a) Estructura mecánica del robot
(b) Sensores y actuadores del robot
(c) Componentes de control del robot
(d) Sistema total del robot (y subsistemas, en el caso de existir detalles de los mismos)

Filtro de Kalman
Para implementar el filtro de Kalman se debe considerar el siguiente modelo de movimiento:
     
qk 1 ∆T η
xk = Axk−1 + η, donde xk = ,A = ,η = 1
q̇k 0 1 η2

y η es una variable bidimensional aleatoria de distribución normal con media cero y cova-
rianza dada por R. Se puede suponer R = diag(0.1, 0.1). Dado que solo se tiene mediciones
de posición, se debe considerar el siguiente modelo de medición:
 
żk = Cxk + ν, donde C = 1 0
y ν es una variable aleatoria con distribución normal de media cero y varianza Q. En este
caso se puede asumir Q = 0.1.
Usando los anteriores elementos, el algoritmo del filtro de Kalman está dado por las siguientes
ecuaciones, en el orden que aparecen:
1. Predicción del modelo: xk = Axk−1
2. Predicción de la covarianza: P k = APk−1 AT + R
3. Ganacia de Kalman: Kk = P k C T (CP k C T + Q)−1
4. Corrección del modelo: xk = xk + Kk (qmedk − Cxk )
5. Corrección de la covarianza: Pk = (I − Kk C)P k
Dichas ecuaciones se aplican de forma iterativa
 para
 cada uno de los valores de qmed . El
q0
algoritmo puede ser inicializado usando x0 = y P0 = I. Debido a que la importancia
0
radica en estimar la velocidad, se debe recuperar el segundo elemento del vector de estado
xk en cada iteración.

Referencias
[1] Laboratory of Automation and Robotics, Department of Electronics, Computer Science
and Systems, University of Bologna (www.lar.deis.unibo.it/equipments/puma)
[2] Stentz, Anthony, et al. CHIMP, the CMU Highly Intelligent Mobile Platform. Journal of
Field Robotics 32.2 (2015): 209-228.
[3] Kuehn, Daniel, et al. System Design and Testing of the Hominid Robot Charlie. Journal
of Field Robotics (2016).
[4] Kaneko, Kenji, et al. Humanoid Robot HRP-2. International Conference on Robotics and
Automation, New Orleans, LA, USA (2004).
[5] Hebert, Paul, et al. Mobile Manipulation and Mobility as Manipulation—Design and
Algorithms of RoboSimian. Journal of Field Robotics 32.2 (2015): 255-274.
[6] Karumanchi, Sisir, et al. Team RoboSimian: Semi-autonomous Mobile Manipulation at
the 2015 DARPA Robotics Challenge Finals. Journal of Field Robotics (2016).
[7] Schwarz, Max, et al. Supervised Autonomy for Exploration and Mobile Manipulation in
Rough Terrain with a Centaur-like Robot. Frontiers in Robotics and AI 3 (2016): 57.