Comparativa de mtodos de resolucin de la cinemtica inversa de brazos robots.

Este artculo realiza una comparativa entre tres mtodos de clculo de la cinemtica inversa de un brazo robot. Estos tres mtodos se implementan en un caso concreto, el robot PUMA 560 y se analizan las ventajas e inconvenientes de cada uno de ellos. El problema cinemtico inverso. El siguiente esquema expresa cul es el problema cinemtico inverso, en un robot tenemos los valores de las articulaciones y una posicin y orientacin del actuador final. Primer mtodo: M.T.H. Este mtodo intenta resolver el problema cinemtico inverso a partir de la matriz que calcula la cinemtica directa, llamada de transformacin homognea. Lo hace mediante la multiplicacin de matrices, con lo que consigue poner el valor de una articulacin en funcin del resto. De esta forma ya no resulta imposible resolver analticamente el sistema de ecuaciones planteado por la matriz de transformacin La cinemtica directa da la posicin y orientacin a partir de los valores de las articulaciones mediante el clculo de la matriz de transformacin homognea
0

extremadamente complicado. Este estudio intenta encontrar un mtodo que permita que este clculo sea lo ms sencillo posible y que se haga muy rpidamente. Tambin interesa que el mtodo sea genrico y eficiente, de forma que sea fcilmente adaptable a otros robots y siempre proporcione la solucin correcta.

1 , 2 , 3 4 , 5 , 6

C inem tica D ire cta m atriz de transfor macin hom ognea

X ,Y , Z A, B, C

X ,Y , Z A, B, C

C inemtic a Inve rsa m todo?

1 , 2 , 3 4 , 5 , 6

homognea. No obstante, para robots de muchas articulaciones como el PUMA 560, lo que resulta despus de operar con infinidad de ecuaciones es un mar de igualdades sin orden alguno y que no llevan a ninguna solucin del problema.

A6 . En clculo

cambio la cinemtica inversa realiza el proceso contrario, que es un

Para solucionar este problema se propone la idea de orden y modularidad, es decir intentar trabajar las ecuaciones con el mximo orden posible y separar el problema mediante la utilizacin de mdulos. Se puede llegar a esto observando que 5 de las 6 articulaciones del robot PUMA 560 se pueden resolver mediante la misma ecuacin, esta es: a s ( ) + b c( ) = c Donde las constantes a, b, c dependen siempre de valores de articulaciones encontrados previamente y de la posicin y orientacin deseadas. Esta ecuacin proporciona siempre dos soluciones, esto hace que el nmero de soluciones se vaya multiplicando por 2 a medida que se van resolviendo ecuaciones. Est claro que hay soluciones que han de ser descartadas, aqu entran las ecuaciones de validacin. Estas ecuaciones siempre sern tres y pertenecientes a la expresin de un vector unitario, de forma que sea imposible que se anulen las 3 simultneamente ya que si esto ocurriese se daran soluciones errneas como correctas. Finalmente se ha podido llegar a elaborar un algoritmo que calcula la cinemtica inversa correctamente y en todos los casos posibles de forma que siempre proporciona las 8 soluciones correctas que existen para el robot PUMA 560.

Segundo mtodo: NRM. Este segundo mtodo resuelve el problema Raphson. El sistema a resolver es el siguiente: nX nY 0 A6 = T = nZ 0 oX oY oZ 0 aX aY aZ 0 X Y Z 1 cinemtico inverso mediante mtodos iterativos, en este caso Newton-

Aqu se tienen 12 ecuaciones y 6 incgnitas, se deber escoger por tanto 6 para resolver el sistema de ecuaciones. No obstante si se observan las ecuaciones se puede llegar a ver que escogiendo 5 ecuaciones y resolviendo las 5 primeras articulaciones con NRM, luego con un sencillo sistema de ecuaciones de 2 ecuaciones y 2 incgnitas se puede encontrar el ltimo ngulo. Las ecuaciones para NRM sern: f X ( 1 , 2 , 3 , 4 , 5 ) X = 0 f Y ( 1 , 2 , 3 , 4 , 5 ) Y = 0 f Z ( 2 , 3 , 4 , 5 ) Z = 0 f aX ( 1 , 2 , 3 , 4 , 5 ) aX = 0 f aY ( 1 , 2 , 3 , 4 , 5 ) aY = 0 Para resolver este sistema de ecuaciones mediante NRM es necesario resolver en cada iteracin del mtodo el siguiente sistema de ecuaciones: J = F

Donde J es la matriz Jacobiana 5 x 5 y las incgnitas son los incrementos de ngulo en cada iteracin. Finalmente se llega a una solucin para las articulaciones 1-5, esta solucin ser ms o menos exacta segn cuando se decida parar el mtodo NRM. La rapidez de convergencia del mtodo depende de la aproximacin inicial que se tome, con lo cual se obtiene un mtodo muy lento. Pero este no es el nico inconveniente, estn las soluciones incorrectas. Las soluciones incorrectas se deben a que para resolver el NRM se han escogido slo 5 ecuaciones, por lo que al final del mtodo slo se garantiza que X, Y, Z, aX y aY coinciden con los deseados para el actuador final. Nada se puede decir entonces de los otros parmetros que configuran la orientacin del robot. Esto tampoco se habra solucionado si se hubiesen tomado 6 ecuaciones en vez de 5 para resolver el NRM. La solucin no existe, slo se puede decir que si el robot tiene 7 ecuaciones o ms el problema desaparece por completo. Al tomar 7 ecuaciones para resolver el sistema se garantiza que la posicin y orientacin coinciden con los deseados. Se utilizaran 3 para asegurar la posicin X, Y, Z, 2 para asegurar el vector n, y otras 2 para asegurar el vector o. Slo 2 bastan ecuaciones para asegurar un vector ya que la tercera componente queda determinada al ser vectores unitarios. Tampoco hay

problema para asegurar el vector a, ya que queda eterminado por el producto vectorial de n y o. Tercer mtodo: NN+NRM. Se ha visto como la convergencia del mtodo NRM depende de la aproximacin inicial que se tome. Una buena idea sera proporcionar al sistema una buena aproximacin inicial, lo ms cerca posible de la solucin final de forma que el mtodo NRM tardase muy pocas iteraciones en llegar a la solucin final con la precisin exigida. Esta aproximacin inicial la proporcionarn las redes neuronales siguiendo el siguiente esquema:

Se ha realizado un estudio sobre qu tipo de red proporciona mejores resultados. Algunos de los datos obtenidos para MLP y Backpropagation son:

NGULO 1 Red A Red B

errorAVG 2.79 3.98

error
4.88 6.54

Se puede observar que las redes MLP proprcionan un mejor resultado pero tambin que las redes RBF son mucho ms sencillas y proporcionan un error aceptable con una gran rapidez de convergencia. Se ha visto como las redes neuronales al proporcionar una aproximacin inicial al mtodo iterativo reducen hasta menos de la mitad el nmero de iteraciones necesarias de NRM. Tambin se podra medir como mejoran las redes neuronales el problema de las soluciones incorrectas comentado anteriormente. Mtodo Soluciones incorrectas 47.53 % 26.48 % 24.74 % 35.83 % N-R y fija N-R y Red A N-R y Red B N-R y Red RBF

Red A: Red B

6 6

32 80

8 20

1; 1

Pero el resultado interesante es la reduccin en el nmero de iteraciones, expresado en la siguiente tabla: Iteraciones NRM Aproximacin fija Red A Red B Red AB
AVG

23.4 10.05 10.01 9.5

Se puede intentar el mismo proceso pero para otro tipo de redes, RBFs. Este tipo de redes poseen la caracterstica de una convergencia increblemente rpida, aunque los resultados obtenidos no son tan buenos como en el caso de MLP y Backpropagation. Seguidamente se muestran algunos de los resultados obtenidos: NGULO 1 Red 50c errorAVG 7.2

Finalmente la prueba definitiva para cada mtodo debera ser el tiempo medio de ejecucin para el clculo de la cinemtica inversa, ya que no se puede asegurar que el tiempo gastado en calcular la aproximacin inicial sea compensado por la reduccin en el nmero de iteraciones. La siguiente tabla muestra el tiempo medio de clculo para un Pentium 90: Mtodo Mtodo analtico N-R y fija N-R y Red A N-R y Red B N-R y Red RBF Tiempo de clculo 2 ms 3.2 ms 4.1 ms 11.1 ms 4.8 ms

error
9.76

De la misma forma que en el caso anterior es interesante el resultado obtenido en la reduccin del nmero de iteraciones: Iteraciones NRM Aproximacin fija Red RBF 50c
AVG

23.4 14.88

El problema es que el clculo de la aproximacin inicial se ha hecho en serie, pero se podra hacer en paralelo, de forma que el tiempo gastado para calcular la aproximacin inicial se dividira por 5, en ese caso se obtendra un tiempo de clculo medio para una aproximacin inicial dada por una Red A de 1.9ms. Se puede ver que incluso se superara en rapidez al mtodo analtico o M.T.H, y deja muy atrs los 3.2 ms del mtodo iterativo con aproximacin inicial fija. Conclusiones. Despus de implementar cada mtodo en un mismo robot se ha podido ver claramente las ventajas e inconvenientes de cada mtodo. Para el primero, M.T.H, en cuanto a eficiencia y rapidez de clculo es excelente, pero queda en clara desventaja frente a los otros debido a que es extremadamente complicado obtener las ecuaciones y el algoritmo. Adems es totalmente no genrico, es decir que para otro robot el cambio es total y no sirve nada de lo hecho anteriormente. El segundo, NRM, el mtodo es sencillo y genrico, pero es muy lento y altamente ineficiente, ya que la mitad de soluciones que proporciona no tienen la orientacin deseada. Aunque tambin se debe recordar que si el robot fuese de 7 o ms articulaciones este problema no existira. En cualquier caso el

mtodo tarda de media 3.2 ms y puede haber casos en los que la rapidez sea muy importante, por lo que se necesita que el tiempo de clculo se reduzca lo ms posible. En esos casos la utilizacin de redes neuronales proporcionan la solucin en el menor tiempo posible, dejando a todos atrs con un tiempo de 1.9 ms. Y adems sigue siendo un mtodo genrico y sencillo una vez se ha creado el software de entrenamiento. Se puede concluir entonces en que el problema cinemtico inverso tiene su solucin en la utilizacin de mtodos iterativos, ayudados por una buena proximacin inicial de una red neuronal correctamente entrenada. Bibliografa: Allon Guez, Ziauddin Ahmad (1988), Solution to the inverse kinematics problem in robotics by neural networks, Proc IEEE Int. Conf. Nural Networks, Vol. 2, pg 617-23. Jose M Angulo Usategui (1996), Robtica Prctica, Editorial Paraninfo. Antonio Barrientos, Luis Felipe Pen, Carlos Balaguer, Rafael Aracil (1997), Fundamentos de Robtica, McGraw Hill. ALEJANDRO LPEZ GONZLEZ