Tesis Presentation in Spanish: Algoritmo Genético para La Planificación de Trayectorias en Robots Industriales

Algoritmo Gentico Para La Planificacin De
Trayectorias En Robots Industriales

Presentado por: D. Fares Jawad Abu-Dakka

Dirigida por: Dr. Francisco Valero

Centro de Investigacin de Tecnologa de Vehculos (CITV)
Departamento de Ingeniera Mecnica y de Materiales (DIMM)
Universitat Politcnica de Valncia
TESIS DOCTORAL

DEPARTAMENTO DE INGENIERA MECNICA Y DE MATERIALES

Fares Jawad Abu-Dakka
Valencia, Marzo de 2011 2
NDICE
1. Introduccin
2. Modelado del Problema
3. Planificacin de Caminos
4. Planificacin de Trayectorias
5. Conclusiones
NDICE
1. Introduccin
Motivacin.
Antecedentes.
Aproximacin a Los Algoritmos Genticos.
Objetivos.
5. Conclusiones
1. Introduccin 3. Caminos 5. Conclusiones

2. Problema 4. Trayectorias
1.- Introduccin
1.1. - Motivacin
El progresivo inters en dotar al sistema robtico la capacidad de planificar sus
propios movimientos.
Todava quedan abiertos ciertos problemas que pueden mejorar en las tcnicas de
planificacin de Caminos y Trayectorias.

Algoritmos para la Planificacin de Caminos
Obtener una secuencia (camino) de configuraciones del robot entre una
configuracin inicial y otra final, que satisfaga algunas condiciones, entre
las que cabe destacar la prevencin de colisiones

Algoritmos para la Planificacin de Trayectorias
Obtener una historia temporal de la evolucin del robot, minimizando el
tiempo requerido o el consumo de energa y con restricciones tanto de
prevencin de colisiones como relacionadas con las limitaciones dinmicas
del robot.

1.- Introduccin
1.2. - Antecedentes

Planificacin de Caminos

Mtodos Globales: Trabajan sobre el entorno completo.
El mtodo por construccin de mapas Nilsson 1969, bsqueda de caminos en trminos
geomtricos de Lozano-Perez 1983, descomposicin celular de Schwartz y Sharir 1983, etc.
Mtodos Locales: Trabajan sobre entornos reducidos.
El campo potencial artificial de Khatib 1986, Barraquand and Latombe 1989, El mtodo de
restricciones de Faverjon y Tournassoud 1987, mapa de rutas probabilstico de Kavraki 1996,
etc.
Planificacin de Trayectorias

Mtodos Indirectos:
Shin y McKay 1985, Slotine y Yang 1989, Saramago1999, etc.
Mtodos Directos:
Saramago y Steffen 2001, Rubio 2009, etc.
1.- Introduccin
1.2. - Antecedentes

AG en la Planificacin de Caminos y de la Trayectoria
Khoogar and Parker 1991 trataron el problema de planificacin de caminos en 2D y
con robot de 3 GDL.
Davidor 1991 optimiz la trayectoria en 2D de un robot de 3 GDL.
Zhao 1992 trataron el problema de la planificacin de caminos para un manipulador
de 3 GDL sujeto en base mvil de 2 GDL.
Toogood 1995 utiliz los AG para obtener una trayectoria libre de colisiones para un
robot de 3 GDL.
Tse y Wang 1998 introdujeron un AG para minimizar el tiempo sujeto a un camino
dado para robots industriales con restricciones de velocidad, aceleracin, y jerk.
Vadakkepat 2000 combin los AG con el campo potencial artificial para resolver el
problema de la planificacin de Caminos.
Tian y Collinas 2005 utilizaron los AG en la planificacin de Caminos para analizar
el espacio de trabajo en 2D para un robot de 2 GDL.
1.- Introduccin
1.2. - Antecedentes

1.- Introduccin
1.3. Aproximacin a Los Algoritmos Genticos.
Algoritmos de bsqueda basados en la mecnica de la evolucin, en particular:
La seleccin natural y La herencia gentica.
Combinan la supervivencia del ms fuerte con intercambio de informacin entre
individuos para generar descendientes.
As se consigue crear sistemas de cmputo artificiales con caractersticas propias de los
sistemas naturales, tales como:
Robustez, Flexibilidad, Auto-organizacin, Reproduccin, ...
Qu Son?

1.- Introduccin
Historia
Fueron introducidos por John Holland y algunos colegas en la Universidad de Michigan
en los aos 70. Sus objetivos fueron.
Abstraer y explicar el proceso adaptativo de los sistemas naturales
Disear sistemas artificiales que emulasen los mecanismos esenciales de los sistemas naturales
Primera monografa [Holland 1975]: Adaptation in Natural and Artificial Systems
Otras referencias relevantes ms recientes:
[Goldberg 1989] : Genetic Algoritms in Search Optimization and Machine Learning
[Michalewick 1992, 1994, 1996] : Genetic Algoritms = Data Structures + Evolution Programs
Algoritmos de bsqueda basados en la mecnica de la evolucin, en particular:
La seleccin natural y La herencia gentica.
Combinan la supervivencia del ms fuerte con intercambio de informacin entre
individuos para generar descendientes.
As se consigue crear sistemas de cmputo artificiales con caractersticas propias de los
sistemas naturales, tales como:
Robustez, Flexibilidad, Auto-organizacin, Reproduccin, ...
Qu Son?

1.- Introduccin
Han demostrado ser tiles en problemas de bsqueda en muchos campos:
Ingenieras, Ciencias, Administracin, Industria, ...
Son simples, fciles de entender y de disear.
No tienen limitaciones sobre la funcin objetivo:
Por ejemplo no es necesario que sean continuas ni derivables, etc.
Son robustos y razonablemente eficientes.
Aplicaciones y Ventajas

1.- Introduccin
Han demostrado ser tiles en problemas de bsqueda en muchos campos:
Ingenieras, Ciencias, Administracin, Industria, ...
Son simples, fciles de entender y de disear.
No tienen limitaciones sobre la funcin objetivo:
Por ejemplo no es necesario que sean continuas ni derivables, etc.
Son robustos y razonablemente eficientes.
Aplicaciones y Ventajas
Caractersticas
Utilizan codificaciones de las soluciones (normalmente cadenas de smbolos).
Buscan a partir de un conjunto de puntos del espacio de bsqueda, no un punto
nico.
Solamente utilizan el valor de la funcin objetivo (en lugar de derivadas u otras
propiedades): No requieren ms informacin del dominio del problema.
Usan reglas de transicin probabilistas en lugar de deterministas.

1.- Introduccin
Inicio
Iniciar Parmetros:
Pc, Pm,
Poblacin Inicial
La funcin de
Fitness
Operador de
Seleccin
Cruce
Mutacin
Nueva Poblacin
Finaliza?
Poblacin Final
No
Si

Parmetros: Pc, Pm, popsize, ngen, nmeg,
npop, etc.
1.- Introduccin
Inicio
Iniciar Parametros:
Pc, Pm,
Poblacin Inicial
La funcin de
Fitness
Operador de
Seleccin
Cruce
Mutacin
Nueva Poblacin
Finaliza?
Poblacin Final
No
Si

La funcin de fitness gua el mecanismo de
bsqueda a travs del operador de
seleccin. La influencia de la funcin de
fitness es fundamental para determinar los
individuos candidatos a sobrevivir.
1.- Introduccin
Inicio
Iniciar Parametros:
Pc, Pm,
Poblacin Inicial
La funcin de
Fitness
Operador de
Seleccin
Cruce
Mutacin
Nueva Poblacin
Finaliza?
Poblacin Final
No
Si

La operacin de reproduccin consiste en
seleccionar los individuos utilizando
alguno de los algoritmos de seleccin para
producir.
Tipos de Seleccin:
La ruleta.
Por torneo.
Basada en ranking.
Determinstica. Etc.
1.- Introduccin
Inicio
Iniciar Parametros:
Pc, Pm,
Poblacin Inicial
La funcin de
Fitness
Operador de
Seleccin
Cruce
Mutacin
Nueva Poblacin
Finaliza?
Poblacin Final
No
Si

La idea principal del cruce se basa en que,
si se toman dos individuos correctamente
adaptados al medio y se obtiene una
descendencia que comparta genes de
ambos, existe la posibilidad de que los
genes heredados sean precisamente los
causantes de la bondad de los padres.
Tipos de Cruce:
De un punto.
De dos puntos.
PMX.
Uniforme.
Discretizado. Etc.
1.- Introduccin
Inicio
Iniciar Parametros:
Pc, Pm,
Poblacin Inicial
La funcin de
Fitness
Operador de
Seleccin
Cruce
Mutacin
Nueva Poblacin
Finaliza?
Poblacin Final
No
Si

La mutacin de un individuo provoca que
alguno de sus genes vare su valor de forma
aleatoria.
Una de las ventajas de la mutacin es sacar
el algoritmo de un bloqueo en un mnimo
local.
Tipos de Mutacin:
De un gen.
De multigen.
De un bit.
De multibit.
De intercambio.
De inversin. Etc.
1.- Introduccin
1.4. - Objetivos
Un algoritmo gentico para resolver el problema de planificacin de
caminos.
Un algoritmo gentico para resolver el problema de planificacin de
trayectorias.

NDICE
1. Introduccin
5. Conclusiones

NDICE
1. Introduccin
Modelado del Robot.
Modelo Cinemtico.
Modelo Dinmico.
Modelado del Entorno.
Prevencin de Colisiones.
5. Conclusiones

2.- Modelado del Problema
2.1. Modelado del Robot.
Modelo almbrico

La configuracin del robot en
coordenadas de nudos

( )
i
j
q C

X
Y
Z
O
Modelo almbrico


( )
i
j
q C

X
Y
Z
O
4

Modelo almbrico


coordenadas Cartesianas

Puntos significativos

Puntos de inters
( )
i
j
m
q
( )
i
j
k
q
( )
i
j
q C
( )
j
k
j
m
j
C ,

X
Y
Z
O
4

2.2. Modelo Cinemtico.
Para describir la cadena cinemtica de forma precisa y eficaz, se requiere una
convencin. En esta tesis, se utiliza la notacin de la Denavit-Hartenberg Modificada,
presentada por Craig 2005

2.3. Modelo Dinmico.
Formulacin de Newton-Euler:
Procedimiento recursivo
Hacia fuera calculando velocidades y aceleraciones
lineales y angulares
Hacia dentro calculando pares y esfuerzos en las
articulaciones
Basado en operaciones vectoriales
Ecuaciones poco estructuradas
Complejidad computacional: O(n)

2.4. Modelado del Entorno.

El entorno de trabajo en esta tesis se define como el espacio que
contiene al menos un conjunto de configuraciones del robot
obtenidos en base a un conjunto discreto de posiciones del
elemento terminal.

El entorno de trabajo segn Craig 2005: la existencia o
inexistencia de una solucin cinemtica de un manipulador dado.
4
i

4
f


Se considera un prisma rectangular asociado a las
posiciones del elemento terminal en el espacio,
entre las configuraciones inicial y final del robot.
Las aristas del prisma son paralelas a los ejes del
sistema de referencia cartesiano global.
El entorno de trabajo en esta tesis se define como el espacio que
contiene al menos un conjunto de configuraciones del robot
obtenidos en base a un conjunto discreto de posiciones del
elemento terminal.

El entorno de trabajo segn Craig 2005: la existencia o
inexistencia de una solucin cinemtica de un manipulador dado.
4
i

4
f

|
|
|
.
|
\
|

+ =
= A
|
|
|
.
|
\
|

+ =
= A
|
|
|
.
|
\
|

+ =
= A
D
ceil Pts donde
Pts
D
ceil Pts donde
Pts
D
ceil Pts donde
Pts
i
z
f
z
z
z
i
z
f
z
z
i
y
f
y
y
y
i
y
f
y
y
i
x
f
x
x
x
i
x
f
x
x
4 4
4 4
4 4
4 4
4 4
4 4
1 ;
1
1 ;
1
1 ;
1


El conjunto de posiciones que puede ocupar el elemento
terminal viene en funcin del tamao de la discretizacin
que se realice del prisma de trabajo.

2.5. Prevencin de Colisiones.

X
Y
Z
O
m

2.5. Prevencin de Colisiones.

X
Y
Z
O
m

NDICE
1. Introduccin
5. Conclusiones

NDICE
1. Introduccin
Configuraciones Adyacentes.
Algoritmo Gentico para la Planificacin de Caminos.
Ejemplos.
5. Conclusiones

3.- Planificacin de Caminos
3.1. Configuraciones Adyacentes.
Discretizacin del Espacio de Trabajo
A
x

A
y

A
z

4
j

4
j+1

4
j+2

4
j+3

4
j+4

4

j+6
4
j+5

4
i

4
f

X
Y
Z
O

Se dice que las configuraciones C
p
, C
k
son adyacentes si
son factibles y cumple lo siguiente:
La distancia que pasa el elemento terminal para ir de C
p
a C
k

es menor que el tamao de el obstculo ms pequeo.
Las distancias entre los puntos significativos de C
p
y C
k

tienen que ser menor que el tamao del obstculo ms
pequeo.

Minimiza la funcin:

( ) ,... 2 , 1 ; 3 , 2 , 1 ; min 2 = = s j i r
j
k
i
p
i

( )
( )
( )
( )

= =
+
|
|
|
|
|
|
.
|
\
|
+
+
=
6
1
2
4
1
2
2
2
i
k
i
f
i
j
z
p
j
k
j
y
p
j
k
j
x
p
j
k
j
p k
q q B A C C


La obtencin de la configuracin C
k

1- La cinemtica inversa; analticamente.
2- Utilizando un Algoritmo Gentico.
p
k

k
Algoritmo Gentico:
Steady State Genetic Algorithm (SSGA)
Cromosoma
Seleccin
Cruce
Mutacin
Funcin Objetivo

Este algoritmo gentico usa poblaciones superpuestos.
Esto significa, la capacidad de especificar qu parte de
la poblacin deben ser reemplazados en cada
generacin. Los nuevos descendientes generados se
aaden a la poblacin y, a continuacin los peores se
eliminan.
k
Algoritmo Gentico:
Cromosoma
Seleccin
Cruce
Mutacin
Funcin Objetivo
Robot Configuration

Gene 1
q
1
q
2
q
3
q
4
q
5
q
6

Gene 6
gene(i) = RV(q
i,min
, q
i,max
); i = 1 6

k
Algoritmo Gentico:
Cromosoma
Seleccin: La ruleta
Cruce
Mutacin
Funcin Objetivo

La seleccin de ruleta conste en asignar probabilidades
de acuerdo al grado de adaptacin de los cromosomas.
La seleccin de ruleta permite que los mejores
individuos sean elegidos con una mayor probabilidad.
Ind. 1
Ind. 2
Ind. 3
Ind. 4
k
Algoritmo Gentico:
Cromosoma
Seleccin
Cruce
Mutacin
Funcin Objetivo

Cruce de
un Punto
k
Algoritmo Gentico:
Cromosoma
Seleccin
Cruce
Mutacin
Funcin Objetivo
gene(i) = gene(i) + RV(q
i,min
, q
i,max
) [RV(q
i,min
, q
i,max
) - RV(q
i,min
, q
i,max
)]
Mutacin
de un Gen

k
Algoritmo Gentico:
Cromosoma
Seleccin
Cruce
Mutacin
Funcin Objetivo
( )
( )
( )
( )

= =
+
|
|
|
|
|
|
.
|
\
|
+
+
=
6
1
2
4
1
2
2
2
i
k
i
f
i
j
z
p
j
k
j
y
p
j
k
j
x
p
j
k
j
p k
q q B A C C


3.2. Algoritmo Gentico para la Planificacin de Caminos.
Algoritmo Gentico:
Algoritmos Genticos Paralelos
Cromosoma
Seleccin
Funcin Objetivo
Cruce
Mutacin

Utiliza poblaciones en paralelo con la tcnica de la
migracin.
Tiene mltiples poblaciones, independientes.
Cada poblacin se desarrolla utilizando algoritmo
gentico que usa poblaciones superpuestos.
En cada generacin, algunos individuos emigran de
una poblacin a otra.
Cada poblacin migra un nmero fijo de sus
mejores individuos a su vecino.
La poblacin principal se actualiza cada generacin
con el mejor individuo de cada poblacin.
Algoritmo Gentico:
Cromosoma
Seleccin
Funcin Objetivo
Cruce
Mutacin

Algoritmo Gentico:
Cromosoma
Seleccin: La ruleta
Funcin Objetivo
Cruce
Mutacin

Algoritmo Gentico:
Cromosoma
Seleccin
Funcin Objetivo
Cruce
Mutacin
( ) ( ) ( )

)
+ +
= =
+ + +
1
1 1
2
1
2
1
2
1
n
i
m
j
z
i
j
i
j
y
i
j
i
j
x
i
j
i
j
Minimize

Algoritmo Gentico:
Cromosoma
Seleccin
Funcin Objetivo
Cruce
Mutacin

n
Dad
i
Dad Dad Dad
C C C C Dad
2 1
=
m
Mom
j
Mom Mom Mom
C C C C Mom
2 1
=
( ) ( ) ( ) { }
1 2 1
, ,..., , , ,
l
p
Mom
k
Dad
p
Mom
k
Dad
p
Mom
k
Dad
C C C C C C Mom Dad =
( ) ( ) ( ) { }
2 2 1
, ,..., , , ,
l
p
Dad
k
Mom
p
Dad
k
Mom
p
Dad
k
Mom
C C C C C C Dad Mom =
m
Mom
j
Mom
i
Dad Dad Dad
C C C C C sis Offspring
2 1
1 = =
n
Dad
i
Dad
j
Mom Mom Mom
C C C C C bro Offspring
2 1
2 = =
El Cruce

Reproduccin de un hijo slo
El Cruce

La
Mutacin

3.5. Ejemplos.
Benchmark 1: Obstculos patrn
Un conjunto de cinco configuraciones
iniciales y finales.
Para cada juego de configuraciones se
resuelven 10 entornos de trabajo:

Los algoritmos presentados han sido
desarrollados utilizando Object
Oriented C++, y se han ejecutados en
un ordenador Intel Xeon CPU E5440 @
2.83 GHz, 8 GB de RAM.
3.5. Ejemplos.

0
2
4
6
8
10
12
T
r
a
v
e
l
l
e
d

D
i
s
t
a
n
c
e

(
m
)
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47 49
GA
A1
A2
A3
A4
Examples
3.5. Ejemplos.

50%
60%
70%
80%
90%
100%
110%
120%
1 5 9
1
3
1
7
2
1
2
5
2
9
3
3
3
7
4
1
4
5
4
9
Examples
P
e
r
c
e
n
t
a
g
e

%
Travelled Distance Relation (GA / A1)
Average = 87,7%
50%
60%
70%
80%
90%
100%
110%
120%
1 5 9
1
3
1
7
2
1
2
5
2
9
3
3
3
7
4
1
4
5
4
9
Examples
P
e
r
c
e
n
t
a
g
e

%
Average =
84,3%
50%
60%
70%
80%
90%
100%
110%
120%
1 5 9
1
3
1
7
2
1
2
5
2
9
3
3
3
7
4
1
4
5
4
9
Examples
P
e
r
c
e
n
t
a
g
e

%
Average =
84,4%
40%
50%
60%
70%
80%
90%
100%
110%
120%
1 5 9
1
3
1
7
2
1
2
5
2
9
3
3
3
7
4
1
4
5
4
9
Examples
P
e
r
c
e
n
t
a
g
e

%
Average =
68,8%
3.5. Ejemplos.

1
10
100
1000
10000
100000
C
o
m
p
u
t
a
t
i
o
n
a
l

T
i
m
e

(
s
)
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47 49
A4
A1
A2
A3
GA
Examples
3.5. Ejemplos.
d
s
(m) t
c
(s) t
e
(s)
Benchmark 2
A1 5.82 17049 35
A2 5.41 16233 29
A3 5.43 2674 45
Thesis Results 4.3181 17782 1.6342
Benchmark 2: Aplicacin Industrial:
Comparacin de Resultados

NDICE
1. Introduccin
5. Conclusiones

NDICE
1. Introduccin
Mtodo Indirecto.
Configuraciones Adyacentes.
Obtencin de la Trayectoria
Ejemplos
5. Conclusiones

4.- Planificacin de Trayectorias
4.1. Mtodo Indirecto.
Algoritmo Gentico:
Cromosoma
Seleccin
Funcin Objetivo
Cruce
Mutacin
Utiliza spline cbico forzado (Clamped).
Restricciones:
Fsicas: Velocidad, Aceleracin,
Sobreaceleracin.
Dinmicas: pares, potencia, energa.

Algoritmo Gentico:
Cromosoma
Seleccin
Funcin Objetivo
Cruce
Mutacin
Tiempo

Gene 0
t
0
t
1
t
f-1
t
f

Gene f

Algoritmo Gentico:
Cromosoma
Seleccin: La ruleta
Funcin Objetivo
Cruce
Mutacin

Algoritmo Gentico:
Cromosoma
Seleccin
Funcin Objetivo
Cruce
Mutacin
=
=
f
i
i pk
t t
1
,

Algoritmo Gentico:
Cromosoma
Seleccin
Funcin Objetivo
Cruce
Mutacin
arr
j
= RV(0, t
j,max
) [RV(0, t
j,max
) - RV(0, t
j,max
)]
gene
j
Bro
= arr
j
gene
j
Dad
+ (1 - arr
j
) gene
j
Mom

gene
j
Sis
= arr
j
gene
j
Mom
+ (1 - arr
j
) gene
j
Dad


Algoritmo Gentico:
Cromosoma
Seleccin
Funcin Objetivo
Cruce
Mutacin
gene
j
= gene
j
+ RV(0, t
j,max
) [RV(0, t
j,max
) - RV(0, t
j,max
)]

Se dice que las configuraciones C
p
, C
k
son adyacentes si
son factibles y cumple lo siguiente:
La distancia que pasa el elemento terminal para ir de C
p
a
C
k
es menor que el tamao de el obstculo ms pequeo.
Las distancias entre los puntos significativos de C
p
y C
k

tienen que ser menor que el tamao del obstculo ms
pequeo.

Minimiza la funcin:

Restricciones:

( ) ,... 2 , 1 ; 3 , 2 , 1 ; min 2 = = s j i r
j
k
i
p
i

( )
( )
( )
( )
|
|
|
|
|
|
.
|
\
|
+
+
+ + =
= =
4
1
2
2
2
6
1
2
2
j
z
p
j
k
j
y
p
j
k
j
x
p
j
k
j
i
k
i
f
i
p k
C q q B t A C C

6 ,.., 2 , 1
max, min,
= < < i
i i i
t t t

Obtencin de la Trayectoria de Tiempo Mnimo Entre Dos Configuraciones
Adyacentes
3 2
pk
pk
i pk
pk
i pk
pk
i
pk
i
pk
i
t d t c t b a q + + + =
2
3 2
pk
pk
i pk
pk
i
pk
i
pk
i
t d t c b q + + =
pk
pk
i
pk
i
pk
i
t d c q 6 2 + =
( )
( )
( )
( )
=
=
=
=
=
=
0

0 0
0
0
pk
pk
i
k
i pk
pk
i
pk
pk
i
p
i
pk
i
t q
q t q
t t
q
q q
t
( )
( )
p
i
k
i
pk
i
p
i
k
i
pk
i
pk
i
p
i
pk
i
q q
t
d
q q
t
c
b
q a
|
.
|
\
|
=
|
.
|
\
|
=
=
=
3
2
2
3
0

k
Utilizando un Algoritmo Gentico.

k
Algoritmo Gentico:
Cromosoma
Seleccin
Cruce
Mutacin
Funcin Objetivo

k
Algoritmo Gentico:
Cromosoma
Seleccin
Cruce
Mutacin
Funcin Objetivo
gene(i) = RV(q
i,min
, q
i,max
); i = 1 6
Robot Configuration
Gene 1
Gene 6 Gene 7

q
1
q
2
q
3
q
4
q
5
q
6
t
pk

Time to be
optimized

gene(7) = RV(0.05, t
max
)
k
Algoritmo Gentico:
Cromosoma
Seleccin: La ruleta
Cruce
Mutacin
Funcin Objetivo

k
Algoritmo Gentico:
Cromosoma
Seleccin
Cruce
Mutacin
Funcin Objetivo

Cruce de
un Punto
k
Algoritmo Gentico:
Cromosoma
Seleccin
Cruce
Mutacin
Funcin Objetivo
gene(i) = gene(i) + RV(q
i,min
, q
i,max
) [RV(q
i,min
, q
i,max
) - RV(q
i,min
, q
i,max
)]

Mutacin
de un Gen
k
Algoritmo Gentico:
Cromosoma
Seleccin
Cruce
Mutacin
Funcin Objetivo
( )
( )
( )
( )
|
|
|
|
|
|
.
|
\
|
+
+
+ + =
= =
4
1
2
2
2
6
1
2
2
j
z
p
j
k
j
y
p
j
k
j
x
p
j
k
j
i
k
i
f
i
p k
C q q B t A C C


4.3. Obtencin de la Trayectoria.
Algoritmo Gentico:
Cromosoma
Seleccin
Funcin Objetivo
Cruce
Mutacin

Algoritmo Gentico:
Cromosoma
Seleccin
Funcin Objetivo
Cruce
Mutacin

Algoritmo Gentico:
Cromosoma
Seleccin: La ruleta
Funcin Objetivo
Cruce
Mutacin

Algoritmo Gentico:
Cromosoma
Seleccin
Funcin Objetivo
Cruce
Mutacin
=
=
f
i
i pk
t t
1
,

Algoritmo Gentico:
Cromosoma
Seleccin
Funcin Objetivo
Cruce
Mutacin

4.4. Resultados.

17
18
19
20
21
22
23
0 50 100 150 200
No. of Generations
T
i
m
e

(
s
)
pc=0,35
pc=0,65
pc=0,95
Probabilidad de
Cruce = 0.95
Probabilidad de Mutacin
0.001 0.01 0.05 0.1 0.2 0.3 0.4
Tse and Wang 1998 20.156 19.880 18.211 18.226 18.929 18.957 19.062
Thesis Results 18.091 17.726 17.706 17.971 17.896 17.897 17.931
Ejemplo: Comparacin de resultados con Tse y Wang 1998.
Un camino de 10 configuraciones
incluidos la inicial y la final.
Las restricciones son de velocidad,
aceleracin, y sobreaceleracin.
4.4. Resultados.

Ejemplo: Mtodo Indirecto.
-4,0
-3,0
-2,0
-1,0
0,0
1,0
2,0
0,0 0,5 1,0 1,5
Time (sec)
J
o
i
n
t
s

P
o
s
i
t
i
o
n

(
r
a
d
)
q1
q2
q3
-4
-2
0
2
4
0,0 0,5 1,0 1,5
Time (sec)
J
o
i
n
t
s

v
e
l
o
s
i
t
i
e
s

(
r
a
d
/
s
)
v1
v2
v3
-60
-40
-20
0
20
40
60
0,0 0,5 1,0 1,5
Time (sec)
J
o
i
n
t
s

a
c
c
e
l
e
r
a
t
i
o
n
s

(
r
a
d
/
s
.
s
)
a1
a2
a3
-200
-100
0
100
200
0,0 0,5 1,0 1,5
Time (sec)
J
o
i
n
t
s

t
o
r
q
u
e

(
N
.
m
)
TAU1
TAU2
TAU3
-300
-200
-100
0
100
200
300
400
0,0 0,5 1,0 1,5
Time (sec)
J
o
i
n
t
s

p
o
w
e
r

(
W
a
t
t
)
POT1
POT2
POT3
Las limitaciones de par (en N.m) son:
1
|140|,
2
|180|,
3
|140|,
4
|80|,
5
|80|,
6
|40|.
Las Limitaciones de potencia (en Watt) son:
Pot
1
|275|, Pot
2
|350|, Pot
3
|275|, Pot
4

|150|, Pot
5
|150|, Pot
6
|75|.
4.4. Resultados.

Un conjunto de cinco configuraciones
iniciales y finales.
Para cada juego de configuraciones se
resuelven 4 entornos de trabajo:
1
10
100
1 2 3 4 5 6 7 8 9
1
0
1
1
1
2
1
3
1
4
1
5
1
6
1
7
1
8
1
9
2
0
Examples
E
x
e
c
u
t
i
o
n

T
i
m
e

(
s
)
A1 A2 A3 GA
0
2
4
6
8
10
1 2 3 4 5 6 7 8 9
1
0
1
1
1
2
1
3
1
4
1
5
1
6
1
7
1
8
1
9
2
0
Examples
T
r
a
v
e
l
l
e
d

D
i
s
t
a
n
c
e

(
m
)
A1 A2 A3 GA
1
10
100
1000
10000
100000
1 2 3 4 5 6 7 8 9
1
0
1
1
1
2
1
3
1
4
1
5
1
6
1
7
1
8
1
9
2
0
Examples
C
o
m
p
u
t
a
t
i
o
n
a
l

T
i
m
e

(
s
)
A1 A2 A3 GA
4.4. Resultados.

15%
25%
35%
45%
55%
65%
75%
1 2 3 4 5 6 7 8 9
1
0
1
1
1
2
1
3
1
4
1
5
1
6
1
7
1
8
1
9
2
0
Examples
P
e
r
c
e
n
t
a
g
e

%
Execution Time Relation (GA / A1)
Average = 43%
15%
25%
35%
45%
55%
65%
75%
1 2 3 4 5 6 7 8 9
1
0
1
1
1
2
1
3
1
4
1
5
1
6
1
7
1
8
1
9
2
0
Examples
P
e
r
c
e
n
t
a
g
e

%
Average = 43%
15%
25%
35%
45%
55%
65%
75%
1 2 3 4 5 6 7 8 9
1
0
1
1
1
2
1
3
1
4
1
5
1
6
1
7
1
8
1
9
2
0
Examples
P
e
r
c
e
n
t
a
g
e

%
Average = 44%
0
2
4
6
8
10
1 2 3 4 5 6 7 8 9
1
0
1
1
1
2
1
3
1
4
1
5
1
6
1
7
1
8
1
9
2
0
Examples
E
x
e
c
u
t
i
o
n

T
i
m
e

(
s
e
c
)
A1
A2
A3
GA
4.4. Resultados.

0
1
2
3
4
5
6
7
1 2 3 4 5 6 7 8 9
1
0
1
1
1
2
1
3
1
4
1
5
1
6
1
7
1
8
1
9
2
0
Examples
T
r
a
v
e
l
l
e
d

D
i
s
t
a
n
c
e

(
m
)
A1 A2
A3 GA
60%
70%
80%
90%
100%
110%
120%
1 2 3 4 5 6 7 8 9
1
0
1
1
1
2
1
3
1
4
1
5
1
6
1
7
1
8
1
9
2
0
Examples
P
e
r
c
e
n
t
a
g
e

%
Average = 93%
60%
70%
80%
90%
100%
110%
120%
1 2 3 4 5 6 7 8 9
1
0
1
1
1
2
1
3
1
4
1
5
1
6
1
7
1
8
1
9
2
0
Examples
P
e
r
c
e
n
t
a
g
e

%
Average = 92%
60%
70%
80%
90%
100%
110%
120%
1 2 3 4 5 6 7 8 9
1
0
1
1
1
2
1
3
1
4
1
5
1
6
1
7
1
8
1
9
2
0
Examples
P
e
r
c
e
n
t
a
g
e

%
Average = 92%
4.4. Resultados.

0
1
2
3
4
5
6
7
1 2 3 4 5 6 7 8 9
1
0
1
1
1
2
1
3
1
4
1
5
1
6
1
7
1
8
1
9
2
0
Examples
T
r
a
v
e
l
l
e
d

D
i
s
t
a
n
c
e

(
m
)
A1 A2
A3 GA
60%
70%
80%
90%
100%
110%
120%
1 2 3 4 5 6 7 8 9
1
0
1
1
1
2
1
3
1
4
1
5
1
6
1
7
1
8
1
9
2
0
Examples
P
e
r
c
e
n
t
a
g
e

%
Average = 93%
60%
70%
80%
90%
100%
110%
120%
1 2 3 4 5 6 7 8 9
1
0
1
1
1
2
1
3
1
4
1
5
1
6
1
7
1
8
1
9
2
0
Examples
P
e
r
c
e
n
t
a
g
e

%
Average = 92%
60%
70%
80%
90%
100%
110%
120%
1 2 3 4 5 6 7 8 9
1
0
1
1
1
2
1
3
1
4
1
5
1
6
1
7
1
8
1
9
2
0
Examples
P
e
r
c
e
n
t
a
g
e

%
Average = 92%
0
5000
10000
15000
20000
25000
1 2 3 4 5 6 7 8 9
1
0
1
1
1
2
1
3
1
4
1
5
1
6
1
7
1
8
1
9
2
0
Examples
C
o
m
p
u
t
a
t
i
o
n
a
l

T
i
m
e

(
s
e
c
) A1
A2
A3
GA
4.4. Resultados.
Execution Time (s) Travelled Distance (m) Computational Time (s)
Indirect (Chapter 3)
0 Obstacle 2,00408 3,7358 13413
1 Obstacles 2,11442 3,8029 19805
2 Obstacles 2,37418 4,0187 16292
3 Obstacles 3,36064 4,1585 21408
Direct (Chapter 4)
0 Obstacle 1,68652 3,9446 4876
1 Obstacles 1,80759 4,0642 7321
2 Obstacles 1,96055 4,1335 6749
3 Obstacles 2,67079 4,2554 6799
Ejemplo : Comparacin entre resultados de
capitulo 3 y 4

4.4. Resultados.
Results of
this thesis
Benchmark 3
A1 A2 A3
t
e
(s) 1.42842 35.61 29.23 45.70
d
s
(m) 4.2556 5.82 5.41 5.43
t
c
(s) 28885 17049.94 16233.08 2674.69

Benchmark 3: Aplicacin Industrial
4.4. Resultados.
t
e
(s) t
c
(s) d
e
(m) d
s
(m)
0 Obstacles 2.42217 12915 1.7106 4.7870
With Obstacles 3.85854 57080 1.7802 5.2227
Ejemplo : Aplicacin Industrial: Caso con y sin
Obstculos.

4.4. Resultados.
t
e
(s) t
c
(s) d
e
(m) d
s
(m)
1.52102 9720-2173 1.1335 3.2619
Ejemplo : Aplicacin Industrial.

NDICE
1. Introduccin
5. Conclusiones
5.- Conclusiones

En esta tesis se ha construido dos algoritmos distintos basados en los
algoritmos genticos para resolver los problemas de planificacin de
Caminos y Trayectorias.
El espacio de trabajo se ha construido de modo que permite modificar su
dimensin segn sea necesario.
Se ha diseado nuevo procedimiento para realizar el cruce y la mutacin.
Los algoritmos presentados se han validado con una serie de ejemplos. Una
parte de estos ejemplos se ha comparado con los resultados de otros autores
demostrando una mejora por un promedio de 81.3% para la planificacin de
Caminos, y 43% para la planificacin de trayectorias.
El tiempo computacional es alto. Adems se incrementa cada vez que se
incrementa la complejidad del problema. Eso es la desventaja de los
algoritmos genticos en general. Sin embargo, como los robots industriales
trabajan de forma repetitiva, normalmente se hace la planificacin offline.
5.- Conclusiones

PUBLICACIONES
Revisitas Fares Abu-Dakka, Francisco Valero, Jose Luis Suer, and Vicente Mata. An
Algorithm to Solve Trajectory Planning Problem Using Genetic Algorithm,
with Robot Dynamics Considerations, Mechanism and Machine Theory, under
reviewing.
Fares Abu-Dakka, Francisco Valero, Vicente Mata. Evolutionary Path Planning
Algorithm for Industrial Robots, Advance Robotics, under reviewing.
Congresos
Internacionales
Fares Abu-Dakka, Francisco Valero, Allan Tubaileh, and Francisco Rubio.
Obtaining Adjacent Configurations with Minimum Time Considering Robot
Dynamics, proceeding for the 12th IFToMM World Congress, Besanon
(France), June18-21, 2007
Fares Abu-Dakka, Francisco Valero, Vicente Mata, and Iyad F. I. Assad. PATH
Planning Optimization of Industrial Robots Using Genetic Algorithm,
proceeding for the 16th Int. Workshop on Robotics in Alpe-Adria-Danube Region
- RAAD 2007 Ljubljana, June 7-9, 2007
Fares Abu-Dakka, Francisco Valero, and Vicente Mata. Obtaining Adjacent
Configurations with Minimum Time Considering Robot Dynamics Using
Genetic Algorithms, proceeding for the 17th Int. Workshop on Robotics in Alpe-
Adria-Danube Region - RAAD 2008 Ancona, September 15-17, 2008
5.- Conclusiones

Futuros Trabajos
Ampliar el procedimiento introducido para incluir la orientacin del
elemento terminal.
Aplicar otros algoritmos de bsqueda como el algoritmo de las hormigas.
Presentado por: D. Fares Jawad Abu-Dakka
Dirigida por: Dr. Francisco Valero

Centro de Investigacin de Tecnologa de Vehculos (CITV)
Departamento de Ingeniera Mecnica y de Materiales (DIMM)
Universitat Politcnica de Valencia
TESIS DOCTORAL

DEPARTAMENTO DE INGENIERA MECNICA Y DE MATERIALES

Tesis Presentation in Spanish: Algoritmo Genético para La Planificación de Trayectorias en Robots Industriales

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Tesis Presentation in Spanish: Algoritmo Genético para La Planificación de Trayectorias en Robots Industriales

Cargado por

Copyright:

Formatos disponibles

Algoritmo Gentico Para La Planificacin De

Trayectorias En Robots Industriales

También podría gustarte