Адаптивне керування роботами-маніпуляторами в динамічному середовищі за допомогою нейронних мереж

Автор(и)

DOI:

https://doi.org/10.18372/1990-5548.80.18682

Ключові слова:

машинне навчання, нейронні мережі, система планування руху, інтелектуальна система, роботи маніпулятори, динамічні перешкоди, аналіз середовища, автоматизовані системи

Анотація

Метою дослідження є розробка підходу до планування траєкторії руху робота-маніпулятора за допомогою інтелектуальної системи на основі нейронних мереж. Для цього в роботі розглядалися процеси планування та розгортання руху робота. Аналіз існуючих методів планування руху роботів-маніпуляторів та огляд інтелектуальних систем управління дозволив отримати повну картину сучасного стану цього питання. Пропонується система, яка може сприймати навколишнє середовище та керувати рухом робота, генеруючи правильні команди керування. Для цього було вирішено три завдання, а саме: аналіз середовища з метою визначення його особливостей, визначення траєкторії з метою нейтралізації зіткнення та визначення контрольованих впливів для органів виконавчої влади з метою здійснення руху.

Біографії авторів

Віктор Михайлович Синєглазов , Національний авіаційний університет, Київ

Доктор технічних наук

Професор

Завідувач кафедрою авіаційних комп’ютерно-інтегрованих комплексів

Факультет аеронавігації, електроніки і телекомунікацій

Володимир Петрович Хоцянівський , Національний авіаційний університет, Київ

Аспірант

Факультет аеронавігації, електроніки та телекомунікацій

Посилання

A. V. Duka, “Neural Network based Inverse Kinematics Solution for Trajectory Tracking of a Robotic Arm,” Procedia Technol, 12, 20–27, 2014. https://doi.org/10.1016/j.protcy.2013.12.451

D. G. Arseniev, L. Overmeyer, H. Kälviäinen, and B. Katalinić, Cyber-Physical Systems and Control, Springer: Berlin/Heidelberg, Germany, 2019. https://doi.org/10.1007/978-3-030-34983-7

S. Islam, and X. P. Liu, “Robust Sliding Mode Control for Robot Manipulators,” IEEE Trans. Ind. Electron, 58, 2011, 2444–2453. https://doi.org/10.1109/TIE.2010.2062472

M. J. Yazdanpanah, G. Karimian Khosrowshahi, Robust Control of Mobile Robots Using the Computed Torque Plus H∞ Compensation Method. Available online: https://www.sciencegate.app/document/10.1109/cdc.2003.1273069

S. B. Niku, “Industrial Robotics: Programming, Simulation and Applications,” John Wiley & Sons., 2010. https://doi.org/10.5772/40

Ryo Kikuuwe, & Bernard Brogliato, “A New Representation of Systems with Frictional Unilateral Constraints and Its Baumgarte-Like Relaxation,” Multibody System Dynamics, pp. 267–290, 2017. https://doi.org/10.1007/s11044-015-9491-6

X. Wang, Q. Wu, T. Wang, and Y. Cui, “A Path-Planning Method to Significantly Reduce Local Oscillation of Manipulators Based on Velocity Potential Field,” Sensors. 2023. URL: https://www.mdpi.com/1424-8220/23/23/9617.

H. Liu and L. Wang, “Collision-Free Human-Robot Collaboration Based on Context Awareness,” Robot. Comput.-Integr. Manuf., 67, 101997, 2021. https://doi.org/10.1016/j.rcim.2020.101997

V. Khotsyanivskyi, & V. Sineglazov, “Machine learning in the task of auto-calibration of moving elements of robotic systems on the example of stepper motor control,” In International scientific and technical conference “AVIA,” Kyiv: National Aviation University, 2023, pp. 9.37–9.41. [in Ukraine]

Iaroslav Omelianenko, Hands-On Neuroevolution with Python: Build high-performing artificial neural network architectures using neuroevolution-based algorithms, Packt Publishing, 2019.

R. L. Galvez, A. A. Bandala, E. P. Dadios, R. R. P. Vicerra and J. M. Z. Maningo, "Object Detection Using Convolutional Neural Networks," TENCON 2018– 2018 IEEE Region 10 Conference, Jeju, Korea (South), 2018, pp. 2023–2027, https://doi.org/10.1109/TENCON.2018.8650517.

K. Greff, R. K. Srivastava, J. Koutník, B. R. Steunebrink, & J. Schmidhuber, "LSTM: A Search Space Odyssey". IEEE Transactions on Neural Networks and Learning Systems, 28(10), (2017), 2222–2232. https://doi.org/10.1109/TNNLS.2016.2582924.

A. Dosovitskiy, L. Beyer, A. Kolesnikov, D. Weissenborn, X. Zhai, T. Unterthiner, M. Dehghani, M. Minderer, G. Heigold, S. Gelly, J. Uszkoreit, & N. Houlsby, "An Image is Worth 16x16 Words: Transformers for Image Recognition at Scale," International Conference on Learning Representations, 2021.

S. Hochreiter, & J. Schmidhuber, "Long Short-Term Memory," Neural Computation, 9(8), 1735–1780, 1997. https://doi.org/10.1162/neco.1997.9.8.1735

##submission.downloads##

Опубліковано

2024-06-25

Номер

Том 2 № 80 (2024)

Розділ

АВТОМАТИЗАЦІЯ ТА КОМП’ЮТЕРНО-ІНТЕГРОВАНІ ТЕХНОЛОГІЇ

Ліцензія

Authors who publish with this journal agree to the following terms:

Authors retain copyright and grant the journal right of first publication with the work simultaneously licensed under a Creative Commons Attribution License that allows others to share the work with an acknowledgement of the work's authorship and initial publication in this journal.

Authors are able to enter into separate, additional contractual arrangements for the non-exclusive distribution of the journal's published version of the work (e.g., post it to an institutional repository or publish it in a book), with an acknowledgement of its initial publication in this journal.

Authors are permitted and encouraged to post their work online (e.g., in institutional repositories or on their website) prior to and during the submission process, as it can lead to productive exchanges, as well as earlier and greater citation of published work (See The Effect of Open Access).