Red neuronal artificial para la extracción de parámetros dinámicos de robots a partir de información incompleta de su movimie

Las redes neuronales artificiales son útiles para procesar datos con información incompleta para obtener una salida deseada. En los sistemas de medición de robots manipuladores, solo se toman muestras cuantificadas de la posición y, por lo tanto, no se puede ejecutar en un tiempo razonable algoritmo...

Full description

Autores:: Carreón Díaz de León, Carlos Leopoldo
Vergara Limón, Sergio
González Calleros, Juan Manuel
Diozcora Vargas Treviño, María Aurora

Tipo de recurso:: Article of investigation

Fecha de publicación:: 2021

Institución:: Universidad Autónoma de Bucaramanga - UNAB

Repositorio:: Repositorio UNAB

Idioma:: spa

id	UNAB2_97edb0b175f067dd3b845f78243f77b9
oai_identifier_str	oai:repository.unab.edu.co:20.500.12749/26478
network_acronym_str	UNAB2
network_name_str	Repositorio UNAB
repository_id_str
dc.title.spa.fl_str_mv	Red neuronal artificial para la extracción de parámetros dinámicos de robots a partir de información incompleta de su movimie
dc.title.translated.eng.fl_str_mv	Artificial neural network for the extraction of dynamic parameters of robots from incomplete information of their movement
title	Red neuronal artificial para la extracción de parámetros dinámicos de robots a partir de información incompleta de su movimie
spellingShingle	Red neuronal artificial para la extracción de parámetros dinámicos de robots a partir de información incompleta de su movimie Red neuronal Robots Parámetros dinámicos Neural network Robots Dynamic parameters
title_short	Red neuronal artificial para la extracción de parámetros dinámicos de robots a partir de información incompleta de su movimie
title_full	Red neuronal artificial para la extracción de parámetros dinámicos de robots a partir de información incompleta de su movimie
title_fullStr	Red neuronal artificial para la extracción de parámetros dinámicos de robots a partir de información incompleta de su movimie
title_full_unstemmed	Red neuronal artificial para la extracción de parámetros dinámicos de robots a partir de información incompleta de su movimie
title_sort	Red neuronal artificial para la extracción de parámetros dinámicos de robots a partir de información incompleta de su movimie
dc.creator.fl_str_mv	Carreón Díaz de León, Carlos Leopoldo Vergara Limón, Sergio González Calleros, Juan Manuel Diozcora Vargas Treviño, María Aurora
dc.contributor.author.none.fl_str_mv	Carreón Díaz de León, Carlos Leopoldo Vergara Limón, Sergio González Calleros, Juan Manuel Diozcora Vargas Treviño, María Aurora
dc.contributor.orcid.spa.fl_str_mv	Carreón Díaz de León, Carlos Leopoldo [0000-0002-9953-9561] Vergara Limón, Sergio [0000-0002-5215-9262] González Calleros, Juan Manuel [0000-0002-9661-3615] Diozcora Vargas Treviño, María Aurora [0000-0001-7188-2782]
dc.subject.spa.fl_str_mv	Red neuronal Robots Parámetros dinámicos
topic	Red neuronal Robots Parámetros dinámicos Neural network Robots Dynamic parameters
dc.subject.keywords.eng.fl_str_mv	Neural network Robots Dynamic parameters
description	Las redes neuronales artificiales son útiles para procesar datos con información incompleta para obtener una salida deseada. En los sistemas de medición de robots manipuladores, solo se toman muestras cuantificadas de la posición y, por lo tanto, no se puede ejecutar en un tiempo razonable algoritmos deterministas para extraer los parámetros del robot. En el estado del arte, se abordan algoritmos de extracción de parámetros basados en la suposición de que no existe la cuantificación de las señales del movimiento del robot y que la primera y segunda derivada de la posición son muestreadas y no estimadas. En este trabajo, se propone un algoritmo basado en una red neuronal entrenada para extraer los parámetros de un determinado robot para reducir el tiempo de caracterización del robot, además, con la metodología propuesta se pueden extraer parámetros dinámicos del mismo tipo de robot con el que se ha entrenado la red neuronal.
publishDate	2021
dc.date.issued.none.fl_str_mv	2021-09-15
dc.date.accessioned.none.fl_str_mv	2024-09-12T16:22:35Z
dc.date.available.none.fl_str_mv	2024-09-12T16:22:35Z
dc.type.coarversion.fl_str_mv	http://purl.org/coar/version/c_970fb48d4fbd8a85
dc.type.driver.none.fl_str_mv	info:eu-repo/semantics/article
dc.type.local.spa.fl_str_mv	Artículo
dc.type.coar.none.fl_str_mv	http://purl.org/coar/resource_type/c_2df8fbb1
dc.type.redcol.none.fl_str_mv	http://purl.org/redcol/resource_type/ART
format	http://purl.org/coar/resource_type/c_2df8fbb1
dc.identifier.issn.spa.fl_str_mv	ISSN: 1657-2831 e-ISSN: 2539-2115
dc.identifier.uri.none.fl_str_mv	http://hdl.handle.net/20.500.12749/26478
dc.identifier.instname.spa.fl_str_mv	instname:Universidad Autónoma de Bucaramanga UNAB
dc.identifier.repourl.spa.fl_str_mv	repourl:https://repository.unab.edu.co
dc.identifier.doi.none.fl_str_mv	https://doi.org/10.29375/25392115.4298
identifier_str_mv	ISSN: 1657-2831 e-ISSN: 2539-2115 instname:Universidad Autónoma de Bucaramanga UNAB repourl:https://repository.unab.edu.co
url	http://hdl.handle.net/20.500.12749/26478 https://doi.org/10.29375/25392115.4298
dc.language.iso.spa.fl_str_mv	spa
language	spa
dc.relation.spa.fl_str_mv	https://revistas.unab.edu.co/index.php/rcc/article/view/4298/3506
dc.relation.uri.spa.fl_str_mv	https://revistas.unab.edu.co/index.php/rcc/issue/view/276
dc.relation.references.none.fl_str_mv	Agand, P., Shoorehdeli, M. A., & Khaki-Sedigh, A. (2017). Adaptive recurrent neural network with Lyapunov stability learning rules for robot dynamic terms identification. Engineering Applications of Artificial Intelligence, 65. https://doi.org/10.1016/j.engappai.2017.07.009 Berzal, F. (2018). Redes Neuronales y Deep Learning. Ikor. Chávez-Olivares, C., Reyes-Cortés, F., González-Galván, E., Mendoza-Gutierrez, M., & Bonilla-Gutierrez, I. (2012). Experimental Evaluation of Parameter Identification Schemes on an Anthropomorphic Direct Drive Robot. International Journal of Advanced Robotic Systems, 9(5). https://doi.org/10.5772/52190 Devore, J. L. (2011). Probability and Statistics for Engineering and the Sciences. Cengage learning. Ding, Y., Zhao, B. Y., & Wu, B. (2014). Structural System Identification with Extended Kalman Filter and Orthogonal Decomposition of Excitation. Mathematical Problems in Engineering, 2014. https://doi.org/10.1155/2014/987694 Hu, J., & Xiong, R. (2018). Contact Force Estimation for Robot Manipulator Using Semiparametric Model and Disturbance Kalman Filter. IEEE Transactions on Industrial Electronics, 65(4). https://doi.org/10.1109/TIE.2017.2748056 Huynh, H. N., Assadi, H., Rivière-Lorphèvre, E., Verlinden, O., & Ahmadi, K. (2020). Modelling the dynamics of industrial robots for milling operations. Robotics and Computer-Integrated Manufacturing, 61. https://doi.org/10.1016/j.rcim.2019.101852 Kalman, R. E. (1960). A New Approach to Linear Filtering and Prediction Problems. Journal of Basic Engineering, 82(1). https://doi.org/10.1115/1.3662552 Lin, F.-J., Teng, L.-T., Chen, C.-Y., & Chang, C.-K. (2008). Robust RBFN Control for Linear InductionMotor Drive Using FPGA. IEEE Transactions on Power Electronics, 23(4). https://doi.org/10.1109/TPEL.2008.924604 Liu, N., Li, L., Hao, B., Yang, L., Hu, T., Xue, T., Wang, S., & Shao, X. (2020). Semiparametric Deep Learning Manipulator Inverse Dynamics Modeling Method for Smart City and Industrial Applications. Complexity, 2020. https://doi.org/10.1155/2020/9053715 Ogata, K. (1996). Sistemas de control en tiempo discreto. Pearson educacion. Pohlman, J. T., & Leitner, D. W. (2003). A Comparison of Ordinary Least Squares and Logistic Regression. The Ohio Journal of Science, 103(5), 118–125. Qin, Z., Baron, L., & Birglen, L. (2010). A new approach to the dynamic parameter identification of robotic manipulators. Robotica, 28(4). https://doi.org/10.1017/S0263574709990233 Soh, J., & Wu, X. (2017). An FPGA-Based Unscented Kalman Filter for System-On-Chip Applications. IEEE Transactions on Circuits and Systems II: Express Briefs, 64(4). https://doi.org/10.1109/TCSII.2016.2565730 Su, H., Qi, W., Yang, C., Sandoval, J., Ferrigno, G., & Momi, E. de. (2020). Deep Neural Network Approach in Robot Tool Dynamics Identification for Bilateral Teleoperation. IEEE Robotics and Automation Letters, 5(2). https://doi.org/10.1109/LRA.2020.2974445 Swevers, J., Ganseman, C., Tukel, D. B., de Schutter, J., & van Brussel, H. (1997). Optimal robot excitation and identification. IEEE Transactions on Robotics and Automation, 13(5). https://doi.org/10.1109/70.631234 Swevers, J., Verdonck, W., & de Schutter, J. (2007). Dynamic Model Identification for Industrial Robots. IEEE Control Systems, 27(5). https://doi.org/10.1109/MCS.2007.904659 Taylor, J. R. (2013). Mecánica clásica. Reverté. Wang, S., Shao, X., Yang, L., & Liu, N. (2020). Deep Learning Aided Dynamic Parameter Identification of 6-DOF Robot Manipulators. IEEE Access, 8. https://doi.org/10.1109/ACCESS.2020.3012196 Wu, R.-T., & Jahanshahi, M. R. (2019). Deep Convolutional Neural Network for Structural Dynamic Response Estimation and System Identification. Journal of Engineering Mechanics, 145(1). https://doi.org/10.1061/(ASCE)EM.1943-7889.0001556 Xiao, W., Dunford, W. G., Palmer, P. R., & Capel, A. (2007). Application of Centered Differentiation and Steepest Descent to Maximum Power Point Tracking. IEEE Transactions on Industrial Electronics, 54(5). https://doi.org/10.1109/TIE.2007.899922 You, B., Qiao, M., Xu, J., & Liu, D. (2012). Low-Speed Control of Heavy-Load Transfer Robot with Long Telescopic Boom Based on Stribeck Friction Model. Mathematical Problems in Engineering, 2012. https://doi.org/10.1155/2012/432129
dc.rights.coar.fl_str_mv	http://purl.org/coar/access_right/c_abf2
rights_invalid_str_mv	http://purl.org/coar/access_right/c_abf2
dc.format.mimetype.spa.fl_str_mv	application/pdf
dc.publisher.spa.fl_str_mv	Universidad Autónoma de Bucaramanga UNAB
dc.source.spa.fl_str_mv	Vol. 22 Núm. 2 (2021): Revista Colombiana de Computación (Julio-Diciembre); 37-47
institution	Universidad Autónoma de Bucaramanga - UNAB
bitstream.url.fl_str_mv	https://repository.unab.edu.co/bitstream/20.500.12749/26478/1/Art%c3%adculo.pdf https://repository.unab.edu.co/bitstream/20.500.12749/26478/3/Art%c3%adculo.pdf.jpg https://repository.unab.edu.co/bitstream/20.500.12749/26478/2/license.txt
bitstream.checksum.fl_str_mv	16cd59bb914bbb8c018a85c2e18b2ac7 0863de2e05de2aa80cfba62bd7aae99b 855f7d18ea80f5df821f7004dff2f316
bitstream.checksumAlgorithm.fl_str_mv	MD5 MD5 MD5
repository.name.fl_str_mv	Repositorio Institucional \| Universidad Autónoma de Bucaramanga - UNAB
repository.mail.fl_str_mv	repositorio@unab.edu.co
_version_	1828219781023531008
spelling	Carreón Díaz de León, Carlos Leopoldo11992b9a-4569-403d-9982-45c2a92a3c24Vergara Limón, Sergio60b2119f-dc30-4447-9bbe-3ad98a98e166González Calleros, Juan Manuel7ca30aef-23ae-4f83-894b-08bea20855e2Diozcora Vargas Treviño, María Aurora6b009b9f-a718-49c0-8ff5-f002c5758523Carreón Díaz de León, Carlos Leopoldo [0000-0002-9953-9561]Vergara Limón, Sergio [0000-0002-5215-9262]González Calleros, Juan Manuel [0000-0002-9661-3615]Diozcora Vargas Treviño, María Aurora [0000-0001-7188-2782]2024-09-12T16:22:35Z2024-09-12T16:22:35Z2021-09-15ISSN: 1657-2831e-ISSN: 2539-2115http://hdl.handle.net/20.500.12749/26478instname:Universidad Autónoma de Bucaramanga UNABrepourl:https://repository.unab.edu.cohttps://doi.org/10.29375/25392115.4298Las redes neuronales artificiales son útiles para procesar datos con información incompleta para obtener una salida deseada. En los sistemas de medición de robots manipuladores, solo se toman muestras cuantificadas de la posición y, por lo tanto, no se puede ejecutar en un tiempo razonable algoritmos deterministas para extraer los parámetros del robot. En el estado del arte, se abordan algoritmos de extracción de parámetros basados en la suposición de que no existe la cuantificación de las señales del movimiento del robot y que la primera y segunda derivada de la posición son muestreadas y no estimadas. En este trabajo, se propone un algoritmo basado en una red neuronal entrenada para extraer los parámetros de un determinado robot para reducir el tiempo de caracterización del robot, además, con la metodología propuesta se pueden extraer parámetros dinámicos del mismo tipo de robot con el que se ha entrenado la red neuronal.The artificial neural networks are suitable for processing incomplete data to achieve the desired output. The acquisition system of the manipulator robots takes quantified samples of the position; therefore, it is not possible to execute deterministic algorithms of parameter extraction in a reasonable time. State of the art describes algorithms based on the assumption that the motion signals are not quantified, and the first and second derivatives of the position are sampled instead of estimated. In this paper, a trained neural network-based extraction parameter algorithm for a determined robot is proposed to reduce the robot characterization time. Also, with the proposed methodology is possible to extract the parameters of the same kind of robot used for training the neural network.application/pdfspaUniversidad Autónoma de Bucaramanga UNABhttps://revistas.unab.edu.co/index.php/rcc/article/view/4298/3506https://revistas.unab.edu.co/index.php/rcc/issue/view/276Agand, P., Shoorehdeli, M. A., & Khaki-Sedigh, A. (2017). Adaptive recurrent neural network with Lyapunov stability learning rules for robot dynamic terms identification. Engineering Applications of Artificial Intelligence, 65. https://doi.org/10.1016/j.engappai.2017.07.009Berzal, F. (2018). Redes Neuronales y Deep Learning. Ikor.Chávez-Olivares, C., Reyes-Cortés, F., González-Galván, E., Mendoza-Gutierrez, M., & Bonilla-Gutierrez, I. (2012). Experimental Evaluation of Parameter Identification Schemes on an Anthropomorphic Direct Drive Robot. International Journal of Advanced Robotic Systems, 9(5). https://doi.org/10.5772/52190Devore, J. L. (2011). Probability and Statistics for Engineering and the Sciences. Cengage learning.Ding, Y., Zhao, B. Y., & Wu, B. (2014). Structural System Identification with Extended Kalman Filter and Orthogonal Decomposition of Excitation. Mathematical Problems in Engineering, 2014. https://doi.org/10.1155/2014/987694Hu, J., & Xiong, R. (2018). Contact Force Estimation for Robot Manipulator Using Semiparametric Model and Disturbance Kalman Filter. IEEE Transactions on Industrial Electronics, 65(4). https://doi.org/10.1109/TIE.2017.2748056Huynh, H. N., Assadi, H., Rivière-Lorphèvre, E., Verlinden, O., & Ahmadi, K. (2020). Modelling the dynamics of industrial robots for milling operations. Robotics and Computer-Integrated Manufacturing, 61. https://doi.org/10.1016/j.rcim.2019.101852Kalman, R. E. (1960). A New Approach to Linear Filtering and Prediction Problems. Journal of Basic Engineering, 82(1). https://doi.org/10.1115/1.3662552Lin, F.-J., Teng, L.-T., Chen, C.-Y., & Chang, C.-K. (2008). Robust RBFN Control for Linear InductionMotor Drive Using FPGA. IEEE Transactions on Power Electronics, 23(4). https://doi.org/10.1109/TPEL.2008.924604Liu, N., Li, L., Hao, B., Yang, L., Hu, T., Xue, T., Wang, S., & Shao, X. (2020). Semiparametric Deep Learning Manipulator Inverse Dynamics Modeling Method for Smart City and Industrial Applications. Complexity, 2020. https://doi.org/10.1155/2020/9053715Ogata, K. (1996). Sistemas de control en tiempo discreto. Pearson educacion.Pohlman, J. T., & Leitner, D. W. (2003). A Comparison of Ordinary Least Squares and Logistic Regression. The Ohio Journal of Science, 103(5), 118–125.Qin, Z., Baron, L., & Birglen, L. (2010). A new approach to the dynamic parameter identification of robotic manipulators. Robotica, 28(4). https://doi.org/10.1017/S0263574709990233Soh, J., & Wu, X. (2017). An FPGA-Based Unscented Kalman Filter for System-On-Chip Applications. IEEE Transactions on Circuits and Systems II: Express Briefs, 64(4). https://doi.org/10.1109/TCSII.2016.2565730Su, H., Qi, W., Yang, C., Sandoval, J., Ferrigno, G., & Momi, E. de. (2020). Deep Neural Network Approach in Robot Tool Dynamics Identification for Bilateral Teleoperation. IEEE Robotics and Automation Letters, 5(2). https://doi.org/10.1109/LRA.2020.2974445Swevers, J., Ganseman, C., Tukel, D. B., de Schutter, J., & van Brussel, H. (1997). Optimal robot excitation and identification. IEEE Transactions on Robotics and Automation, 13(5). https://doi.org/10.1109/70.631234Swevers, J., Verdonck, W., & de Schutter, J. (2007). Dynamic Model Identification for Industrial Robots. IEEE Control Systems, 27(5). https://doi.org/10.1109/MCS.2007.904659Taylor, J. R. (2013). Mecánica clásica. Reverté.Wang, S., Shao, X., Yang, L., & Liu, N. (2020). Deep Learning Aided Dynamic Parameter Identification of 6-DOF Robot Manipulators. IEEE Access, 8. https://doi.org/10.1109/ACCESS.2020.3012196Wu, R.-T., & Jahanshahi, M. R. (2019). Deep Convolutional Neural Network for Structural Dynamic Response Estimation and System Identification. Journal of Engineering Mechanics, 145(1). https://doi.org/10.1061/(ASCE)EM.1943-7889.0001556Xiao, W., Dunford, W. G., Palmer, P. R., & Capel, A. (2007). Application of Centered Differentiation and Steepest Descent to Maximum Power Point Tracking. IEEE Transactions on Industrial Electronics, 54(5). https://doi.org/10.1109/TIE.2007.899922You, B., Qiao, M., Xu, J., & Liu, D. (2012). Low-Speed Control of Heavy-Load Transfer Robot with Long Telescopic Boom Based on Stribeck Friction Model. Mathematical Problems in Engineering, 2012. https://doi.org/10.1155/2012/432129Vol. 22 Núm. 2 (2021): Revista Colombiana de Computación (Julio-Diciembre); 37-47Red neuronalRobotsParámetros dinámicosNeural networkRobotsDynamic parametersRed neuronal artificial para la extracción de parámetros dinámicos de robots a partir de información incompleta de su movimieArtificial neural network for the extraction of dynamic parameters of robots from incomplete information of their movementinfo:eu-repo/semantics/articleArtículohttp://purl.org/coar/resource_type/c_2df8fbb1http://purl.org/redcol/resource_type/ARThttp://purl.org/coar/version/c_970fb48d4fbd8a85http://purl.org/coar/access_right/c_abf2ORIGINALArtículo.pdfArtículo.pdfArtículoapplication/pdf635088https://repository.unab.edu.co/bitstream/20.500.12749/26478/1/Art%c3%adculo.pdf16cd59bb914bbb8c018a85c2e18b2ac7MD51open accessTHUMBNAILArtículo.pdf.jpgArtículo.pdf.jpgIM Thumbnailimage/jpeg10005https://repository.unab.edu.co/bitstream/20.500.12749/26478/3/Art%c3%adculo.pdf.jpg0863de2e05de2aa80cfba62bd7aae99bMD53open accessLICENSElicense.txtlicense.txttext/plain; charset=utf-8347https://repository.unab.edu.co/bitstream/20.500.12749/26478/2/license.txt855f7d18ea80f5df821f7004dff2f316MD52open access20.500.12749/26478oai:repository.unab.edu.co:20.500.12749/264782024-09-12 22:00:43.832open accessRepositorio Institucional \| Universidad Autónoma de Bucaramanga - UNABrepositorio@unab.edu.coTGEgUmV2aXN0YSBDb2xvbWJpYW5hIGRlIENvbXB1dGFjacOzbiBlcyBmaW5hbmNpYWRhIHBvciBsYSBVbml2ZXJzaWRhZCBBdXTDs25vbWEgZGUgQnVjYXJhbWFuZ2EuIEVzdGEgUmV2aXN0YSBubyBjb2JyYSB0YXNhIGRlIHN1bWlzacOzbiB5IHB1YmxpY2FjacOzbiBkZSBhcnTDrWN1bG9zLiBQcm92ZWUgYWNjZXNvIGxpYnJlIGlubWVkaWF0byBhIHN1IGNvbnRlbmlkbyBiYWpvIGVsIHByaW5jaXBpbyBkZSBxdWUgaGFjZXIgZGlzcG9uaWJsZSBncmF0dWl0YW1lbnRlIGludmVzdGlnYWNpw7NuIGFsIHDDumJsaWNvIGFwb3lhIGEgdW4gbWF5b3IgaW50ZXJjYW1iaW8gZGUgY29ub2NpbWllbnRvIGdsb2JhbC4=

Red neuronal artificial para la extracción de parámetros dinámicos de robots a partir de información incompleta de su movimie

Publicaciones similares