كنترل خودفرمان بينايي بازوي ربات در فضاي سه بعدي با سيستم‌هاي فازي و مدل‌سازي عصبي

Vision Based Robot Manipulator Control in 3D Space Using Fuzzy System and Neural Modeling

سيستم كنترل خودفرمان بينايي، به سيستمي اتلاق مي‌شود كه از اطلاعات بازخوردي دوربين براي كنترل ربات استفاده مي‌كند؛ تا ربات، از نقاط شروع دلخواه به نقطه هدف برسد. باتوجه به نياز به كنترل ربات در فضاي سه بعدي، مختصات نقاط در سه بعد موردنياز است. بدين منظور در اين مقاله، ايده استفاده از دوربين كينكت كه علاوه بر تصوير رنگي، ماتريس عمق محيط را هم مي‌دهد؛ دنبال شده است. فرمان كنترل با استفاده از ماتريس ژاكوبين توليد مي‌شود. از آنجا كه مدلي رياضي از تركيب ربات و دوربين در دسترس نيست، لذا با جمع آوري داده‌هاي مناسب با استفاده از شبكه‌هاي عصبي مصنوعي، معكوس ماتريس ژاكوبين تقريب زده مي‌شود؛ تا مستقيماً در قانون كنترل موردنظر استفاده شود. به ازاي هر كدام از درجات آزادي بازوي ربات، يك شبكه عصبي دو لايه با ساختار پيشرو درنظر گرفته شده است. فاصله مجري نهايي با هدف در سه بعد و زاويه مفصل شانه، ورودي‌هاي اين شبكه‌ها هستند؛ و خروجي‌ آنها، بيان كننده ميزان تغييرات ويژگي‌ها به تغيير در مقادير متغيرهاي مفصل ربات (المان­هاي معكوس ماتريس ژاكوبين) مي‌باشد. در قانون كنترل، از ماتريس قطري بهره استفاده مي‌شود. درايه‌هاي روي قطر اين ماتريس توسط سيستم خبره فازيِ ارائه شده تعيين مي‌گردند. روش ارائه شده بر روي يك بازوي ربات صنعتي پياده‌سازي شده است. نتايج آزمايشات حاكي از موفقيت روش پيشنهادي در رساندن مجري‌نهايي به نقاط هدف مختلف در محيط كاري با دقت مناسب و تعداد گام كمتر نسبت به روش پيشين است.

Visual servoing system controls a robot by visual feedback so that robot moves from any arbitrary start position to the target positions. The coordinates of points in three dimensions is needed in 3D space. In this paper, a Kinect camera is used to collect RGB images as well as workspace’s depth matrix. The control law is obtained using Jacobian matrix. Since, the mathematical model of robot and workspace, is unknown, artificial neural networks is applied to approximate inverse of Jacobian matrix by gathering data. The approximated neural models are used in control law directly. For each degree of freedom of the robot manipulator, a two-layer feedforward neural network is considered. The distance between end-effector and target in 3D space, and the shoulder joint coordinates are inputs of each of the networks and outputs are the fraction of the related robot joint changes to the image features changes (the elements of inverse of Jacobian matrix). The proposed method has been implemented on an industrial robot manipulator. The experimental results show that the proposed control system can move the end-effector to different target positions in workspace with good accuracy and fewer steps in comparision with the previous method.