طراحي كنترل‌گر فازي با قابليت تنظيم برخط براي كنترل بينامبناي بازوي ربات

Designing a Fuzzy Controller for Visual Servoing of a Robot Manipulator with Online Adjustment Capability

دركنترل بينامبنا ربات از اطلاعات استخراج شده از حسگر بصري براي كنترل حركت ربات استفاده مي‌شود. در روش‌هاي سنتي كنترل بينامبنا، مدل ربات و مدل دوربين مورد نياز است. به دست آوردن اين مدل‌ها زمان‌بر و گاهي اوقات غيرممكن است. بنابراين در تحقيقات اخير از روش‌هاي هوشمند براي مقابله با اين چالش استفاده مي‌شود. در اين پژوهش ابتدا از يك كنترل­ گر فازي تركيبي براي كنترل بازوي ربات استفاده شده است. ورودي‌هاي بصري كنترل‌گر از طريق كينكت حاصل مي‌شود و خروجي كنترل‌گر ميزان چرخش زاويه موتورهاي مفاصل ربات از موقعيت فعلي آن‌ها است. كنترل‌گر تركيبي شامل دو كنترل‌گر مي‌باشد. كنترل‌گر اول بر پايه مدل فازي معكوس است كه تقريبي از مدل واقعي معكوس سيستم، با استفاده از داده‌هاي جمع‌آوري شده است. به منظور افزايش دقت، يك كنترل‌گر خبره فازي براي وقتي كه موقعيت مجري نهايي نزديك هدف است، طراحي شده است. از آنجا كه تعيين دقيق پارامترهاي كنترل‌گر خبره فازي ممكن نيست، همچنين به منظور تطبيق‌پذيري كنترل‌گر در برابر تغييرات جزيي در محيط كار، از معماري عملگر- نقاد كه از جمله روش‌هاي يادگيري تقويتي است براي تنظيم پارامترهاي آن استفاده شده است. كنترل‌گر ارائه شده بر روي بازوي ربات ARM_6AX18 پياده سازي شده است. نتايج آزمايش‌هاي عملي نشان مي‌دهد كه با استفاده از روش ارائه شده، مجري نهايي به موقعيت هدف از پيش تعيين شده با دقت خوبي مي‌رسد.

Vision-based robot control is a method to motion control of a robot using information extracted from visual sensors. In traditional approaches, a model of robot and camera are needed. Obtaining these models are time consuming and sometimes impossible. Recently, intelligent methods are used to cope the above challenges. In this paper, a hybrid fuzzy controller is proposed to control a robot manipulator. Visual inputs of the controller are provided by Kinect and outputs are the rotation of joints motors. The hybrid controller contains two controllers. The first controller in based on fuzzy inverse model which approximates real inverse model of robot using gathered data. In order to increase accuracy, a fuzzy expert controller is designed and it is used when the endeffector is in the predefined near-goal area. Since determining exact value of the fuzzy expert controller parameters is impossible, in addition to make system adaptive with small changes in the environment, actor-critic architecture is used. This architecture is a well known continuous reinforcement learning methods. The proposed method is applied to control a real robot manipulator (ARM_6AX18). Experimental results show that using the proposed method in practice, the endeffector reaches from any random start position to the goal position with a good accuracy in robot workspace.