HPIM0878

9ć S:tiiv zna inteligencja w robotyce

9.4.2. Sterowanie ruchem robota

Rozważony będzie przykład sterowania ruchem dwóch członów wykonawczych robota przegubowego, opartego na zasadach działania układów biologicznych i wykorzystującego warstwowe sieci neuronowe. Zadaniem układu będzie kompensacja błędów trajektorii ruchu, które mogą być spowodowane wpływem warunków rzeczywistych, przez „nauczenie się” niezbędnych poprawek, określonych różnicami [51]

III | li | oraz = fc -jft    jjjj (9.3)

gdzie: ^i.    - rzeczywiste wartości przemieszczeń kątowych odpowiednio dla

pierwszej i drugiej pary kinematycznej. #'i, fz - teoretycznie obliczone wartości przemieszczeń.

Układ sterowania z kompensacyjną siecią neuronową umożliwiającą umieszczenie efektora robota w wymaganym położeniu pokazano na rys. 9.6.

X	1	Układ sterowania
		robota

Sieć

neuronowa

Rysunek 9,6 -„y • i._

Układ sterowania z kompensacyjną siecią neuronową [SI]

Współrzędne prostokątne .t, y punktu końcowego (docelowego) ruchu są wprowadzone do układu sterowania ruchem robota, a jego zadaniem jest wygenerowanie takich wartości sygnałów, aby kąty ustawienia ramion ^i, dokładnie odpowiadał)' punktowi o współrzędnych jc, y. Przekształcenia obliczane przez sterownik robota są określone zależnościami

1

-aretg

fz = taretg

/₂s

(/i+/₂-c)

(9.4)

(9.5)

S = C0S^2

s§ ,    .7 |J

x~ -t- r -/f

B

(9.6)

c = sin^2    11 i

gdzie: /₍, | i długości ramion.

Uczenie sieci polegało na ustaleniu wag połączeń dla zbioru punktów .wy w przestrzeni roboczej robota. Stwierdzono, że uczenie sieci nawet na jednym

©woduje poprawę dokładności o ok. 50%. natomiast po 8 punkto-

Kv° ^p^^inkc*^c dokładność pożyci onowania wzrastała 10-krotnic. Bardzo krótki wej seni uczącej dOKiauuw p. - ^J    .    _ .    ...

czas uczenia umożliwia szybkie dostosowanie urządzenia do zmieniających się warunków pracy. np. w przypadku niewielkich przesunięć podstawy robota.

9.4.3. Zastosowanie sieci neuronowych do rozpoznawania obrazów

Zastosowanie sieci neuronowych do rozpoznawania obrazów w systemach wizyjnych połączonych z robotem przemysłowym jest obecnie powszechnie stosowane. Jako przykład pokazano wykorzystanie sieci neuronowych do rozpoznawania obrazów podczas montażu układów scalonych w urządzeniach elektronicznych na linii produkcyjnej, a także do diagnostyki technicznej w celu oceny poprawności operacji montażowych [20, 21].

W celu uzyskania wstępnych danych o układzie scalonym, czyli jego obrazu, niezbędny jest system wizyjny, składający się z kamery telewizyjnej sprzężonej z komputerem. Kamera TV pełni funkcję oka i jest elementem układu rozpoznającego, który bezpośrednio odbiera informacje z otoczenia na temat rozpoznawanych obiektów. Kamery te mają często specjalną konstrukcję. Stosowane są w nich powierzchniowe czujniki optyczne, które zapewniają stabilność transformowanego obrazu. Za pomocą tych czujników można stwierdzić oprócz obecności obiektów w strefie obsługi robota, także ich wymiary, kształt, szybkość oraz przyspieszenie, z jakim się poruszają.

Komputer jest elementem układu rozpoznającego, w którym obraz z kamery jest przetwarzany na mapę bitową, a w dalszym etapie przy pomocy sieci neuronowych następuje rozpoznanie obiektu na podstawie jego cech charakterystycznych i sklasyfikowanie do odpowiedniego typu obiektów. Przy układach scalonych sprawdza się też, czy został wmontowany wcześniej określony typ układu oraz czy też nie został on obrócony przy montażu o kąt 180°.

tytetępne przetworzenie obrazu

Każdy obraz przed rozpoznaniem musi przejść kolejne etapy, w których będzie on wstępnie przetworzony. Ma to na celu wydobycie z niego istotnych informacji, które umożliwią rozpoznanie obiektu znajdującego się na obrazie. Na rysunku 9.7 pokazano obraz układu scalonego widziany przez kamerę, stanowiący obiekt do rozpoznania.

UCA 6410 CEMI

W^mIF

^RySUne^brazukłodu scalonego w pierwszej fazie [20. 21]

Ł Sk

Bu . K +JL-    --

263