Aprendizaje en tiempo real y control de manipuladores robóticos

Abstract

En las últimas décadas, el uso de manipuladores robóticos en la industria ha incrementado ampliamente. Esto ha resultado en producción eficiente y evolución de los puestos laborales. Sin embargo, en muchos casos los manipuladores pueden verse afectados por entornos cambiantes. Asimismo, no hay suficientes garantías de seguridad para que un manipulador robótico trabaje en conjunto con personas. El propósito de este proyecto es desarrollar un novedoso método de control automático que permita al manipulador aprender del entorno y adaptarse en tiempo real. Se utiliza aprendizaje máquina (procesos gaussianos locales) en conjunto con la linealización torque calculado en un manipulador SCARA de dos grados de libertad. Los resultados demuestran que el control aprende a adaptarse eficientemente y tiene valores de error considerablemente menor que sin el aprendizaje.

In the last decades, the use of robotic manipulators in the industry has widely increased. This has resulted in efficient production and evolution of jobs. However, in many cases the robotic manipulators are affected by changing environments. Moreover, there are not enough safety warranties for a robotic manipulator to work together with people. The purpose of this work is to develop a new automatic control method that allows the manipulator to learn from the environment and adapt in real time. Machine learning is used (local gaussian processes) together with computed torque linearization in a SCARA manipulator with two degrees of freedom. The results show that the control manages to learn to adapt efficiently and have values of error considerably smaller than without learning.