Using Tikhonov regularization to improve estimation of robot position based on uncertain robot model obtained by neural network

• Autorzy: Możaryn J. , Kurek J. E.

Warianty tytułu

PL

Zastosowanie regularyzacji Tikhonova do poprawy estymacji pozycji robota na podstawie modelu o niedokladnych parametrach wyznaczonych za pomocą sieci neuronowych

• Języki publikacji: EN

Abstrakty

EN

A method for improvement of a position estimation of a robot manipulator based on model with uncertain parameters is presented. To calculate the position of the robot there was designed the robot model using artificial neural networks with structure of the mathematical model in the form of Lagrange-Elder equations. The Tikhonov regularization was then used to improve the approximation of the robot's position. The example of the position of the robot PUMA 560 with 6 degrees of freedom calculation with proposed method is presented. Obtained results indicate significant improvement of the estimation.

PL

W pracy przedstawiono metodę poprawy estymacji położeń robota na podstawie modelu robota o niedokładnych parametrach. Do wyznaczania położenia robota zaprojektowano model robota z wykorzystaniem sztucznych sieci neuronowych o strukturze modelu matematycznego w formie równań Lagrange'a-Eulera. W celu poprawy estymacji położeń na podstawie wyznaczonego modelu zastosowano regularyzację Tikhonowa. Zaproponowana metoda została przedstawiona na przykładzie odtwarzania położeń robota PUMA 560. Otrzymane wyniki wskazują na znaczną poprawę dokładności.

Słowa kluczowe

EN

robotic; neural networks; inverse dynamic problem; regularization

PL

robotyka; sieci neuronowe; model robota; regularyzacja

• Wydawca: Wydawnictwo PAK
• Czasopismo: Pomiary Automatyka Kontrola
• Rocznik: 2009
• Tom: R. 55, nr 3
• Strony: 198--204
• Opis fizyczny: Bibliogr. 14 poz., tab., wykr., wzory

Twórcy

autor

Możaryn J.

autor

Kurek J. E.

• Instytut Automatyki i Robotyki, Politechnika Warszwska,

Bibliografia

• [1] A. N. Tikhonov: Solution of incorrectly formulated problems and regularization method. Soviet. Math. Dokl. 4, pp. 1035-1038, 1963.
• [2] K. S. Fu, R. C. Gonzalez Lee: Robotics: control, sensing, vision and intelligence. McGraw-Hill Book Company, 1987.
• [3] V. B. Glasko: Inverse Problems of Mathematical Physics. American Institute of Physics, 1988.
• [4] P. I. Corke, B. Armstrong-Helouvry: A search for consensus among model parameters reported for the PUMA 560 robot. Proc. IEEE Int. Conf. Robotics and Automation, San Diego, vol. 1, pp. 1608-1613, 1994.
• [5] G. H. Golub, C. F. Van Loan: Matrix Computations, 3rd edition. Johns Hopkins University Press, 1996.
• [6] F. L. Lewis: Neural Network Control of Robot Manipulators. IEEE Expert special track on Intelligent Control. Vol. 6, pp. 64-75, 1996.
• [7] A. Neumayer: Solving ill-conditioned and singular linear systems, a tutorial on regularization. SIAM Review, 40, pp. 636-666, 1998.
• [8] Ch. Hansen: Rank Deficient and Discrete Ill Posed Problems, Numerical Aspects of Linear Inversion, SIAM, 1998.
• [9] P. I. Corke: Matlab Robotics Toolbox (release 5). CSIRO, Australia, 1999.
• [10] F. L. Lewis: Neural Network Control of Robot Manipulators and Nonlinear Systems. Taylor & Francis, 1999.
• [11] H. J. Wesley, A. V. Gribok, A. M. Urmanov, M. A. Buckner: Selection of Multiple Regularization Parameters in Local Ridge Regression Using Evolutionary Algorithms and Prediction Risk Optimization. Inverse Problems in Engineering, vol. 11, num. 3, pp. 215-227(13), 2003.
• [12] J. Możaryn, J. E. Kurek: Comparison of Neural Network Robot Models with Not Inverted and Inverted Inertia Matrix. Proc. International Conference on Artficial Neural Networks ICANN, Warsaw, 2005, vol. 2, pp. 417-422, 2005.
• [13] J. Możaryn, J. E. Kurek: Improvement of Inertia Matrix in Robot Model Identified with Neural Net-works. Proc. 13th IEEE Int. Cont: on Methods and Models in Automation and Robotics MMAR 2007, vol. 2, 2007.
• [14] S. Osowski: Sieci neuronowe do przetwarzania informacji. Oficyna Wydawnicza PW, 2006.