Έλεγχος ρομποτικών βραχιόνων με νευρωνικά δίκτυα
Με την πρόοδο της υπολογιστικής νευροεπιστήμης τα νευρωνικά δίκτυα έχουν βρει ευρεία εφαρμογή στον τομέα του ρομποτικού ελέγχου. Στην παρούσα διπλωματική εργασία, μελετάται ο έλεγχος ρομποτικού βραχίονα με νευρωνικά δίκτυα. Δύο νευρωνικοί ελεγκτές και ένας ελεγκτής Pd χρησιμοποιούνται για τον έλε...
| Κύριος συγγραφέας: | |
|---|---|
| Άλλοι συγγραφείς: | |
| Μορφή: | Thesis |
| Γλώσσα: | Greek |
| Έκδοση: |
2020
|
| Θέματα: | |
| Διαθέσιμο Online: | http://hdl.handle.net/10889/13125 |
| id |
nemertes-10889-13125 |
|---|---|
| record_format |
dspace |
| institution |
UPatras |
| collection |
Nemertes |
| language |
Greek |
| topic |
Ρομπότ Νευρωνικά δίκτυα Ρομποτικός έλεγχος Robot Neural networks Robotic control |
| spellingShingle |
Ρομπότ Νευρωνικά δίκτυα Ρομποτικός έλεγχος Robot Neural networks Robotic control Σκαλτσάς, Ιωάννης Έλεγχος ρομποτικών βραχιόνων με νευρωνικά δίκτυα |
| description |
Με την πρόοδο της υπολογιστικής νευροεπιστήμης τα νευρωνικά δίκτυα έχουν βρει
ευρεία εφαρμογή στον τομέα του ρομποτικού ελέγχου. Στην παρούσα διπλωματική
εργασία, μελετάται ο έλεγχος ρομποτικού βραχίονα με νευρωνικά δίκτυα. Δύο νευρωνικοί
ελεγκτές και ένας ελεγκτής Pd χρησιμοποιούνται για τον έλεγχο παρακολούθησης τροχιάς
ενός ρομποτικού βραχίονα δύο αρθρώσεων και δύο βαθμών ελευθερίας. Πιο
συγκεκριμένα, έχουμε ένα πρόβλημα παρακολούθησης τροχιάς όπου σχεδιάζουμε έναν
ελεγκτή στον οποίο ο ρόλος του νευρωνικού δικτύου είναι η αντιστάθμιση αδόμητων
αβεβαιοτήτων του ρομποτικού βραχίονα. Ακόμα σχεδιάζουμε έναν ελεγκτή NARMA-L2 για
να δούμε μια διαφορετική προσέγγιση της χρήσης ενός νευρωνικού δικτύου στο πρόβλημα
αυτό αφού το νευρωνικό δίκτυο αναλαμβάνει εξ ολοκλήρου τον έλεγχο του ρομποτικού
βραχίονα. Τέλος, χρησιμοποιείται ένας PD ελεγκτής ο οποίος θα αναδείξει τα
πλεονεκτήματα αλλά και τα μειονεκτήματα των δύο νευρωνικών ελεγκτών. Όλα τα μοντέλα
σχεδιάστηκαν και προσομοιώθηκαν στο γραφικό περιβάλλον της Matlab, Simulink. Στόχος
της διπλωματικής είναι να φανούν τα πλεονεκτήματα των νευρωνικών ελεγκτών έναντι
κλασικών ελέγχων σε συστήματα όπου υπάρχουν αδόμητες αβεβαιότητες.
Στο πρώτο κεφάλαιο γίνεται μια μικρή ιστορική αναδρομή που αναφέρεται στην
ρομποτική. Υπάρχει μια εισαγωγή στα νευρωνικά δίκτυα και κλείνει με την παρουσίαση
του υπολογιστικού προγράμματος που θα χρησιμοποιηθεί σε αυτή τη διπλωματική.
Στο δεύτερο κεφάλαιο παρουσιάζεται ο ρομποτικός βραχίονας, γίνεται η δυναμική
ανάλυση, υπολογίζονται η δυναμική και η κινητική ενέργεια. Ύστερα χρησιμοποιώντας
τους τύπους του Lagrange υπολογίζονται οι πίνακες M (αδράνεια), V (Coriolis), G
(βαρύτητας) και F (τριβών), τ (ροπών).
Το τρίτο κεφάλαιο αναφέρεται στα νευρωνικά δίκτυα. Περιγράφεται η λειτουργία του
βιολογικού νευρώνα. Μετά δίνονται οι μαθηματικές σχέσεις που τον περιγράφουν και
παρατίθενται οι κανόνες εκπαίδευσης των τεχνητών νευρωνικών δικτύων.
Στο τέταρτο κεφάλαιο βλέπουμε την θεωρία πάνω στην οποία βασίζονται οι νευρωνικοί
ελεγκτές που υλοποιούνται σε αυτήν την διπλωματική. Επίσης πραγματοποιείται ο
σχεδιασμός τους.
Το κεφάλαιο 5 αποτελείται από τα μοντέλα που αναπτύχθηκαν στο περιβάλλον Simulink
και χρησιμεύουν στις αναλύσεις, στο 6 περιλαμβάνονται τα αποτελέσματα των αναλύσεων
αυτών και στο 7 τα συμπεράσματα που βγήκαν ύστερα από την ολοκλήρωση όλων των
πειραμάτων.
Σε γενικές γραμμές η διπλωματική εκπλήρωσε τους στόχους της. Φάνηκε ξεκάθαρα η
υπεροχή των νευρωνικών ελεγκτών έναντι κλασικών ελέγχων όταν το πρόβλημα
χαρακτηρίζεται ως μη γραμμικό και υπάρχουν μη δομημένες αβεβαιότητες. Παρόλα αυτά
υπάρχει χώρος για περαιτέρω μελέτη ιδιαίτερα στην βελτίωση της απόδοσης των
νευρωνικών ελεγκτών. |
| author2 |
Καζάκος, Δημοσθένης |
| author_facet |
Καζάκος, Δημοσθένης Σκαλτσάς, Ιωάννης |
| format |
Thesis |
| author |
Σκαλτσάς, Ιωάννης |
| author_sort |
Σκαλτσάς, Ιωάννης |
| title |
Έλεγχος ρομποτικών βραχιόνων με νευρωνικά δίκτυα |
| title_short |
Έλεγχος ρομποτικών βραχιόνων με νευρωνικά δίκτυα |
| title_full |
Έλεγχος ρομποτικών βραχιόνων με νευρωνικά δίκτυα |
| title_fullStr |
Έλεγχος ρομποτικών βραχιόνων με νευρωνικά δίκτυα |
| title_full_unstemmed |
Έλεγχος ρομποτικών βραχιόνων με νευρωνικά δίκτυα |
| title_sort |
έλεγχος ρομποτικών βραχιόνων με νευρωνικά δίκτυα |
| publishDate |
2020 |
| url |
http://hdl.handle.net/10889/13125 |
| work_keys_str_mv |
AT skaltsasiōannēs elenchosrompotikōnbrachionōnmeneurōnikadiktya AT skaltsasiōannēs neuralcontrolofroboticarms |
| _version_ |
1771297165583319040 |
| spelling |
nemertes-10889-131252022-09-05T06:58:01Z Έλεγχος ρομποτικών βραχιόνων με νευρωνικά δίκτυα Neural control of robotic arms Σκαλτσάς, Ιωάννης Καζάκος, Δημοσθένης Κούσουλας, Νικόλαος Skaltsas, Ioannis Ρομπότ Νευρωνικά δίκτυα Ρομποτικός έλεγχος Robot Neural networks Robotic control Με την πρόοδο της υπολογιστικής νευροεπιστήμης τα νευρωνικά δίκτυα έχουν βρει ευρεία εφαρμογή στον τομέα του ρομποτικού ελέγχου. Στην παρούσα διπλωματική εργασία, μελετάται ο έλεγχος ρομποτικού βραχίονα με νευρωνικά δίκτυα. Δύο νευρωνικοί ελεγκτές και ένας ελεγκτής Pd χρησιμοποιούνται για τον έλεγχο παρακολούθησης τροχιάς ενός ρομποτικού βραχίονα δύο αρθρώσεων και δύο βαθμών ελευθερίας. Πιο συγκεκριμένα, έχουμε ένα πρόβλημα παρακολούθησης τροχιάς όπου σχεδιάζουμε έναν ελεγκτή στον οποίο ο ρόλος του νευρωνικού δικτύου είναι η αντιστάθμιση αδόμητων αβεβαιοτήτων του ρομποτικού βραχίονα. Ακόμα σχεδιάζουμε έναν ελεγκτή NARMA-L2 για να δούμε μια διαφορετική προσέγγιση της χρήσης ενός νευρωνικού δικτύου στο πρόβλημα αυτό αφού το νευρωνικό δίκτυο αναλαμβάνει εξ ολοκλήρου τον έλεγχο του ρομποτικού βραχίονα. Τέλος, χρησιμοποιείται ένας PD ελεγκτής ο οποίος θα αναδείξει τα πλεονεκτήματα αλλά και τα μειονεκτήματα των δύο νευρωνικών ελεγκτών. Όλα τα μοντέλα σχεδιάστηκαν και προσομοιώθηκαν στο γραφικό περιβάλλον της Matlab, Simulink. Στόχος της διπλωματικής είναι να φανούν τα πλεονεκτήματα των νευρωνικών ελεγκτών έναντι κλασικών ελέγχων σε συστήματα όπου υπάρχουν αδόμητες αβεβαιότητες. Στο πρώτο κεφάλαιο γίνεται μια μικρή ιστορική αναδρομή που αναφέρεται στην ρομποτική. Υπάρχει μια εισαγωγή στα νευρωνικά δίκτυα και κλείνει με την παρουσίαση του υπολογιστικού προγράμματος που θα χρησιμοποιηθεί σε αυτή τη διπλωματική. Στο δεύτερο κεφάλαιο παρουσιάζεται ο ρομποτικός βραχίονας, γίνεται η δυναμική ανάλυση, υπολογίζονται η δυναμική και η κινητική ενέργεια. Ύστερα χρησιμοποιώντας τους τύπους του Lagrange υπολογίζονται οι πίνακες M (αδράνεια), V (Coriolis), G (βαρύτητας) και F (τριβών), τ (ροπών). Το τρίτο κεφάλαιο αναφέρεται στα νευρωνικά δίκτυα. Περιγράφεται η λειτουργία του βιολογικού νευρώνα. Μετά δίνονται οι μαθηματικές σχέσεις που τον περιγράφουν και παρατίθενται οι κανόνες εκπαίδευσης των τεχνητών νευρωνικών δικτύων. Στο τέταρτο κεφάλαιο βλέπουμε την θεωρία πάνω στην οποία βασίζονται οι νευρωνικοί ελεγκτές που υλοποιούνται σε αυτήν την διπλωματική. Επίσης πραγματοποιείται ο σχεδιασμός τους. Το κεφάλαιο 5 αποτελείται από τα μοντέλα που αναπτύχθηκαν στο περιβάλλον Simulink και χρησιμεύουν στις αναλύσεις, στο 6 περιλαμβάνονται τα αποτελέσματα των αναλύσεων αυτών και στο 7 τα συμπεράσματα που βγήκαν ύστερα από την ολοκλήρωση όλων των πειραμάτων. Σε γενικές γραμμές η διπλωματική εκπλήρωσε τους στόχους της. Φάνηκε ξεκάθαρα η υπεροχή των νευρωνικών ελεγκτών έναντι κλασικών ελέγχων όταν το πρόβλημα χαρακτηρίζεται ως μη γραμμικό και υπάρχουν μη δομημένες αβεβαιότητες. Παρόλα αυτά υπάρχει χώρος για περαιτέρω μελέτη ιδιαίτερα στην βελτίωση της απόδοσης των νευρωνικών ελεγκτών. With the advancement of computational neuroscience neural networks have found wide application in the field of robotic control. In this thesis, the control of a robotic arm with neural networks is studied. Two neural controllers and one Pd controller are used to control the tracking of a two-joint and two degrees of freedom robotic arm. In particular, we have a trajectory tracking problem where we design a controller in which the role of the neural network is to compensate for the unstructured uncertainties of the robotic arm. We are still designing a NARMA-L2 controller to look at a different approach to using a neural network in this problem since the neural network takes full control of the robotic arm. Finally, a PD controller is used to highlight the advantages and disadvantages of both neuronal controllers. All models were designed and simulated in Matlab's graphical interface, Simulink. The aim of the thesis is to show the advantages of neuronal controllers over classical controls in systems where there are unstructured uncertainties. The first chapter gives a brief historical overview of robotics. There is an introduction to neural networks and concludes with the presentation of the computer program to be used in this thesis. The second chapter presents the robotic arm, the dynamic analysis, the dynamic and kinetic energy are calculated. Then using the Lagrange formulas the tables M (inertia), V (Coriolis), G (gravity) and F (friction), t (torque) are calculated. The third chapter deals with neural networks. The function of the biological neuron is described. Then the mathematical relationships that describe it are given and the rules for the training of artificial neural networks are given. In chapter four we look at the theory underlying the neuronal controllers implemented in this thesis. They are also designed. Chapter 5 consists of models developed in the Simulink environment to be used in analyzes, 6 includes the results of these analyzes, and in chapter 7 conclusions drawn after the completion of all experiments. In general, this thesis has accomplished its goals. The superiority of neural controllers over classical controls was clearly demonstrated when the problem was characterized as non-linear and there were unstructured uncertainties. However, there is room for further study in particular to improve the performance of neuronal controllers 2020-02-06T21:16:00Z 2020-02-06T21:16:00Z 2019-11-06 Thesis http://hdl.handle.net/10889/13125 gr 0 application/pdf |
