دوره 12، شماره 1 - ( مجله کنترل، جلد 12، شماره 1، بهار 1397 )                   جلد 12 شماره 1,1397 صفحات 39-52 | برگشت به فهرست نسخه ها


XML English Abstract Print


Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:

Abadianzadeh F, Derhami V, Rezaeain M. Designing a Fuzzy Controller for Visual Servoing of a Robot Manipulator with Online Adjustment Capability. JoC. 2018; 12 (1) :39-52
URL: http://joc.kntu.ac.ir/article-1-415-fa.html
آبادیان زاده فاطمه السادات، درهمی ولی، رضاییان مهدی. طراحی کنترل‌گر فازی با قابلیت تنظیم برخط برای کنترل بینامبنای بازوی ربات. مجله کنترل. 1397; 12 (1) :39-52

URL: http://joc.kntu.ac.ir/article-1-415-fa.html


1- دانشگاه یزد
چکیده:   (9750 مشاهده)

درکنترل بینامبنا ربات از اطلاعات استخراج شده از حسگر بصری برای کنترل حرکت ربات استفاده می‌شود. در روش‌های سنتی کنترل بینامبنا، مدل ربات و مدل دوربین مورد نیاز است. به دست آوردن این مدل‌ها زمان‌بر و گاهی اوقات غیرممکن است. بنابراین در تحقیقات اخیر از روش‌های هوشمند برای مقابله با این چالش استفاده می‌شود. در این پژوهش ابتدا از یک کنترل­گر فازی ترکیبی برای کنترل بازوی ربات استفاده شده است. ورودی‌های بصری کنترل‌گر از طریق کینکت حاصل می‌شود و خروجی کنترل‌گر میزان چرخش زاویه موتورهای مفاصل ربات از موقعیت فعلی آن‌ها است. کنترل‌گر ترکیبی شامل دو کنترل‌گر می‌باشد. کنترل‌گر اول بر پایه مدل فازی معکوس است که تقریبی از مدل واقعی معکوس سیستم، با استفاده از داده‌های جمع‌آوری شده است. به منظور افزایش دقت، یک کنترل‌گر خبره فازی برای وقتی که موقعیت مجری نهایی نزدیک هدف است، طراحی شده است. از آنجا که تعیین دقیق پارامترهای کنترل‌گر خبره فازی ممکن نیست، همچنین به منظور تطبیق‌پذیری کنترل‌گر در برابر تغییرات جزیی در محیط کار، از معماری عملگر- نقاد که از جمله روش‌های یادگیری تقویتی است برای تنظیم پارامترهای آن استفاده شده است. کنترل‌گر ارائه شده بر روی بازوی ربات ARM_6AX18 پیاده سازی شده است. نتایج آزمایش‌های عملی نشان می‌دهد که با استفاده از روش ارائه شده، مجری نهایی به موقعیت هدف از پیش تعیین شده با دقت خوبی می‌رسد.

متن کامل [PDF 1018 kb]   (1134 دریافت)    
نوع مطالعه: كاربردي | موضوع مقاله: تخصصي
دریافت: 1395/7/30 | پذیرش: 1396/7/18 | انتشار: 1397/1/16

فهرست منابع
1. [1] D. Kragic, and H. Christensen, "Survey on Visual Servoing for Manipulation," Computational Vision and Active Perception Laboratory, Fiskartorpsv 15 ,2002.
2. [2] F. Nadi, "Visual Servoing Control of Robot Manipulator with Jacobian Matrix Estimation, " (in Persian) M.S. Thesis, Faculty of Electrical and Computer Engineering, Yazd University 2014.
3. [3] P. Goncalves, L. Mendonca, J. Sousaand, and J. Pinto, "Uncalibrated Eye-to-Hand Visual Servoing Using Inverse Fuzzy Models," IEEE Transactions on Fuzzy Systems, pp. 341–353, 2008.
4. [4] C. Distante, A. Anglani, and F. Taurisano, "Target Reaching by Using Visual Information and Q-learning Controllers," Autonomous Robots, vol. 9, pp. 41–50, 2000.
5. [5] A. Anglani, F. Taurisano, R. De Giuseppe, C. Distante, and L. Lecce, "Learning to Grasp by Using Visual Information Robot System and Controller Architecture," Autonomous Robots, vol. 9, pp. 41–50, 2000.
6. [6] M. Sadeghzadeh, "Self-Learning Visual Servoing of Robot Manipulator Using Explanation-Based Fuzzy Neural Networks and Q-Learning," Ph.D. Dissertation, University of Guelph, 2014.
7. [7] K. Shibata, M. Sugisaka, and K. Ito, "Hand Reaching Movement Acquired Through Reinforcement Learning," in Proceedings of 2000 KACC (Korea Automatic Control Conference), 2000.
8. [8] Z. Miljkovic, M. Mitic, M. Lazarevic, and B. Babic, "Neural Network Reinforcement Learning for Visual Control of Robot Manipulators," Expert Systems with Applications, vol. 40, pp. 1721–1736, 2013.
9. [9] M. Deisenroth, C. Rasmussen, and D. Fox, "Learning to Control a Low-Cost Manipulator Using Data-Efficient Reinforcement Learning," International Conference on Robotics: Science & Systems, pp. 57–64, 2011.
10. [10] Robotic Arms. (n.d.). Pishrorobot. [Online]. Available:http://www.pishrobot.com/en/products/robotic_arms.htm. Accessed 19 Aug 2016.
11. [11] Kinect | Xbox 360. Xbox.com. (n.d.). [Online]. Available: http://www.xbox.com/en-US/xbox-360/accessories/kinect. Accessed 19 Aug 2016.
12. [12] J. Jang, C. Sun, and E. Mizutani, Neuro-fuzzy and Soft Computing. Upper Saddle River, NJ: Prentice Hall, 1997.
13. [13] S. Guillaume. "Designing Fuzzy Inference Systems from Data: An Interpretability-Oriented Review." IEEE Transactions on fuzzy systems, pp. 426-443, 2001.
14. [14] R. S. Sutton and A. G. Barto, "Introduction to Reinforcement Learning," IEEE Transactions on Robotics and Automation, MIT Press, 1998.
15. [15] L. P. Kaelbling, M. L. Littman, and A. W. Moore, "Reinforcement Learning: A survey," Journal of Artificial Intelligence Research, vol. 1, no. 1, pp. 237– 285, 1996.
16. [16] R. Sutton, and A. G. Barto, "Reinforcement learning," Journal of Cognitive Neuroscience, vol. 11, no. 1, pp. 126-134, 1999.
17. [17] X. S. Wang, Y. H. Cheng, and J. Q. Yi "A Fuzzy Actor–Critic Reinforcement Learning Network," Journal of Information Sciences, vol. 177, pp. 3764– 3781, 2007.
18. [18] L. X. Wang, (1997): A course in fuzzy systems and control. 1. Aufl. Upper Saddle River, NJ: Prentice Hall PTR.
19. [19] R. Babuska, Fuzzy Modeling for Control. Boston, MA: Kluwer Academic, 1998.
20. [20] FJ. Chang, and YT. Chang. "Adaptive Neuro-Fuzzy Inference System for Prediction of Water Level in Reservoir." Advances in Water Resources. pp. 1-10, 2006.
21. [21] Fuzzy hybrid control of robot with camera, aparat, 2016. [Online]. Available: http://www.aparat.com/v/5UWeh. Accessed: 08 Jul 2016.
22. [22] Fuzzy adaptive control of robot with camera, aparat, 2016. [Online]. Available: http://www.aparat.com/v/blqN0. Accessed: 17 Oct 2016.

ارسال نظر درباره این مقاله : نام کاربری یا پست الکترونیک شما:
CAPTCHA

ارسال پیام به نویسنده مسئول


کلیه حقوق این وب سایت متعلق به مجله کنترل می باشد.

طراحی و برنامه نویسی : یکتاوب افزار شرق

© 2020 All Rights Reserved | Journal of Control

Designed & Developed by : Yektaweb