Navigation of the robot arm with ANN(Karin Vališová)
Contents
Zadanie
Úlohou je natrénovať neurónovú sieť na ovládanie robotického ramena. Na vstupe dostáva pozíciu v priestore a ako výstup sieť vyprodukuje natočenie jednotlivých kĺbov, čiže vlastne rieši problém inverznej kinematiky.
Problém bol redukovaný na hľadanie mapovania z 2D do 3D priestoru. Vstupný priestor je rovina
Hardware
Robotické rameno
Neurónová sieť je trénovaná pre parametre robotického ramena AKOSAVOLA od Lynxmotion. Má 5 pohyblivých kĺbov:
- základňa (otáča rameno okolo vlastnej osi)
- rameno (pohybuje sa po x,y rovine a je schopná dosiahnuť uhol -90° až +90°)
- lakeť (podobne ako rameno, ale os otáčania je obmedzená na -60° až +90°)
- zápästie (podobne ako rameno)
- otáčanie zápästia (otáča ruku okolo svojej osi)
- ruka (je schopná uchopiť predmet)
V projekte sa operuje s 2., 3. a 4. kĺbom, teda tými, ktoré natáčajú rameno v x,y osi.
Komunikácia sériovým portom
Robotické rameno komunikuje cez sériový port. Keďže projekt je naprogramovaný v JAVA, tak boli použité rxtx knižnice.
Ovládanie ramena
Na stránke výrobcu sa nachádza dokumentácia protokolu komunikácie. [1]
Príklad pohybu serva:
#1 P1600 T1000 <cr>
Tento príkaz posunie servo 1 do pozície 1600 (pošle servu pulz so šírkou 1600 ms) za čas 1000 ms bez ohľadu na to, kde sa nachádza.
Príklad skupinového pohybu serva:
#1 P1600 #2 P750 T2500 <cr>
Servo 1 a 2 sa súčasne pohybujú do vybratých pozícií za 2,5 sekundy.
Servám je možné posielať pulzy v rozsahu 600 - 2400, no existujú aj zakázané pozície pre vzájomné polohy serva.
Po naviazaní spojenia je nutné inicializovať rameno odoslaním pulzu so šírkou 1500 ms na všetky servá. Pohyb, ktorý následne rameno vykoná je veľmi prudký. Dôvodom je, že nezohľadnuje nijaké časové ani rýchlostné argumenty, pretože rameno nevie o počiatočnej pozícii na servách.
Neurónová sieť
Architektúra
Pre natrénovanie neuronovej siete bol použitý viacvrstvový perceptron. Celý kód bol napísaný vlastnoručne, optimalizáciou som sa dostala k sieti s dvoma skrytými vsrtvami (30 a 90 neurónov) a trénovacím faktorom alpha = 0.001 . Trénovaná je pomocou učenia so spätným šírením chyby (backpropagation learning) a na zrýchlenie konvergencie bolo použité momentum. Kompletný kód sa nachádza v prílohe. Aktivačné funkcie na skrytých vrstvách sú bipolárne sigmoidy, výstupná vrstva je lineárna.
Trénovacie dáta
Sieť má dva vstupné neuróny (pre x,y pozíciu v priestore pred ramenom) a tri výstupné (uhol pre servo ramena, lakťa a zápästia). Výstup siete nie je šírka pulzu, ale uhol natočenia, ktoré sa potom prerátavajú. Dôvodom je, že dáta boli generované cez RIOS software, ktorý exportoval hodnoty v stupňoch v rozsahu jednotlivých kĺbov.
Zdroje
http://rxtx.qbang.org/wiki/index.php/Main_Page http://www.lynxmotion.com/c-130-al5d.aspx http://www.lynxmotion.com/p-419-rios-ssc-32-arm-control-software.aspx
