Cinemática inversa para la sincronización de robots con tres grados de libertad: Técnicas y aplicaciones
Resumen
La coordinación y sincronización de dos robots físicos con dos grados de libertad (3-DOF) es un desafío crítico en la robótica colaborativa, especialmente en aplicaciones donde se requiere un movimiento preciso y simultáneo. Este artículo aborda las limitaciones de los métodos tradicionales de cinemática inversa (IK), que, si bien son efectivos en entornos controlados, carecen de flexibilidad y adaptabilidad en contextos dinámicos. Proponemos un enfoque híbrido que combina IK con control predictivo basado en modelo (MPC) para mejorar la sincronización y la precisión de la trayectoria en un entorno dinámico. Nuestra metodología implica analizar el rendimiento de las configuraciones “elbow-up” y “elbow-down” en términos de error de sincronización, desviación de trayectoria y tiempos de llegada. Los resultados demuestran que la configuración “elbowup”, particularmente cuando se mejora con MPC, proporciona una mejor sincronización y reduce el error de trayectoria, lo que la convierte en una opción preferible para tareas complejas y coordinadas en robótica. Este estudio contribuye al desarrollo continuo de técnicas de sincronización adaptativas y robustas para sistemas multirobot, con implicaciones en diversas aplicaciones industriales y de investigación.
Palabras clave
cinemática inversa, manipulador robótico, MPC
Citas
- C. S. V. Gutiérrez, L. U. S. Juan, I. Z. Ugarte, I. M. Goenaga, L. A. Kirschgens, V. M. Vilches, “Time Synchronization in modular collaborative robots,” Cornell University, 2018. https://doi.org/10.48550/arXiv.1809.07295
- T. Borangiu, F. D. Anton, and S. Anton, “Robot Motion Synchronization in Cooperative Tasks,” Solid State Phenomena, vol. 166-167, pp. 63-68, 2010. https://doi.org/10.4028/www.scientific.net/SSP.166-167.63
- E. Yime, J. Roldán Mckenley, J. L. Villa Ramirez, “Computed torque control of a 2-RR planar parallelrobot // Control por par calculado de un robot paralelo planar 2-RR,” Prospectiva, vol. 15, no. 2, pp. 85-95, 2017. https://doi.org/10.15665/rp.v15i2.1111
- J. Guzmán Giménez, Á. Valera, V. Mata-Amela, M. Á. Díaz Rodríguez, “Obtención del modelo cinemático inverso de sistemas robotizados de cadena cinemática abierta empleando bases de Groebner: aplicación a un robot hexápodo,” in XL Jornadas de Automática, Universidade da Coruña, 2020, pp. 726-734. https://doi.org/10.17979/spudc.9788497497169.726
- T. Ribeiro, A. Paiva, “Expressive Inverse Kinematics Solving in Real-time for Virtual and Robotic Interactive Characters,” Cornell University, 2019. https://doi.org/10.48550/arXiv.1909.13875
- F. Benzi, C. Secchi, “An Optimization Approach for a Robust and Flexible Control in Collaborative Applications,” Cornell University, 2021. https://doi.org/10.48550/arXiv.2103.03082}
- D. Cardona-Ortiz, A. Paz, G. Arechavaleta, “Exploiting sparsity in robot trajectory optimization with direct collocation and geometric algorithms,” in IEEE International Conference on Robotics and Automation (ICRA), IEEE, 2020, pp. 469-475. https://doi.org/10.1109/ICRA40945.2020.9196668
- A. Bahani, M. E. houssine Ech-Chhibat, H. Samri, H. A. Elattar, “The Inverse Kinematics Evaluation of 6-DOF Robots in Cooperative Tasks Using Virtual Modeling Design and Artificial Intelligence Tools,” International Journal of Mechanical Engineering and Robotics Research, pp. 121-130, 2023. https://doi.org/10.18178/ijmerr.12.2.121-130
- J.-G. Habekost, E. Strahl, P. Allgeuer, M. Kerzel, S. Wermter, “CycleIK: Neuro-inspired Inverse Kinematics,” Cornell University, 2023. https://doi.org/10.48550/arXiv.2307.11554
- F. Zhang, J. Qu, H. Liu, Y. Fu, “A Multi-Priority Control of Asymmetric Coordination for Redundant Dual-Arm Robot,” International Journal of Humanoid Robotics, vol. 16, no. 2, e1950008, 2019. https://doi.org/10.1142/S0219843619500087
- J. Manuel, E. Zulueta, B. Fernndez, M. Gr, “Multi-Robot Systems Control Implementation,” in Robot Learning, Sciyo, 2010. https://doi.org/10.5772/10254
- S. Garcia, C. Menghi, P. Pelliccione, T. Berger, R. Wohlrab, “An Architecture for Decentralized, Collaborative, and Autonomous Robots,” in IEEE International Conference on Software Architecture (ICSA), IEEE, 2018, pp. 75-79. https://doi.org/10.1109/ICSA.2018.00017
- E. Sebastian, T. Duong, N. Atanasov, E. Montijano, C. Sagues, “Physics-Informed Multi-Agent Reinforcement Learning for Distributed Multi-Robot Problems,” Cornell University, 2023. https://doi.org/10.48550/arXiv.2401.00212
- M. Afrin, J. Jin, A. Rahman, A. Rahman, J. Wan, E. Hossain, “Resource Allocation and Service Provisioning in Multi-Agent Cloud Robotics: A Comprehensive Survey,” IEEE Communications Surveys and Tutorials, vol. 23, no. 2, pp. 842-870, 2021. https://doi.org/10.1109/COMST.2021.3061435
- J. S. Toquica, P. S. Oliveira, W. S. R. Souza, J. M. S. T. Motta, D. L. Borges, “An analytical and a Deep Learning model for solving the inverse kinematic problem of an industrial parallel robot,” Computers and Industrial Engineering, vol. 151, e106682, 2021. https://doi.org/10.1016/j.cie.2020.106682
- G. I. Parisi, C. Kanan, “Rethinking Continual Learning for Autonomous Agents and Robots,” Cornell University, 2019. https://doi.org/10.48550/arXiv.1907.01929
- R. Julian, B. Swanson, G. S. Sukhatme, S. Levine, C. Finn, K. Hausman, “Never Stop Learning: The Effectiveness of Fine-Tuning in Robotic Reinforcement Learning,” Cornell University, 2020. https://doi.org/10.48550/arXiv.2004.10190