Anda di halaman 1dari 7

See discussions, stats, and author profiles for this publication at: https://www.researchgate.

net/publication/305873325

Controle de Posição de um Robô Manipulador SCARA utilizando Redes


Neurais Artificiais com Treinamento On-Line

Conference Paper · March 2016


DOI: 10.21528/CBRN1999-080

CITATIONS READS

0 69

3 authors, including:

Edson Roberto De Pieri Marcelo R. Stemmer


Federal University of Santa Catarina Federal University of Santa Catarina
138 PUBLICATIONS   514 CITATIONS    58 PUBLICATIONS   125 CITATIONS   

SEE PROFILE SEE PROFILE

Some of the authors of this publication are also working on these related projects:

PhD Thesis View project

BRAGECRIM - COGMET View project

All content following this page was uploaded by Edson Roberto De Pieri on 15 September 2016.

The user has requested enhancement of the downloaded file.


Proceedings of the IV Brazilian Conference on Neural Networks - IV Congresso Brasileiro de Redes Neurais
pp. 338-343, July 20-22, 1999 - ITA, São José dos Campos - SP - Brazil

Controle de Posição de um Robô Manipulador SCARA utilizando Redes


Neurais Artificiais com Treinamento On-Line

Sandro Battistella Edson R. De Pieri


Marcelo R. Stemmer
Laboratório de Controle e Microinformática - LCMI
Departamento de Automação e Sistemas - DAS
Universidade Federal de Santa Catarina - UFSC
Florianópolis - Brasil
E-mails: sandro@lcmi.ufsc.br, edson@lcmi.ufsc.br, marcelo@lcmi.ufsc.br

Abstract no controle de robôs. Uma rede neural pode ter uma


performance melhor quando não precisa aprender mui-
The objetive of this work is the evaluation of the em- ta informação a respeito do processo [10]. Em estruturas
ployment of artificial neural networks in position control em que a rede neural assume um papel auxiliar ao contro-
of robot manipulators. Employing a on-line training me- lador do manipulador (compensação de não-linearidades,
thod with MLP networks, it is possible to obtain more minimizar esforço de controle, corrigir um modelo pa-
compact structures, avoiding the need for a training set ramétrico fixo, estimar valores para controladores adap-
to train the neural network. Acting in a parallel struc- tativos, etc.), a complexidade na sua utilização diminui,
ture together with a classical PD controler, the neural dispensando, muitas vezes, o treinamento off-line. Além
network is capable to compensate the non-linearities, dis- disso, a dificuldade em se levantar um conjunto de exem-
turbances and non-modelled dynamics existing on the ro- plos adequado não se constitui de tarefa fácil, uma vez
bot structure. The neural controller performance is com- que a dinâmica do manipulador é descrita por equações
pared with the classical PD control in the joint space. não-lineares, acopladas e multivariáveis, exigindo redes
Numerical simulations of the whole structure of a SCA- com um número elevado de neurônios [11], [12] e [4].
RA robot are shown. Nesse artigo serão vistos os problemas envolvidos no
controle de posição no espaço livre (sem restrição ao mo-
vimento do manipulador). Simulações numéricas para o
caso do controle de um manipulador SCARA são realiza-
1 Introdução das, com o objetivo de comparar a performance do con-
trolador clássico de juntas PD e do o controlador neural
No contexto da teoria de controle, as RNA’s são vis- proposto.
tas como um formalismo para modelagem de processos,
empregadas como estruturas para representação do co-
nhecimento da planta e para o mapeamento de suas ca-
2 Redes Multilayer Perceptrons - MLP
racterı́sticas que são armazenadas na RNA [1]. A pro-
priedade de mapeamento funcional não-linear fornece às Uma rede neural artificial consiste de um conjunto
RNA’s uma forte capacidade de representação interna de de unidades de processamento, chamadas de neurônios,
problemas, tornando-as atrativas para o seu emprego em interligadas através de conexões, ou pesos. Uma RNA
controle de processos [2], [1], [3], [4], [5]. busca aproximar o funcionamento real de uma rede de
As técnicas clássicas de controle de robôs mani- neurônios. O neurônio artificial apresenta n terminais
puladores ou aquelas baseadas em modelo (controle de entrada, que representam os dendritos, responsáveis
de posição e/ou força) envolvem o conhecimento das por receber os sinais provenientes dos outros neurônios,
equações que descrevem o comportamento dinâmico do e um terminal de saı́da, que representa o axônio, res-
manipulador. Nesses casos, existe uma certa dificulda- ponsável por transmitir os impulsos eletroquı́micos aos
de inerente ao processo de levantamento desse modelo demais neurônios. A cada um dos terminais de entra-
dinâmico devido às incertezas a respeito dos parâmetros da está associado um peso, que representa o valor da co-
do manipulador, estando esse comportamento também nexão entre as sinapses dos neurônios.
sujeito às influências externas como perturbações e Uma topologia muito empregada consiste das redes
variações paramétricas [6], [7], [8] e [9]. Multilayer Perceptrons, ou simplesmente, redes MLP. As
A dificuldade na modelagem da equação dinâmica redes MLP tem a capacidade de realizar mapeamentos
do manipulador vem motivando o emprego de RNA´s não-lineares complexos, sendo, portanto, muito úteis em
aplicações como reconhecimento de padrões e controle
 Este trabalho foi realizado com apoio do CNPq de processos. Elas serão adotadas nesse trabalho devido

338
a simplicidade de implementação e treinamento. A matriz de inércia H (q ) é dada por:
2 3
h11 h12 0 I4
3 Dinâmica do Manipulador SCARA 6
H (q) = 64 h21 h22 0 I4 77
0 0 m3 + m4 0 5 (2)
I4 I4 0 I4
A forma construtiva de um robô manipulador do tipo
SCARA, do inglês Selective Compliant Articulated Ro- onde os termos hij valem
bot for Assembly pode ser vista na fig. 1.
h11 = I1 + IA + m1 lc21 + (m2 + mA )l12
m2 + m (2l l cos ) + m2 + m  l2
+
k A 1 2 2
k2 A 2
q1
m   m 
h12 = IA + k2 + mA l1 l2 cos2 + k22 + mA l22
   
h21 = IA + mk2 + mA l1 l2 cos2 + mk22 + mA l22
q2  
h22 = IA + mk22 + mA l22 (3)

d3 com IA = I2 + I3 + I4 , k = llc22 e mA = m3 + m4 .
A matriz de torques de Coriolı́s e torques centrı́fugos
C (q; q_) é dada pela seguinte relação:
2
q4 c11 c12 0 0
6
C (q; q_)q_ = 64 c21 0 0 0
(4)
0 0 0
0 0

onde os coeficientes cij da matriz são dados por


 
, mk
Figura 1: Robô SCARA
c11 =
2
+ mA l1 l2 sin2 _2
   
O modelo do manipulador, bem como seus c12 = , mk 2
+ mA l1 l2 sin2 _1 + _2
parâmetros, correspondem ao robô manipulador  m2 
SCARA, que se encontra disponı́vel no Laboratório de c21 =
k + mA l1 l2 sin2 _1 : (5)
Robótica da Universidade Federal de Santa Catarina.
O vetor de torques gravitacionais, por sua vez, é defi-
Os deslocamentos i correspondem aos deslocamen- nido como sendo
tos angulares nas juntas de rotação do manipulador, en-
quanto que a variável de junta d3 representa o desloca- G(q) = [0 0 (m3 + m4 )g 0]T (6)
mento linear na junta vertical de translação. Os valores
nominais de massa dos elos mi , momentos de inércia Ii , onde g é o valor da aceleração da gravidade (g = 9.81
comprimentos dos elos li e centros de massa lci são ge- m/s2 ).
ralmente obtidos em catálogos ou através de estimações. Os valores dos parâmetros e coeficientes do manipu-
O modelo adotado não considera o atrito e a flexibilidade lador SCARA utilizados nesse trabalho encontram-se lis-
existente nas juntas. tados na tabela 1.
A equação dinâmica para um manipulador rı́gido ob-
tida pelo método de Lagrange, e desprezando-se o atrito 4 Controle de Posição
nas suas juntas, é definida pela equação 1 [9], [8] e [7]:
Quando o robô desempenha tarefas que não geram
interações entre a dinâmica do meio e do próprio manipu-
H (q)q + C (q; q_)q_ + G(q) =  (1) lador - manipulador no espaço de tarefa livre - o objetivo
do sistema de controle consiste basicamente em coman-
onde q é o vetor (n  1) de coordenadas generalizadas dar a posição, a velocidade, e eventualmente, a aceleração
das juntas, H (q ) é a matriz de inércia (n  n) positiva- nas juntas do manipulador.
definida e simétrica, C (q; q_) é a matrizr (n  n) de forças
e torques centrı́fugos e de Coriolis, G(q ) é o vetor (n  1) 4.1 Controle PD/PID
de forças gravitacionais, e  é o vetor (n  1) de torque de
controle sobre as juntas. Para um manipulador robótico Dois dos controladores mais simples inicialmente uti-
do tipo SCARA, as matrizes para a equação 1 são apre- lizados para o controle de posição, constituem-se dos
sentadas a seguir. controladores clássicos PD e PID (equações 7 e 8):

339
A/D
Tabela 1: Parâmetros do manipulador
RNA

Parâmetro Valor qd n q


q_
Massa do elo 1 (m1 ) e q
11.4 Kg Gerador de
+
PD
 Dinamica do

Massa do elo 2 (m2 )


Digital D/A
Trajetórias
qd uc Manipulador
19.5 Kg q_d
Massa do elo 3 (m3 )
-
2 Kg A/D

Massa do elo 4 (m4 ) 1.5 Kg


Inércia do elo 1 (I1 ) 0.23 Kg m2
Inércia do elo 2 (I2 ) 0.16 Kg m2
Inércia do elo 3 (I3 )
Figura 2: Proposta de Controle Neural para Juntas
0.1 Kg m2
Inércia do elo 4 (I4 ) 0.1 Kg m2
Comprimento do elo 1 (l1 ) 0.25 m
Comprimento do elo 2 (l2 ) 0.25 m 5 Objetivo das Simulações
Centro de massa do elo 1 (lc1 ) 0.118 m
Centro de massa do elo 2 (lc2 ) 0.116 m As trajetórias de referência empregadas constituem-
Origem do sistema de se de curvas do tipo spline e são apresentadas na figura
coordenadas da terceira junta d0 0.678 m 3.
Referências de Posição
1

0.8

 = Kp(qd , q) , Kdq_ (7)


0.6

0.4
Posição [rad,m]

Zt
0.2

 = ,Kdq_ + Kp (qd , q) + Ki qd , q)@


0

( (8) −0.2
0

onde K(:) são as matrizes de ganho dos controladores, de


−0.4

ordem (nxn), positivas e geralmente diagonais, e qd é o


−0.6 junta1
junta2
junta3

valor de referência para o deslocamento nas juntas q .


−0.8
junta4

−1
0 1 2 3 4 5 6
Tempo [s]

4.2 Controle Neural


Figura 3: Referência de posição nas juntas
A lei de controle neural adotada nesse trabalho, con-
siste basicamente em um controlador clássico do tipo PD Os desempenhos dos controladores PD e Neural são
e uma rede neural sendo empregada para compensar as analisados em três situações distintas: condições nomi-
não-linearidades e as perturbações sobre o sistema. Dife- nais de operação; variações e incertezas paramétricas e
rente de muitas abordagens propostas de controle neural perturbações; e movimentação de uma carga desconheci-
de posição de robôs manipuladores [13], [14], [10], [15] da acoplada ao efetuador final.
[16], [17], a estrutura de controle não necessita de fase
O perı́odo de amostragem empregado foi de 2.5 ms.
de treinamento prévio, sendo o treinamento realizado de
As simulações foram feitas nos softwares MATLAB 4.2 e
forma on-line, ou seja, atuando sobre o processo.
SIMULINK 1.3c.
O objetivo da estrutura de controle proposta consiste
em gerar o sinal  através da equação
Os controladores implementados são digitais.
Todos os controladores foram projetados levando
 = uc + n (9) em consideração somente as condições nominais de
operação.
onde uc é o sinal de controle proveniente de um PD di-
gital, empregado para estabilizar o processo durante o re-
gime transitório. A figura 2 apresenta a estrutura de con- 6 Resultado das Simulações
trole proposta.
A rede neural utiliza o sinal de controle uc para o seu Na estrutura de controle neural, foi empregada uma
treinamento. Intepretando esse sinal como o erro de trei- rede MLP, com quatro camadas de neurônios. A cama-
namento, a rede neural busca ajustar seus pesos de for- da de entrada contém 12 neurônios - quatro para aos va-
ma a minimizar esse erro, fornecendo um valor de tor- lores de posição q , quatro para os valores de velocida-
que n nas suas saı́das (uma para cada junta). Dessa de nas juntas q_, e mais quatro neurônios para os valores
forma, obtém-se, indiretamente, a minimização do erro de aceleração desejadas qd . As duas camadas escondi-
de posição e velocidade, pois o controlador PD consiste das possuem, respectivamente, oito e cinco neurônios. A
da soma do produto dos ganhos pelos erros de posição e última, apresenta quatro neurônios, um para cada junta do
velocidade. manipulador. Foi escolhida como função de ativação dos

340
neurônios a função tangente hiperbólica, com inclinação 6.2 Variação Paramétrica e Perturbações
igual a um.
Para o treinamento da rede neural utilizou-se o algo- Aqui considera-se a existência de imprecisões no co-
ritmo backpropagation. As matrizes de pesos e bias fo- nhecimento dos parâmetros, decorrente de possı́veis er-
ram inicializadas com valores randômicos  0.05. A taxa ros de estimação ou variações paramétricas devido às in-
de aprendizado empregada é da ordem de 0.001. fluências do meio. As variações consideradas são: + 20%
para m1 e m4 , - 20% para m3 , + 10% para I1 e I4 , - 10%
6.1 Condições Nominais para I3 , + 15% para l1 e - 15% para l2 .
De forma a verificar o comportamento dos contro-
ladores frente a existência de perturbações, foram apli-
Considerando o manipulador livre de perturbações
cados torques contrários ao movimento do manipula-
externas e sem imprecisões na sua modelagem, observou-
dor. No instante 3 segundos foi aplicada na junta 1 uma
se o desempenho dos controladores para o seguimento da
perturbação de 20% do valor máximo permitido para es-
trajetória da figura 3.
sa junta, e outro sinal no instante 4 segundos na junta 3,
As figuras 4 e 5 apresentam a performance dos con- também com valor de 20% do máximo torque permitido.
troladores de juntas. As figuras 6 e 7 apresentam a performance dos con-
troladores para os casos de perturbação e variação de
Controle PD
1.5 parâmetros.
junta 1 junta 2
1
Controle PD
1.5

0.5 junta 1 junta 2


junta 3 1
Posição [rad,m]

0
0.5
junta 3
Posição [rad,m]

−0.5
junta 4 0

−1
−0.5
junta 4
−1.5
0 1 2 3 4 5 6
Tempo [s] −1

Figura 4: Controle PD: Caso nominal −1.5


0 1 2 3
Tempo [s]
4 5 6

Figura 6: Controle PD: Variação paramétrica e


Controle Neural
1.5 perturbação
junta 1 junta 2
1

Controle Neural
1.5
0.5
junta 3
Posição [rad,m]

junta 1 junta 2
1
0

0.5
−0.5
junta 3
Posição [rad,m]

junta 4

0
−1

−0.5
−1.5
0 1 2 3 4 5 6 junta 4
Tempo [s]

−1

Figura 5: Controle Neural: Caso nominal


−1.5
0 1 2 3 4 5 6
Tempo [s]

A existência de um erro em regime permanente do


posicionamento da terceira junta, ocorre em função da Figura 7: Controle Neural: Variação paramétrica e
não compensação do termo de gravidade pelo controlador perturbação
PD (figura 4).
Por sua vez, o controlador neural apresenta um segui- O controlador PD não sofre muita influência das
mento com um erro muito pequeno, em comparação ao variações paramétricas. Essa caracterı́stica pode ser vista
controle PD (figura 5). Observa-se que a capacidade de nos primeiros 3 segundos do seguimento de trajetória (fi-
compensação que a rede oferece ao sistema de controle, gura 6). Nesse caso, os ganhos do controlador ainda são
no caso, contrabalança o efeito gravitacional existente na suficientes para manter uma boa performance de controle
terceira junta do manipulador. frente as variações paramétricas. Entretanto, observa-se

341
que o erro devido ao efeito de gravidade é agravado pela Dessa forma, os efeitos dos torques gravitacionais são
perturbação existente na terceira junta. mais relevantes, como pode ser visto na figura 8.
Na estratégia de controle neural, a rede é capaz de Novamente a estrutura de controle neural foi capaz de
compensar as variações paramétricas e as perturbações satisfazer os requisitos de controle. A rede, nesse caso,
atuando sobre o manipulador. No caso simulado (figu- funciona como um compensador de gravidade. O torque
ra 7) a influência da perturbação não chega a ser visı́vel, provido pela rede é capaz de suprir a deficiência da es-
garantindo um seguimento de trajetória similar ao do ca- trutura de controle do tipo PD, que não apresenta a capa-
so nominal. Isso ocorre, uma vez que a rede atua nas cidade de compensação dos termos de gravidade (figura
situações em que o controlador PD não consegue garan- 9).
tir uma boa performance de controle, como é o caso da
existência de perturbações e incertezas ou variações pa- 6.4 Análise do Esforço de Controle
ramétricas.
As figuras 10 e 11 apresentam as ações de contro-
6.3 Variação de Carga le para o caso onde existem variações paramétricas e
perturbações atuando sobre o manipulador.
Procurando executar a trajetória da figura 3, observa- Observa-se que o controlador neural apresenta uma
se a performance dos controladores para o caso em que ação de controle mais oscilatória. Esse inconveniente
é considerado o transporte de uma carga desconhecida. acontece devido à dois fatores. A primeira influência é
O valor da carga não se encontra incluı́do no modelo decorrente da necessidade de ajuste dos pesos da rede
dinâmico do manipulador. A carga possui uma massa de frente às mudanças de referência ou à existência de uma
5 Kg, e encontra-se acoplada ao manipulador nos primei- perturbação. O segundo fator provém da falta de conhe-
ros 4 segundos da trajetória. cimento sobre a interação entre o controlador clássico e
As figuras 8 e 9 apresentam o desempenho dos con- a rede neural, não sendo conhecida uma forma de esta-
troladores para o caso de variação de carga. belecer critérios de projeto e análise de estabilidade do
sistema manipulador/controlador + rede neural, de forma
Controle PD
1.5 a incluir a otimização da lei de controle durante a fase
junta 1 junta 2 de projeto do controlador. Além disso, o treinamento da
1
rede neural encontra-se baseado somente no erro de po-
sicionamento, e não leva em conta o esforço da ação de
0.5
junta 3 controle.
Posição [rad,m]

0
Controle PD
100

−0.5 junta1
junta 4 80 junta2
junta3
junta4
−1
60
Ação de Controle [N.m]

−1.5 40
0 1 2 3 4 5 6
Tempo [s]

20

Figura 8: Controle PD: Variação de carga


0

−20

Controle Neural
1.5
−40
0 1 2 3 4 5 6
Tempo [s]

Figura 10: Controle PD: Ação de controle


0.5
Posição [m]

−0.5
7 Conclusões
−1
O emprego de estruturas adaptativas em controle de
−1.5
robôs é uma alternativa às técnicas de controle conven-
0 1 2 3 4 5 6
Tempo [s] cional que necessitam do conhecimento analı́tico do mo-
delo do manipulador. A vantagem do emprego de redes
Figura 9: Controle Neural: Variação de carga neurais reside justamente na não necessidade do conhe-
cimento da planta, sendo capaz de aprender o modelo
O acoplamento de uma carga no efetuador final, cor- dinâmico do manipulador, incluindo as não-linearidades,
responde em um acréscimo de massa na terceira junta. e também as incertezas.

342
Controle Neural
100 Laboratório de Robótica da UFSC. A estratégia está
junta1 também sendo alterada de forma a permitir o controle de
80 junta2
junta3
junta4
força, que será tema de outro artigo em futuro próximo.
60
Ação de Controle [N.m]

40 Referências
20
[1] K. J. Hunt, D. Sbarbaro, R. Zbikowski, and P. J. Gan-
0 throp. Neural networks for control systems - a survey.
Automatic, 28(6):1385–1406, 1992.
−20
[2] I. H. S. Filho and M. R. Stemmer. Redes Neurais. LCMI
−40
- UFSC - Florianópolis, 1993.
0 1 2 3 4 5 6
Tempo [s] [3] K. S. Narendra. Neural networks for control: Theory and
practice. Proceedings of IEEE, 84(10):1385–1406, Octo-
Figura 11: Controle Neural: Ação de controle ber 1996.
[4] T. Fukuda and T. Shibata. Theory and applications of neu-
ral networks for industrial control systems. IEEE Tran-
Entretanto, a necessidade de um treinamento prévio sactions on Industrial Electronics, 39(6):472–489, De-
off-line, com o emprego de um conjunto de exemplos ob- cember 1992.
tidos do sistema real, pode ser um entrave a sua utilização [5] M. Agarwal. A systematic classification of neural
network-based control. IEEE Control Systems, pages 75–
em robótica. Primeiro porque, de acordo com a qualidade
93, April 1997.
do conjunto de exemplos utilizado e com a forma de trei- [6] L. S. Wilfinger. A comparison of force control algoritms
namento empregada, não é possı́vel prever o comporta- for robots in contact with flexible environments. Mas-
mento da rede para situações em que ela não foi treinada. ter’s thesis, Rensselaer - Polytechnic Institute, Troy, New
Isto é, a capacidade de generalização da rede pode não ser York, 1992.
suficiente para garantir uma performance satisfatória do [7] C. C. de Wit, B. Siciliano, and G. Bastin. Theory of Robot
sistema de controle. Segundo, o processo de treinamento Control. Springer-Verlag, 1996.
geralmente é lento e exige um custo computacional ele- [8] F. L. Lewis, C. T. Abdallah, and D. M. Dawson. Control
vado. Em manipuladores robóticos de mais de três graus of Robot Manipulators. MacMillan Publishing Co., 1993.
[9] H. Asada and J. J. E. Slotine. Robot Analysis and Control.
de liberdade, a quantidade de dados é relativamente alta,
John Wiley and Sons, 1986.
aumentando o tempo de treinamento. [10] A. Ishiguro, T. Furuhashi, S. Okuma, and Y. Uchikawa.
Nas tarefas de seguimento de trajetória de posição A neural network compensation for uncertainties of robo-
os controladores clássicos do tipo PD/PID não são su- tics manipulators. IEEE Transactions on Industrial Elec-
ficientes pois não apresentam boas propriedades frente à tronics, 39(6):565–569, December 1992.
existência de perturbações e variações paramétricas. Es- [11] D. Katic and M. Vukobratovic. Connectionist based ro-
tratégias de controle que incluem um modelo paramétrico bot control: An overview. IFAC - 13th Triennial World
do robô em sua estrutura, como o controle inverso de Congress, pages 169–174, 1996.
juntas ou o controle hı́brido de força/posição, procuram [12] S. M. Zlauddin and A. M. S. Zalzala. Model-based neural
network compensantion for uncertainties of robot arms.
aumentar a performance da sua estrutura de controle.
IFAC - 13th Triennial World Congress, pages 157–162,
Porém, essas estratégias necessitam de um conhecimen- 1996.
to mais preciso sobre os parâmetros do modelo do ma- [13] A. M. S. Zalzala and A. S. Morris. Neural Networks for
nipulador. A falta de precisão no modelo estimado em- Robotic Control - Theory and Applications. Ellis Horwo-
pregado na lei de controle, pode levar o sistema a apre- od, 1996.
sentar um desempenho fora das especificações. Dessa [14] M. J. Er and K. C. Liew. Control of adept one scara robot
forma, uma rede neural que complemente o ação de um using neural networks. IEEE Transactions on Industrial
controlador principal, assumindo o papel de compensar Electronics, 44(6):762–768, December 1997.
não-linearidades e perturbações não-modeladas atuantes [15] A. A. Neto and L. C. S. Goes. Projeto de um controla-
dor neural para o robô ita-iemp. III Congresso Brasileiro
sobre a dinâmica do manipulador, apresentou-se como
de Redes Neurais - IV Escola de Redes Neurais - Flo-
uma solução adequada à falta de conhecimento sobre essa
rianópolis, pages 384–389, Julho 1997.
dinâmica. [16] M. R. Stemmer, E. R. de Pieri, and F. A. P. Borges. Um
Entretanto, as estruturas de controle neural apresenta- controlador neural adaptativo para o robô manipulador
ram ações de controle mais oscilatórias, em comparação puma 560. Proceedings of XIII Brazilian Automatic Con-
com as estratégias convencionais de controle de posição e trol Conference - XII CBA, 5:1633–1638, Setembro 1998.
controle hı́brido força/posição. Outra desvantagem, con- [17] M. R. Stemmer, E. R. de Pieri, and F. A. P. Bor-
siste na necessidade de existir um controlador principal ges. Comparação de performance entre controladores
(controlador PD). Além disso, ainda não se encontram clássicos e um controlador torque computado neural apli-
estabelecidas provas e critérios de estabilidade para o sis- cados ao robô puma 560. III Congresso Brasileiro de Re-
des Neurais - IV Escola de Redes Neurais - Florianópolis,
tema robô/controlador + rede neural.
pages 390–395, Julho 1997.
A estratégia de controle aqui apresentada deverá ser
implementada a seguir em um robô real disponı́vel no

343

View publication stats