Генетическое программирование и объектное моделирование манипуляционных роботов

Обложка

Цитировать

Полный текст

Открытый доступ Открытый доступ
Доступ закрыт Доступ предоставлен
Доступ закрыт Только для подписчиков

Аннотация

Рассмотрено применение генетического алгоритма для решения обратной задачи кинематики манипуляционных роботов. Определены основные понятия метода поиска решений с помощью генетического алгоритма. Представлена блок-схема простого генетического алгоритма. Обосновано решение использовать многопроцессорные вычислительные системы (транспьютеры) для вычисления генетических операторов. Это позволит многократно повысить эффективность выполнения генетических алгоритмов. В качестве примеров выбраны манипуляционные системы с тремя и четырьмя звеньями. Постановка задачи состояла в определении шарнирных координат промышленного робота по заданным декартовым координатам положения центра инструмента (TCP – Tool Center Point), устанавливаемого на его конечном звене. Полученные результаты подтверждают эффективность генетических алгоритмов при решении обратных задач кинематики промышленных (манипуляционных) роботов. На основе теории графов определена процедура генетического программирования как способ поиска оптимальных кинематических структур манипуляционных систем роботов. Показано использование генетического программирования для модификации объектных моделей манипуляционных роботов. Рассмотрено объектное представление динамической модели манипуляционных роботов. Отмечено, что рекомбинация объектов, соответствующих математическим выражениям, имеющим механический смысл, требует кинематического соответствия используемых объектов. Составление объектных схем предложено выполнять с использованием компьютерных программ, автоматизирующих этот процесс на основе принципа визуального программирования (Low-code).

Об авторах

Олег Николаевич Крахмалев

Финансовый университет при Правительстве РФ

Автор, ответственный за переписку.
Email: onkrakhmalev@fa.ru
ORCID iD: 0000-0002-9388-4137

кандидат технических наук, доцент; доцент департамента анализа данных и машинного обучения Финансового университета при Правительстве РФ

Россия, Москва

Список литературы

  1. Al Tahtawi A., Agni M., Hendrawati T. Small-scale robot arm design with pick and place mission based on inverse kinematics // Journal of Robotics and Control. 2021. No. 2. P. 6. DOI: https://doi.org/10.18196/jrc.26124
  2. Byun G., Kikuuwe R. Stiff and safe task-space position and attitude controller for robotic manipulators // Robomech. J. 2020. No. 7. P. 18. DOI: https://doi.org/10.1186/s40648-020-00166-1
  3. Ferrentino E., Chiacchio P. On the optimal resolution of inverse kinematics for redundant manipulators using a topological analysis // J. Mechanisms Robotics. 2020. No. 12 (3). P. 031002. DOI: https://doi.org/10.1115/1.4045178
  4. Kalyayev A.V., Galuyev G.A. Digital neurocomputer VLSI-systems with parallel architecture. In: International Neural Network Conference. Dordrecht: Springer, 1990. DOI: https://doi.org/10.1007/978-94-009-0643-3_17
  5. Karpińska J., Tchoń K. Performance-oriented design of in- verse kinematics algorithms: Extended Jacobian approxi-mation of the Jacobian pseudo-inverse // J. Mechanisms Robotics. 2012. No. 4 (2). P. 021008. DOI: https://doi.org/10.1115/1.4006192
  6. Krakhmalev N.O., Korostelyov D.A. Solutions of the inverse kinematic problem for manipulation robots based on the genetic algorithm // IOP Conf. Ser.: Mater. Sci. Eng. 2020. No. 747. P. 012117. DOI: https://doi.org/10.1088/1757-899X/747/1/012117
  7. Krakhmalev O., Krakhmalev N., Gataullin S. et al. Mathe-matics model for 6-DOF joints manipulation robots // Mathe-matics. 2021. No. 9. P. 2828. DOI: https://doi.org/10.3390/math9212828
  8. Krakhmalev O. Object-oriented modeling of manipulation systems dynamics based on transformation matrices of homo-geneous coordinates // Robotics and Technical Cybernetics. 2017. No. 2 (15). Pp. 32–36.
  9. Krakhmalev O. Object-oriented simulation of robots’ mani-pulation systems // Robotics and Technical Cybernetics. 2018. No. 4 (21). Pp. 41–47. DOI: https://doi.org/10.31776/RTCJ.6406
  10. Krakhmalev O. Designing object diagrams and the method of structural mutations in models of robots’ manipulation systems. Proceedings of 14th International Conference on Electromechanics and Robotics “Zavalishin’s Readings”. Smart Innovation // Systems and Technologies. 2020. No. 154. Pp. 209–221. URL: https://link.springer.com/chapter/10.1007/978-981-13-9267-2_18
  11. Krakhmalev O.N. Use of structural mutations in object-oriented mathematical models of robot manipulation systems // Mathematical Models and Computer Simulations. 2020. No. 12 (1). Pp. 90–98. DOI: https://doi.org/10.1134/S023408791906008X
  12. Krakhmalev O., Korchagin S., Pleshakova E. et al. Parallel computational algorithm for object‐oriented modeling of manipulation robots // Mathematics. 2021. No. 9. P. 2886. DOI: https://doi.org/10.3390/math9222886
  13. Liu Q., Tian W., Li B., Ma Y. Kinematics of a 5-axis hybrid robot near singular configurations // Robotics and Computer-Integrated Manufacturing. 2022. No. 75. P. 102294. DOI: https://doi.org/10.1016/j.rcim.2021.102294
  14. Malik A., Henderson T., Prazenica R. Multi-objective swarm intelligence trajectory generation for a 7 degree of freedom robotic manipulator // Robotics. 2021. No. 10. P. 127. DOI: https://doi.org/10.3390/robotics10040127
  15. Malik A., Lischuk Y., Henderson T., Prazenica R. A deep reinforcement-learning approach for inverse kinematics solution of a high degree of freedom robotic manipulator // Robotics. 2022. No. 11. P. 44. DOI: https://doi.org/10.3390/robotics11020044
  16. Marsono M., Yoto Y., Suyetno A., Nurmalasari R. Design and programming of 5 axis manipulator robot with GrblGru open source software on preparing vocational students’ robotic skills // Journal of Robotics and Control. 2021. No. 2. P. 6. DOI: https://doi.org/10.18196/jrc.26134
  17. Strey A., Avellana N., Holgado R. et al. A configurable parallel neurocomputer. In: Proceedings 1995 Second New Zealand International Two-Stream Conference on Artificial Neural Networks and Expert Systems, November 20–23, 1995. doi: 10.1109/ANNES.1995.499438
  18. Tian W., Mou M., Yang J., Yin F. Kinematic calibration of a 5-DOF hybrid kinematic machine tool by considering the ill-posed identification problem using regularisation method // Robotics and Computer-Integrated Manufacturing. 2019. No. 60. Pp. 49–62. DOI: https://doi.org/10.1016/j.rcim.2019.05.016
  19. Torchigin V.P., Kobyakov A.E. Neurocomputers based on massively parallel architecture using optical means. In: Proceedings of SPIE. The International Society for Optical Engineering, December 1994. DOI: https://doi.org/10.1117/12.195591
  20. Tringali A., Cocuzza S. Globally optimal inverse kinematics method for a redundant robot manipulator with linear and nonlinear constraints // Robotics. 2020. No. 9. P. 61. DOI: https://doi.org/10.3390/robotics9030061
  21. Wajiansyah A., Supriadi S., Gaffar A.F., Putra A.B. Modeling of 2-DOF hexapod leg using analytical method // Journal of Robotics and Control. 2021. No. 2. P. 5. DOI: https://doi.org/10.18196/jrc.25119
  22. Ye H., Wang D., Wu J. et al. Forward and inverse kinematics of a 5-DOF hybrid robot for composite material machining // Robotics and Computer-Integrated Manufacturing. 2020. No. 65. P. 101961. DOI: https://doi.org/10.1016/j.rcim.2020. 101961
  23. Крахмалев О.Н. Объектное моделирование в кинематике манипуляционных роботов // Нейрокомпьютеры: разработка, применение. 2022. № 5. С. 55–66. DOI: https://doi.org/10.18127/j19998554-202205-06

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать
2. Рис. 1. Простой генетический алгоритм

Скачать (109KB)
Метаданные
3. Рис. 2. Трехзвенная манипуляционная система

Скачать (82KB)
Метаданные
4. Рис. 3. Четырехзвенная манипуляционная система

Скачать (83KB)
Метаданные
5. Рис. 4. Результаты вычисления Mean fitness (1)

Скачать (57KB)
Метаданные
6. Рис. 5. Результаты вычисления Mean fitness (2)

Скачать (53KB)
Метаданные
7. Рис. 6. Хромосомы родителей: a – родитель 1; b – родитель 2

Скачать (41KB)
Метаданные
8. Рис. 7. Хромосомы потомков: a – потомок 1, b – потомок 2

Скачать (41KB)
Метаданные
9. Рис. 8. Объектная схема динамической модели (4)

Скачать (14KB)
Метаданные
10. Рис. 9. Объектная схема элемента m123

Скачать (34KB)
Метаданные
11. Рис. 10. Хромосомы 1-го и 2-го родителей элемента m123

Скачать (36KB)
Метаданные
12. Рис. 11. Рекомбинация генов в хромосомах 1-го и 2-го родителей элемента m123

Скачать (52KB)
Метаданные
13. Рис. 12. Хромосомы особей 1-го и 2-го потомков элемента m123

Скачать (37KB)
Метаданные


Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».