Control Descentralizado Neuro-Adaptable Indirecto con Entrenamiento UKF Aplicado a Robótica

Resumen: En este trabajo se presenta un controlador descentralizado para la solución al problema de seguimiento de trayectorias para un brazo robótico de siete grados de libertad (g.d.l.) por medio de un esquema de identificación y control neuronal. Utilizando redes neuronales recurrentes de alto orden (RHONN) discretas, para aproximar las dinámicas del manipulador, se diseñan leyes de control que combinan el control por bloques y técnicas de modos deslizantes. El entrenamiento de la RHONN se realiza utilizando el filtro de Kalman textit{unscented} (UKF) y se compara con trabajos previos realizados con filtro de Kalman extendido (EKF).

¿Cómo citar?

J. F. Guerra Cano, R. García-Hernández & M. A. Llama Leal. Control Descentralizado Neuro-Adaptable Indirecto con Entrenamiento UKF Aplicado a Robótica. Memorias del Congreso Nacional de Control Automático, pp. 791-796, 2019.

Palabras clave

Redes Neuronales, Robótica y Mecatrónica, Control Inteligente

• García-Hernández, R., Sanchez, E.N., Santibáñez, V., Llama, M.A., y Bayro-Corrochano, E. (2009). Realtime decentralized neural block controller for a robot manipulator. En 2009 IEEE/RSJ International Conference on Intelligent Robots and Systems, 906–911.
• García-Hernández, R., Sanchez, E.N., Santibáñez, V., y Ruz-Hernandez, J. (2011). Decentralized neural block control for an industrial PA10-7CE robot arm. En 2011 International Joint Conference on Neural Networks, 2787–2794.
• Guerra, J., Garcia-Hernandez, R., y Llama, M. (2019). Decentralized neural block control for a robot manipulator based in UKF training. En 2019 International Conference on Electronics, Communications and Computers (CONIELECOMP), 88–94.
• Haykin, S. (2004). Kalman filtering and neural networks, volume 47. John Wiley and Sons. Julier, S.J. y Uhlmann, J.K. (1997). A new extension of the Kalman filter to nonlinear systems. Signal processing, sensor fusion, and target recognition VI, 3068(International Society for Optics and Photonics.), 182–194.
• Kalman, R.E. y Bucy, R.S. (1961). New results in linear filtering and prediction theory. Journal of Basic Engineering, 83(1), 95–108.
• Liu, M. (1999). Decentralized control of robot manipulators: nonlinear and adaptive approaches. IEEE Transactions on Automatic Control, 44(2), 357–363.
• Rhudy, M. y Gu, Y. (2013). Understanding nonlinear Kalman filters, part II: An implementation guide. Interactive Robotics Letters.
• Safaric, R. y Rodic, J. (2000). Decentralized neuralnetwork sliding-mode robot controller. En Industrial Electronics Society, 2000. IECON 2000. 26th Annual Conference of the IEEE, volume 2, 906–911.
• Siljak, D.D. (2011). Decentralized control of complex systems. Courier Corporation.
• Utkin, V., Guldner, J., y Shi, J. (2009). Sliding mode control in electro-mechanical systems. CRC press.