Khotsianivskyi, V., & Sineglazov, V.
(2023).
Robotic manipulator motion planning method development using neural network-based intelligent system.
Machinery & Energetics,
14(4),
131-145.
https://doi.org/10.31548/machinery/4.2023.131
Актуальність досліджуваної проблеми випливає з постійного розвитку промисловості та використання роботів маніпуляторів у виробничих процесах. Метою дослідження є розробка підходу до планування траєкторії робота маніпулятора за допомогою інтелектуальної системи на основі нейронних мереж. Для досягнення поставленої мети використано метод аналізу, а також спеціальні методи, такі як проектування, машинне навчання, інтеграційні стратегії та оптимізаційні методи. Основні результати дослідження охоплюють широкий спектр досягнень у розвитку методів планування руху роботів маніпуляторів та їхньої інтеграції в реальні виробничі умови. Аналіз існуючих методів планування руху роботів маніпуляторів та огляд інтелектуальних систем управління надали вичерпну картину сучасного стану цієї проблематики. Розроблені методи траєкторії робота маніпулятора визначили ефективні стратегії управління, які враховують як динамічні, так і статичні сценарії. Навчання нейронної мережі для планування оптимального шляху переміщення зробило можливим виявлення, відстеження та уникнення перешкод в реальному часі. Для способів інтеграції розроблених методів в реальне виробниче середовище використано ієрархічне планування траєкторії, адаптивне керування нейронною мережею, генетичні алгоритми для оптимізації траєкторії та динамічне прогнозування для уникнення перешкод. Оптимізація та вдосконалення створених підходів показали позитивні результати у покращенні безпеки та продуктивності роботів маніпуляторів, зниженні ризику зіткнень та уникненні пошкоджень роботів. Крім того, реалізація ієрархічного планування траєкторії та адаптивного керування нейронною мережею сприяла значному підвищенню точності та стабільності рухів маніпуляторів в різних сценаріях виробничого процесу. Практичне значення дослідження полягає у розробці інтелектуальної системи управління та методи планування руху роботів маніпуляторів, що сприяє підвищенню ефективності та безпеки їхньої роботи в реальних виробничих умовах
траєкторія пересування, промислова автоматизація, мехатронічні структури, розумні технології, моделі глибокого навчання
[1] Bogdanovsky, M.V. (2020). Analysis of the main errors and assessment of the accuracy of industrial robots. Technical Engineering, 2(86), 67-72. doi: 10.26642/ten-2020-2(86)-67-72.
[2] Cui, J., Cui, L., & Jiang, H. (2021). Archive access robot for smart archive repositories. Industrial Robot, 49(4), 745-759. doi: 10.1108/IR-08-2021-0171.
[2] Galvan-Perez, D., Yañez-Badillo, H., Beltran-Carbajal, F., Rivas-Cambero, I., Favela-Contreras, A., & Tapia-Olvera, R. (2022). Neural adaptive robust motion-tracking control for robotic manipulator systems. Actuators, 11(9), article number 255. doi: 10.3390/act11090255.
[3] Kalani, H., Akbarzadeh, A., Moghimi, S., & Khoshraftar, N. (2017). Forward kinematics solution of stewart-gough using improved hybrid strategy (neural network and 3rd-order Newton-Raphson). Journal of Computational Methods in Engineering, 35(2), 113-129. doi: 10.18869/acadpub.jcme.35.2.113.
[4] Khotsyanivskyi, V., & Sineglazov, V. (2023). Machine learning in the task of auto-calibration of moving elements of robotic systems on the example of stepper motor control. In International scientific and technical conference “AVIA” (pp. 9.37-9.41). Kyiv: National Aviation University.
[5] Koruniak, P., Nishchenko, І., & Sheremeta, Р. (2023). Vibration mobile devices in robotic systems. Bulletin of Lviv National Environmental University. Series Agroengineering Research, 26, 22-29. doi: 10.31734/agroengineering2022.26.022.
[6] Kumhar, H.S., & Kukshal, V. (2022). Inverse kinematic solution for 6-r industrial robot manipulator using convolution neural network. In Select proceedings of IPDIMS 2021 “Recent trends in product design and intelligent manufacturing systems” (pp. 923-930). Singapore: Springer. doi: 10.1007/978-981-19-4606-6_84.
[7] Latorre, W.F., Castro, F.C., Caviativa, Y.P., Amaya, J.C., & Sanz, F.A. (2023). Implementation of a reinforced learning algorithm in a simulation environment for path planning of a robot manipulator with 3 degrees of freedom. In Proceedings of the 10th workshop on engineering applications “Applied computer sciences in engineering” (pp. 151-162). Cham: Springer. doi: 10.1007/978-3-031-46739-4_14.
[8] Lazar, D. (2021). Creating a simple RNN from scratch with TensorFlow. Retrieved from https://medium.com/nabla-squared/creating-a-simple-rnn-from-scratch-with-tensorflow-8995a03c976d.
[9] Litvin, O., & Pankov, S. (2021). Robotic manipulators special purpose. Technical Sciences and Technology, 1(19), 81-88. doi: 10.25140/2411-5363-2020-1(19)-81-88.
[10] Mężyk, J. (2016). A concept for intelligent tool exchange system for industrial manipulators. Solid State Phenomena, 251, 158-163. doi: 10.4028/www.scientific.net/SSP.251.158.
[11] Nalobina, O.,Holotiuk, M., Bundza, O., Shymko, A., & Mikhailov, A. (2022). The task of an agricultural robot during the passing of turns. Advances in Mechanical Engineering and Transport, 2(19), 141-147. doi: 10.36910/automash.v2i19.912.
[12] Quan, W., Zou, D., Xi, C., Qiao, M., Liu, L., & Jiang, W. (2023). Simulation research on trajectory planning of double-arm cooperative live working robot for transmission lines. Journal of Physics Conference Series, 2433, article number 012013. doi: 10.1088/1742-6596/2433/1/012013.
[13] Rakhimov, T., Erkinov, S., & Takhirova, G. (2023). Positional-velocity control of the manipulator built on the basis of an intelligent mechatron module. E3S Web of Conferences, 452, article number 03011. doi: 10.1051/e3sconf/202345203011.
[14] Si, W., Wang, N., & Yang, C. (2021). Composite dynamic movement primitives based on neural networks for human-robot skill transfer. Neural Computing and Applications, 35(32), 23283-23293. doi: 10.1007/s00521-021-05747-8.
[15] Suguitan, M., DePalma, N., Hoffman, G., & Hodgins, J. (2023). Face2Gesture: Translating facial expressions into robot movements through shared latent space neural networks. ACM Transactions on Human-Robot Interaction. doi: 10.1145/3623386.
[16] Takahashi, K. (2021). Comparison of high-dimensional neural networks using hypercomplex numbers in a robot manipulator control. Artificial Life and Robotics, 26(3), 367-377. doi: 10.1007/s10015-021-00687-x.
[17] Wang, X., Wu, Q., Wang, T., & Cui, Y. (2023). A path-planning method to significantly reduce local oscillation of manipulators based on velocity potential field. Sensors (Basel, Switzerland), 23(23), article number 9617. doi: 10.3390/s23239617.
[18] Yu, J., Wu, M., Ji, J., & Yang, W. (2023). Neural network-based region tracking control for a flexible-joint robot manipulator. Journal of Computational and Nonlinear Dynamics, 19(2), article number 021003. doi: 10.1115/1.4064201.
[19] Zalypka, V. (2023). Simulation of the stress-deformed state of the elements of the multifunctional manipulator of multipurpose robotic platforms. Advances in Mechanical Engineering and Transport, 2(21), 101-109. doi: 10.36910/automash.v2i21.1214.
[20] Zhang, Z., He, H., & Deng, X. (2023). An FPGA-implemented antinoise fuzzy recurrent neural network for motion planning of redundant robot manipulators. In IEEE transactions on neural networks and learning systems (pp. 1-13). Piscataway: IEEE. doi: 10.1109/TNNLS.2023.3253801.
[21] Zhu, W., Wang, Q., Luo, L., Zhang, Y., Lu, Q., Yeh, W.-C., & Liang, J. (2022). CPAM: Cross patch attention module for complex texture tile block defect detection. Applied Sciences, 12(23), article number 11959. doi: 10.3390/app122311959.
[22] Zulqarnain, M., Khalaf Zager Alsaedi, A., Ghazali, R., Ghouse, M.G., Sharif, W., & Aida Husaini, N. (2021). A comparative analysis on question classification task based on deep learning approaches. PeerJ Computer Science, 7, article number e570. doi: 10.7717/peerj-cs.570.