Empirijska upravljačka strategija za industrijski robot koji uči

Abstract

Današnji sistemi industrijskog robota intenzivno uključuju spoljašnje senzore kao što su kamere koje se koriste za identifikaciju objekata u radnom okruženju industrijskog robota. Uključivanjem spoljašnjih senzora-kamera problem upravljanja industrijskim robotom koji uči postaje značajno izražen. Korišćenjem empirijske upravljačke strategije, bazirane na sistemu veštačkih neuronskih mreža, industrijski robot koji uči može da ostvari adaptivno ponašanje u pogledu fleksibilnog prilagođavanja promenama u radnom okruženju. Pored prirodnih sistema koji mogu da uče na bazi iskustva, za veštačke sisteme se u dužem periodu govorilo da to nisu u stanju da ostvare. Ovaj rad ima za cilj da pokaže da je moguće ostvariti empirijsku upravljačku strategiju za industrijski robot koji uči, korišćenjem kamere i sistema veštačkih neuronskih mreža. Rezultati dobijeni korišćenjem sistema neuronskih mreža pokazali su da hvatač robota može da dođe u zahtevani položaj u odnosu na objekat hvatanja, čak i u slučaju kada je taj položaj različit od naučenih primera.

Today's industrial robot systems intensively include external sensors like cameras used for identification of objects in the working environment of industrial robot. Including cameras in the system of an industrial robot, the control problem of such learning industrial robot is set. Using empirical control strategy based on application of artificial neural networks system the learning industrial robot can realize adaptive behavior in the sense of flexible adjustment to changes in the working environment. Unlike natural systems which could learn on the basis of experience, artificial systems are thought to be unable to do so for a long time. However, the concept of empirical control realizes the ability of machine learning on the basis of experience. This paper aims to show that it is possible to realize the empirical control strategy for learning industrial robot using camera and system of artificial neural networks. Results obtained by the system of neural nets have shown that the robot can move the end-effector to the desired location of the object, even in the case where the location differs slightly from the learned patterns.