robots bioinspirados 154265.pdf

8/16/2019 robots bioinspirados 154265.pdf

1/13

27

Algoritmos bioinspirados en la planeación off-line de trayectorias de robots seriales

Bio-inspired algorithms in serial-robot path off-line planning

María A. Guzmán*

Cristhian A. Peña**

Resumen

El objetivo de la planeación off-line de trayectorias en robótica serialconsiste en dar al efector final del robot las trayectorias necesariaspara desplazarse en su espacio de trabajo y ejecutar diferentes tareasmediante un ambiente virtual en el que se simula tanto el robot comoel entorno del que hace parte. En este artículo se presenta una revi-sión de las técnicas tradicionalmente usadas en el desarrollo y opti-mización de la planeación de trayectorias off-line en robots seriales.Se resaltan las bondades y carácter multidisciplinar de los algoritmosbioinspirados gracias a su uso como herramienta de búsqueda y op-

timización en problemas de diferentes áreas del conocimiento. Porúltimo, son expuestas las principales aplicaciones en planeación detrayectorias off-line en las que los algoritmos bioinspirados han con-tribuido como alternativa para la búsqueda y optimización de solucio-nes en trayectorias de robots seriales.

Ingeniera Mecánic

Msc. Automatizaci

industrial Unive

sidad Nacional

Colombia, Ph

Ingeniería Mecá

ca Universidad

Sao Paulo (Bras

maguzmanp@un

edu.co.

** Ingeniero de Dise y Automatizaci

Electrónica Univer

dad de La Salle (C

lombia), estudian

de Maestría en Ing

niería Mecánica U

versidad Nacional

Colombia. crapen

[email protected].

Palabras clave Planeación de trayectorias off-line, robot se-rial, cinemática inversa, algoritmos bioinspi-rados.

Abstract

The main purpose of off-line path planningin serial robotics is to give the robot’s end-effector the needed path so it can move alongits own workspace and accomplish differentassigned tasks through a virtual environment

where the robot and its own context (obsta-cles, machines, etc) is simulated. In this pa-per, a review of the techniques traditionallyused in the development and optimization ofoff-line path planning optimization for serial

robots is presented. The paper highlights thegoodness and the multidisciplinary characterof the bio-inspired algorithms, which stemsfrom their use as a search and optimizationtool for problem solving in different knowl-edge areas. Finally, the main applications inoff-line path planning are explained together

Fecha de envío: noviembre de 2011Fecha de recepción: noviembre de 2011

Fecha de aceptación: enero de 2012

Revista Visión Electrónica año 7 número 1 pp. 27 - 39 enero - junio de 2013


2/13

28

MARÍA A. GUZMÁN – CRISTHIAN A. PEÑA

Universidad Distrital Francisco José de Caldas - Facultad Tecnológica

with its bio-inspired algorithms, which havemade contributions as an alternative for boththe search and optimization of solutions in se-

rial robot path planning.

Key words Path planning, bioinspired algorithms, serialrobot, inverse kinematics.

Introducción

Según su funcionalidad un robot serial o ma-nipulador industrial se define como una má-quina automática de manipulación, reprogra-

mable y multifuncional con tres o más ejesque pueden posicionar y orientar materias,piezas, herramientas o dispositivos especia-les para la ejecución de trabajos diversos enlas diferentes etapas de la producción indus-trial, ya sea en una posición fija o en movi-miento [1]. Por otra parte, un manipuladorsegún su estructura se define como un meca-nismo formado generalmente por elementosen serie, articulados entre sí, con un efectorfinal o herramienta de manipulación, destina-

do al agarre y desplazamiento de objetos [2].

A partir del análisis de movimiento (análi-sis cinemático directo e inverso) de robotsseriales surge el problema de planeación detrayectorias, cuya solución permite que es-tos dispositivos cumplan los objetivos quetienen por definición. La forma habitual deprogramar trayectorias en un robot serial sedenomina programación on-line y consisteen llevar al efector final del robot, mediante

un control de posicionamiento (teach-box oteach pendandt), a puntos en el espacio conposiciones y orientaciones especificas, detal forma que una vez sean grabados en elcontrolador del robot son interpolados todoslos puntos permitiendo la ejecución de unatrayectoria, con la condición de que entre

más puntos puedan ser grabados mejor serála exactitud de su recorrido.

Debido a que los robots están siendo usa-dos en procesos en los que deben recorrersuperficies irregulares y en los que ademásdeben cumplir con varios ciclos de trabajo encortos periodos, la programación habitual sehace repetitiva y lenta llegando a gastar has-ta ocho meses de programación on-line paratareas de soldadura en chasis de automóviles[3]. Aún con los entornos off-line dados porlos fabricantes debe realizarse el proceso degrabar punto a punto las trayectorias, lo cualsupone un aumento en la seguridad al no ex-poner al operario a programar en entornospeligrosos y un ahorro de energía al no usarel robot para grabar los diferentes puntos, sinembargo, el tiempo de programación es prác-ticamente el mismo que con el teach pendant.La planeación de trayectorias ha sido untema ampliamente estudiado en robotsmóviles, debido a la naturaleza descono-cida o cambiante de los espacios de traba-

jo que este tipo de robot debe sortear; enMasehian and Sedighizadeh [4] se realizauna revisión cronológica, desde los clási-cos hasta los heurísticos, de los diferentesmétodos usados para la planeación de tra-yectorias en robótica móvil. Sin embargo,conforme aumenta la dificultad de las apli-caciones industriales que los robots seria-les deben ejecutar (en su mayoría soldadu-ra, ensamble, pintura o prototipado sobresuperficies irregulares), ha sido necesariogenerar mecanismos que permitan la pla-neación off-line de trayectorias enfocadas

en este tipo de estructuras. Dicha planea-ción ocurre cuando se generan trayectoriasen los robots antes de su implementaciónen un entorno real, en ocasiones basán-dose en perfiles desarrollados en la etapade diseño asistido por computador (CAD)o bien sobre tareas preprogramadas en la


3/13

Revista Visión Electrónica Año 6 No. 1 pp. 28 - 36 Enero - Junio de 201229

ALGORITMOS BIOINSPIRADOS EN LA PLANEACIÓN OFF-LINE DE TRAYECTORIAS DE ROBOTS SERIALES


etapa Manufactura Asistida por Computa-dor (CAM) del proceso de fabricación [5].

Así como en robótica móvil, el problema bá-sico de planificación de movimiento de robotsseriales consiste en encontrar una trayectorialibre de colisiones entre dos puntos de confi-guración articular inicial y final de un manipu-lador [6]. De acuerdo con esto, el problema deplaneación de trayectorias en robótica serialse ha subdividido en dos temas principales,planeación de trayectorias en entornos está-ticos y planeación en entornos dinámicos. Enel caso de los entornos estáticos, los puntosinicial, final y las regiones que serán evadidasse conocen antes de la planeación de trayec-torias; en el caso de entornos dinámicos, lasregiones que serán evadidas son inicialmentedesconocidas [7].

Las técnicas clásicas de planeación de tra-yectorias off-line consisten en el desarro-llo de modelos matemáticos y geométricosbasados en una estructura y configuracióndefinidas de un manipulador serial, talescomo la cinemática inversa [8], la aproxi-mación geométrica [9], el modelado de con-troladores de trayectoria [10], los B-splinesy Jerks [11], y los polinomios cúbicos [12],entre otros. No obstante, aunque los méto-dos matemáticos son una solución eficiente,a medida que los manipuladores se vuelvenmás complejos, es decir, tienen un mayornúmero de eslabones o son redundantes,la técnica de modelamiento matemático sevuelve demasiado compleja de resolver y ala vez ineficiente computacionalmente. Para

dar solución a este inconveniente se handesarrollado métodos alternativos como lateoría de optimización [13], la programaciónsemiinfinita [14] y la simulación gráfica [15];este tipo de soluciones, aunque efectivas,suponen recursos computacionales adiciona-les, lo que restringe su aplicación.

Como alternativa a estos métodos tradiciona-les de planeación y generación de trayecto-rias off-line en robots seriales, los algoritmos

bioinspirados han sido implementados paraeste fin como será presentado a continuación.Todas las técnicas mencionadas serán aborda-das en mayor detalle a lo largo del presenteartículo, organizadas de la siguiente manera:en la sección 1 se expondrán las metodologíasclásicas usadas en la planeación off-line de tra-yectorias en robótica serial. En la sección 2serán reportados los principales algoritmosbioinspirados usados en la resolución generalde problemas en diferentes áreas del conoci-miento; en la sección 3 se mostrarán tanto ca-sos teóricos como de aplicación industrial, enlos cuales gracias a la incursión de los algorit-mos bioinspirados se han logrado resultadossatisfactorios en la planeación de trayectorias

off-line de robots seriales industriales; y final-mente, se presentarán las conclusiones sobreel impacto que los diferentes métodos de pla-neación han tenido el campo industrial.

1. Planeación de trayectorias off-line

En el problema básico de planeación de tra-yectorias se estudia su generación y optimi-zación tanto en el espacio cartesiano (espaciode trabajo) como el articular (del robot). Allíse busca evitar regiones de singularidad demovimiento dentro del espacio de trabajo, enaquellos puntos donde el efector final alcanzauna posición deseada, pero no todas las orien-taciones posibles o viceversa [16]. Comoejemplo de la optimización de trayectorias enSahar y Hollerbach [17] se propone optimizar

el tiempo de posicionamiento-orientación deun manipulador, logrando minimizar el tiempode recorrido del efector final de un punto aotro en trayectorias predeterminadas mien-tras se evitan obstáculos. Este y otros tiposde análisis abren las posibilidades de cálculode trayectorias para manipuladores seriales


4/13

30



además de un sinnúmero de aplicaciones; porello a continuación se presentan las principa-les técnicas usadas en planeación de trayecto-

rias off-line en robótica serial y sus diferentesaplicaciones en el ámbito industrial.

a) Aproximaciones basadas en modelos

matemáticos

Los métodos clásicos con los que se calcu-la la trayectoria de un robot serial se basanprincipalmente en los modelos matemáticosde cada estructura. En Chevallereau [18], sedesarrollan las trayectorias viables de un ma-nipulador no redundante dentro de un campode restricciones a partir de las matrices develocidad asociadas al mecanismo. Por otraparte, en Leng y Chen [19] se desarrolla laplaneación aproximada de trayectorias basadaen las ecuaciones dinámicas Lagrange-Eulerasociadas a la estructura del robot. Otro casode aproximación exitosa de planeación detrayectorias está basada en teorías de opti-mización, por ejemplo en Lin [20] la planea-ción de trayectorias para un manipuladorredundante se logra aplicando una teoría deoptimización de minimización de costo en

el modelo cinemático inverso, logrando queel manipulador evada singularidades y evitecolisiones dentro del espacio de trabajo delrobot. Por otro lado, en Yao y Gupta [21] laplaneación se logra proyectando un grupode restricciones al efector final del manipu-lador y aplicando el método de optimizaciónde gradientes descendentes. Los cálculos yoptimización de trayectorias basados en losmétodos geométricos y matemáticos suelenvolverse mucho más complejos en la medida

en que la configuración de los manipuladorescambia o se incluyen variables adicionales,como obstáculos o regiones singulares den-tro del espacio de trabajo del manipulador,lo cual no les permite ser escalados a pro-blemas de planeación off-line de trayectoriasmás elaboradas.

b) Planeación de trayectorias asistida

De manera paralela con los métodos basadosen la deducción matemática, se han desarro-

llado métodos alternativos para planeaciónde trayectorias que dependen tanto de losmodelos matemáticos como de mecanismosauxiliares para calcular trayectorias. Porejemplo, en De Luca y Oriolo [22] se proponeuna planeación de trayectorias asistida porun control retroalimentado, lo que para suimplementación sugiere requerir elementosesenciales tales como sensores, actuadores(del robot) y un controlador independiente.En otro caso, en que la planeación es asis-tida, son implementadas técnicas de visiónartificial para realizar la programación detrayectorias por simulación [23], siendo estauna de las que más recursos demanda parasu utilización dado el costo de la iluminacióny cámaras de video necesarias. En Kunz [24]se usan sensores como herramienta de per-cepción añadida al robot, lo cual contribuye adesarrollar un mapeo del espacio de trabajoy a la vez llevar a cabo el seguimiento de laruta del manipulador al ejecutar tareas en unentorno dinámico.

Por último, otra aproximación más económi-ca pero que también supone recursos adicio-nales es propuesta en Harada [25], en ella lasimulación gráfica es usada para la planea-ción off-l ine de trayectorias y los sensoresactúan como medio de comprobación de lasposiciones y orientaciones logradas en elentorno on-line, mientras la generación detrayectorias es primero realizada median-te simulación. Este tipo de aproximaciones

se basan en elementos de modelamientomatemático y herramientas que permitenun mayor control y percepción del espacioen el que el manipulador debe interactuar; locual genera un mayor costo de implementa-ción debido al aumento de los recursos usa-dos, pero aún así prometen ser una solución


5/13




bastante robusta para el problema de planea-ción de trayectorias gracias a los datos dadospor la percepción del entorno de trabajo.

c) Robótica cooperativa

Otro de los problemas que es abordado me-diante la planeación de trayectorias es larobótica cooperativa, en la cual dos o másmanipuladores comparten un espacio de tra-bajo y desarrollan tareas en conjunto comoposicionamiento de piezas, soldadura, ins-pección y ensamble, entre otras. En Shin yBien [26] se establecen tres temas de vitalimportancia para manipuladores coopera-

tivos; primero, el análisis de trayectoriaslibres de colisión con la inclusión de un obs-táculo dinámico dentro del espacio de trabajocompartido por dos manipuladores; segundo,el análisis de trayectorias libres de colisio-nes entre dos manipuladores sin obstáculosdentro del espacio de trabajo; y por último,se trata el problema de optimización de tiem-pos de trayectorias basado en restriccionesdinámicas en las estructuras.

De igual manera, en Zurawski y Phang [27] seestablece un esquema maestro-esclavo en elque el espacio de trabajo es subdivido en re-giones discretas, lo que indica que se planeantrayectorias no simultaneas, lo cual es de granutilidad posteriormente en tareas asíncronascomo se observa en Cheng [28]. Un ejemplode la coordinación de trayectorias entre tresmanipuladores es logrado en Tsuji [29], en elcual, por medio del estudio de dinámica virtualse logra no solo el posicionamiento en común

de un elemento dentro del espacio de trabajocompartido, sino también descifrar las posi-ciones relativas entre dos manipuladores, loque lo convierte en un análisis paralelo de es-tructura para los manipuladores involucrados.Este tipo de resultados ha dado paso a un nue-vo campo en la planeación e implementación

de trayectorias, ya que con el objetivo de au-mentar el volumen de producción en el ám-bito industrial la robótica cooperativa se está

convirtiendo en una necesidad. d) Aplicaciones industriales

La meta de la planeación off-line de tra-yectorias está enfocada a su uso industrial,por este motivo, muchos de los desarrollosacadémicos tienen como finalidad resolversituaciones que se presentan directamenteen entornos productivos. Por ejemplo, enla industria automotriz se aborda el proble-ma de la planeación de trayectorias off-line para permitir que el robot pueda llegar a

espacios estrechos [30]. En otros entornoscomo la soldadura de piezas, donde se re-quiere gran exactitud, los estudios de Zha yChen [31] y Mitsi [32] desarrollan la simula-ción de trayectorias para soldar teniendo encuenta no solo el posicionamiento del robot,sino también la velocidad y los perfiles deorientación-posición del trayecto de solda-dura. Otras aplicaciones destacadas de pla-neación de trayectorias son: escaneo laserde superficies y piezas de Larsson y Kje-

llander [33], tareas de ensamble de Garcíay Ávila [34], y remanufactura de piezas deXiaoshu y Xichen [35].

2. Algoritmos bioinspirados

Como una categoría de la inteligencia artifi-cial, los algoritmos bioinspirados son técni-cas de optimización cuyo diseño se basa enla imitación de procesos biológicos [36]. Lasprincipales características de estos algorit-

mos radican en no ser determinísticos, pre-sentar estructuras paralelas y ser adaptativos[37]. Gracias a estas características, dichosalgoritmos poseen la capacidad de generarsoluciones a problemas de búsqueda exhaus-tiva u optimización de manera eficiente sin lanecesidad de tener un conocimiento profundo


6/13

32



sobre el problema que se aborde, lo cual per-mite llegar a resolver problemas multiobjeti-vo de manera eficaz [38]. A continuación se

presenta el concepto básico de los principalesalgoritmos bioinspirados que han permitidoresolver y optimizar tanto problemas en di-ferentes áreas de conocimiento, como en elámbito industrial en el que se postulan comouna opción para la generación y optimizaciónde trayectorias en robots seriales.

a) Redes neuronales artificiales

(Artificial Neural Networks, ANN)

Inspiradas en las redes neuronales biológicasdel cerebro humano y simulando su estruc-tura mediante métodos matemático-compu-tacionales, el uso de las RNA busca imitarlas capacidades propias del cerebro humano,tales como aprender, generalizar y abstraer.Gracias a su capacidad de procesamiento pa-ralelo permite resolver aplicaciones en cam-pos como visión artificial, control, robótica,procesamiento de imágenes, optimizacióny otras aplicaciones que aún son objeto deestudio [39]. Dentro de los estudios másrecientes en este campo se encuentran el

mejoramiento del desempeño de las redesneuronales artificiales a través de matricesde desigualdades lineales [40], para optimi-zar el aprendizaje de la red en cuanto a sucapacidad de convergencia.

Por otra parte, en Castañeda y Esquivel [41]se desarrolla una red neuronal variable enel tiempo como solución de un filtro de Kal-man con entradas variadas estadísticamentepara cumplir el objetivo de controlar siste-

mas no lineales. En otro estudio reciente,son usadas las redes neuronales artificialespara el diagnóstico de diferentes enferme-dades, cuyo funcionamiento se comprueba,precisamente, mediante el diagnostico exi-toso de cáncer de seno y problemas de ti-roides, lo cual demostró acelerar su tiempo

de decisión [42]. Estos estudios demuestranla versatilidad que puede llegar a tener estetipo de algoritmo denominado “de aprendiza-

je” para resolver temas en diferentes áreas.b) Algoritmos genéticos

(Genetic Algorithms GA)

Basados en la teoría de evolución biológicade Darwin, son métodos de búsqueda para laresolución de problemas. El esquema básicode un algoritmo consiste en una poblacióninicial de individuos (cada uno representauna solución del problema) generada aleato-riamente, operadores genéticos (selección,cruce y mutación) que permiten generar lareproducción y la evolución de los individuosa lo largo de las diferentes generaciones, ypor último, una función de evaluación que esla que determina cuándo la población alcanzala solución requerida, sea de búsqueda o deoptimización [43]. Dentro de las aplicacionesde los algoritmos genéticos se pueden en-contrar la predicción de modelos económicos[44], optimización multiobjetivo [45], progra-mación de producción [46] y sintonización decontroladores PID [47], entre otros.

Para comprobar la efectividad de los algo-ritmos genéticos (GA) frente a métodos deoptimización convencionales en [48], fuerealizada una comparación entre los GA y unmétodo estadístico, demostrando que el des-empeño de los AG supera en gran medida alos estadísticos por abordar una mayor can-tidad de soluciones del mismo problema gra-cias a su espacio de búsqueda más amplio.

c) Enjambre de partículas

(Particle Swarm, PS)

Estos algoritmos de optimización se basanen el comportamiento colectivo de los or-ganismos vivos (aves, insectos, peces, etc.),aunque la primera aproximación se realizó


7/13




para imitar computacionalmente el compor-tamiento social humano [49]. Su funciona-miento consiste en establecer un número ho-

mogéneo de agentes simples interactuandoentre sí, para generar un patrón de conductabasándose en cinco principios fundamenta-les del comportamiento colectivo: mantenerla localización de cada agente, establecer ho-mogeneidad, evadir colisiones, emparejar lavelocidad, mantener el enjambre [50].

Uno de los comportamientos más observa-dos y aplicados en problemas de optimizaciónson las colonias de hormigas, allí se trata de

simular computacionalmente el mecanismode comunicación y transporte usado por lashormigas, en el cual se comunican con fero-monas para conseguir alimento y llevarlo ala colonia; en este caso, todos los individuosbuscan aprender el camino más corto paraconseguir la solución, motivo por el cual loconvierte en un algoritmo de convergenciarápida [51]. Algunas materias en las que seha usado algoritmos de enjambre de partícu-las son minería de datos, diseño de elemen-tos finitos, geología, telecomunicaciones,estudio de fallas, entre otros [52].

d) Otros algoritmos bioinspirados

Dado que los algoritmos bioinspirados bus-can simular comportamientos de la natura-leza, la cantidad de algoritmos puede llegar aser tan grande como la cantidad de procesosnaturales que se logren hallar. Otros algorit-mos en los que se imitan comportamientosnaturales son: recocido simulado [53], hier-vas invasivas [54] y quimiotaxis de bacterias

[55]. Como se puede observar, las aplica-ciones de los algoritmos bioinspirados aúnson un campo de exploración, lo que indicauna tendencia creciente hacia el manejo deeste tipo de algoritmos para la solución deproblemas mutiobjetivo en diversas áreasde conocimiento. Dado su amplio rango de

aplicación, la implementación de algoritmosbioinspirados ha aumentado en robótica, lle-gando a ser una herramienta muy útil en la

generación y optimización de trayectorias.A continuación, en la sección 3 se presen-tan algunos de los avances en el uso de estatécnica en la generación y optimización detrayectorias off-line para robots seriales.

3. Algoritmos bioinspirados en planeaciónde trayectorias off-line

Dentro de los algoritmos más aplicados en laplaneación off-line de trayectorias de manipu-

ladores seriales están los algoritmos genéti-cos. Gracias a que el campo de búsqueda esgeneralizado dentro del problema, permiteencontrar más soluciones óptimas que aque-llos algoritmos bioinspirados que buscan lamejor solución tendiendo a encontrar solu-ciones óptimas locales en ocasiones, hechoque demuestra la robustez de los GA en laplaneación y optimización de trayectorias. Porejemplo, en Yun y Xi [56], la planeación óp-tima de trayectorias en el espacio cartesianoy articular de robots de dos y tres grados delibertad, se logra mediante la formulación delproblema de planeación de trayectoria en elespacio cartesiano y articular como un todo;teniendo en cuenta que cada algoritmo debeadaptarse a las condiciones de cada problemacomo una solución subjetiva del mismo, fue-ron realizadas modificaciones en el GA con elobjetivo de lograr mejores resultados en lassimulaciones.

En otros estudios, se ha separado el pro-

blema de la planeación de trayectorias, porejemplo, en Abo-Hammour [57] y Ramaba-lan [58] se aborda el problema mediante GAa partir de trayectorias dadas en el espaciocartesiano; en ambos se demuestra que laplaneación de trayectorias basada en GApuede ser una herramienta escalable para


8/13

34



casos de manipuladores redundantes y noredundantes con varios grados de libertad.

Además de los GA, otros ejemplos del usode algoritmos bioinspirados usados en laplaneación de trayectorias se presentan acontinuación. En Klane [59] se presenta unaherramienta basada en control tele-operadopara la planeación de trayectorias de un ro-bot serial de siete grados de libertad median-te redes neuronales artificiales, logrando laprogramación de trayectorias en ambientesdinámicos para evasión de obstáculos. Me-diante el uso de la técnica de hiervas inva-sivas, en Sengupta [60] se logra optimizarel tiempo de trayectorias realizadas por unmanipulador serial de dos grados de libertad,teniendo en cuenta la evasión de obstácu-los y restricciones de carga. En Xu [61] esusado el método de enjambre de partículaspara determinar la programación dinámicade trayectorias de un manipulador de seisgrados de libertad atado a una plataforma denavegación espacial. Por último, en Kubo-ta [62] y en Xu [63] por medio de la com-binación y modificación de los algoritmos

bioinspirados básicos, se logra la optimiza-ción de trayectorias.

4. Conclusiones

Aunque son efectivas, las metodologías deplaneación de trayectorias basadas en mode-los matemáticos se vuelven más complejas amedida que el manipulador cambia su confi-guración. Por otra parte, el uso de métodosasistidos supone más recursos para resolver

una tarea, lo cual los convierte en los máscostosos de implementar. Debido a que nosolo se aumenta la dificultad de las tareas,sino que además se ha abordado la robóticacooperativa dentro de los problemas de pla-neación de trayectorias para resolver, debegenerarse alternativas eficientes para su

desarrollo, lo cual ha sido logrado en granmedida con la implementación de algoritmosbioinspirados en este tema.

La complejidad en la planeación de trayecto-rias de manipuladores seriales aumenta portres factores: cambio de configuración, inclu-sión de obstáculos dinámicos en el espacio detrabajo y ejecución de tareas cooperativas conotros manipuladores. Los algoritmos bioinspi-rados se han convertido en una salida costo-eficiente en la solución de la planeación detrayectorias en estas tres situaciones, debidoa que se abarcan más soluciones posibles paracada punto del espacio de trabajo otorgan-do no solo una solución óptima de posición-orientación de un manipulador sino tambiiénmuchas, lo que difiriere del caso de optimi-zación tradicional en el que puede abarcarsemenos soluciones para un mismo punto. Deesta forma, los algoritmos bioinspirados gra-cias a su capacidad de procesamiento paralelode un problema se convierten en solucioneseficientes en la planeación de trayectorias demanipuladores.

5. Referencias

[1] J. Barrientos et al., Fundamentos de Robótica . Madrid: Universidad Poli-técnica de Madrid, 1996.

[2] J. González, “Control bilateral con re-troalimentación de esfuerzos aplicadoa la cirugía cardiaca”, Tesis de Docto-rado en Computación Avanzada paraCiencias e Ingenierías. Universidad Politécnica de Madrid, España, 2004.

[3] Z. Pan, et al., “Recent progress onprogramming methods for industrialrobots”, Robotics and Computer-Inte-

grated Manufacturing, vol. 28, n.º 1,pp. 87-94, 2012.


9/13




[4] E. Masehian, D. Sedighizadeh, “Clas-sic and heuristic approaches in robotmotion planning, a chronological re-

view”, World Academy of Science, Engineering and Technology, vol. 29,n.º 1, pp. 101-106, 2007.

[5] H. Choset, et al., Principles of robot motion: theory, algorithms and imple-

mentation. Cambridge: MassachusettsInstitute of Technology MIT, 2005.

[6] J. Bañón, et al., “Sobre algoritmos deplanificación del movimiento de ro-

bots”, Ingeniería y Competitividad,vol. 2, n.º 2, pp. 18-25, 2000.

[7] J. Goldman, “Path planning problemsand solutions”, in Aerospace and Elec-

tronic Conference. NAECON. Pro-

ceedings of the IEEE 1994 National ,Dayton, Ohio, 1994.

[8] G. Huang, “Inverse kinematics analy-

sis trajectory planning for a robotarm”, in Asian Control Conference ASCC. Kaohsiung, Taiwán, 2011.

[9] S. Yahya, et al., “A geometrical motionplanning approach for redundant plan-nar manipulators”, Australian Journal

of Basic and Applied Sciences, vol. 3,n.º 4, pp. 3757-3770, 2009.

[10] C. Atkeson, J. McIntyre, “Robot tra-

yectory learning through practice”, in International Conference on Robotics

and Automation. IEEE. Proceedings of the IEEE International, 1986.

[11] A. Gasparetto, V. Zanotto, “OptimalTrajectory Planning for Industrial

Robots”, Advances in Engieering Soft- ware journal, vol. 41, n.º 1, pp. 548-556, 2009.

[12] J. Craig, Introduction to robotics: me- chanics and control. London: AddisonWesley Longman, 1986.

[13] G. Bessonnet, J. Lallemand, “Optimaltrajectories of robot arms minimizingconstrained actuators and travelingtime”, in International Conference on

Robotics and Automation. IEEE. Pro-

ceedings of the IEEE International.

Cincinnati, Ohio, 1990.

[14] A. Ismael, “Robot trajectory planningwith semi-infinite programming”, Eu-

ropean Journal of Operational Research, vol. 153, n.º 1, pp. 607-617, 2009.

[15] L. Zhenyu, “Motion navigation forarc welding robots based on featuremapping in a simulation enviroment”,

Robotic And Computer-Integrated Ma-

nufacturing Journal, vol. 26, n.º 1, pp.137-144, 2009.

[16] R. Mayorga, A. Wong, “A singularitiesavoidance method for the trajectoryplanning of redundant and nonredun-dant robot manipulators”, in Inter-

national Conference on Robotics and

Automation. IEEE. Proceedings of the

IEEE International. Piscataway, New Jersey, 1987.

[17] G. Sahar, J. Hollerbach, “Planning ofminimum-time trajectories for robotarms”, in International Conference on

Robotics and Automation. IEEE. Pro-

ceedings of the IEEE International.

Edinburgh, Scotland, 1985.


10/13

36



[18] C. Chevallereau, “Feasible trajecto-ries for non redundant robot at a sin-gularity”, in International Conference

on Robotics and Automation. IEEE.Minnesota, 1996.

[19] D. Leng, M. Chen, “Robot trajectoryplanning using simulation”, Robotics& Computer-Integrated Manufacturing

Journal, vol. 13, n.º 2, pp. 121-129, 1997.

[20] C. Lin, “Motion plannning of redun-dant robots by perturbation method”,

Mechatronics Journal, vol. 14, n.º 3,

pp. 237-339, 2004.

[21] Z. Yao, K. Gupta, “Path planning withgeneral end-effector constrains”, Ro-

botics And Autonomous Systems, vol.55, n.º 1, pp. 316-327, 2007.

[22] A. De Luca, G, Oriolo, “ Motion Plan- ning and Trajectory Control of an

Underactuated Three-Link Robot Via

Dynamic Feedback Linearization”, in

International Conference on Robotics and Automation. IEEE. San Francisco,California, 2000.

[23] Q, Zhao, Z, Sun. “Image-based RobotMotion Simulation”, Optics Commu-

nications Journal, vol. 205, n.º 1, pp.257-263, 2002.

[24] T. Kunz, et al., “Time path planning for arobot arm in changing enviroments”, in

International Conference on Intelligent Robots and Systems. IEEE. Taipei, 2010.

[25] K. Harada, “Pick and place planningfor dual-arm manipulators”, in Inter-

national Conference on Robotics and

Automation. IEEE. Minnesota, 2012.

[26] Y. Shin, Z. Bien, “A novel methodofcollision-free trajectory planning fortwo robot arms”, in International Con-

ference on Systems, Man, and Cyberne- tics. IEEE. Seul, 1988.

[27] R. Zurawski, S. Phang, “Path planningfor robot arms operating in a commonworkspace”, in International Confe-

rence on Industrial Electronics, Con-

trol, Instrumentation and Automation.

IEEE. San Diego, 1992.

[28] X. Cheng. “On-line collision-free path

planning for service and assemblytasks by a two-arm robot”, in Interna- tional Conference on Robotics and Au-

tomation. IEEE. Nagoya, 1995.

[29] T. Tsuji, et al., “Distributed trajectorygeneration for coopertive multi-armrobots via virtual force interactions”,

IEEE transactions on systems, man,

and cybernetics Journal, vol. 27, n.º 5,pp. 862-867, 1997.

[30] J. Wunderlich, “Simulating a roboticarm in a box: redundant kinematics,path planning, and rapid prototypingfor enclosed spaces”, Simulation:

Journal of Society for Computer Si-

mulation, vol. 80, n.º 6, pp. 301-316,2004.

[31] X. Zha, X. Chen, “Trajectory coordi-nation planning and control for robot

manipulators in automated materialhandling and procesing”, International

Journal of Advanced Manufacturing Te-

chnology, vol. 23, n.º 2, 831-845, 2004.

[32] S. Mitsi, et al., “Off-line programming ofan industrial robot for manufacturing”,


11/13




International Journal of Advanced Ma- nufacturing Technology, vol. 26, n.º 5,pp. 262-267, 2005.

[33] S. Larsson, J. Kjellander, “Path plan-ning for laser scanning with an indus-trial robot”, Robotics and AutonomousSystems, vol. 56, n.º 1, pp. 615-624,2007.

[34] T. García, R. Ávila, “Planeación asis-tida por computadora del procesotecnológico de ensamble”, Revista de

Ingeniería Mecánica Instituto Superior

Politécnico, vol. 11, n.º 1, pp. 1-7, 2008.

[35] J. Xiaoshu, Y. Xichen, “Off-line pro-gramming of a robot for laser re-ma-nufacturing”, Tsinghua Science andTechnology Journal, vol. 14, n.º 1, pp.186-191, 2009.

[36] T. Bäck, et al., “A survey of evolutionstrategies”, Proceedings of the Fourth

International Conference on Genetic

Algorithms. Dortmund: Morgan Kauf-mann, vol. 1, pp. 2-9, 1991.

[37] C. Alonso, et al., “Model selection ingenetic programming”, in Proceedings

of the 12th annual conference on genetic

and evolutionary computation. ACM.New York, Estados Unidos, 2011.

[38] A. Konak, et al., “Multi-objetive opti-mization using genetic algorithms: atutorial”, Realiability Engineering andSystem Safety Journal, vol. 91, n.º 9,pp. 992-1007, 2006.

[39] X. Basogain, Redes neuronales artifi-ciales y sus aplicaciones. Dpto. Inge-niería de Sistemas y Automática, Es-

cuela Superior de Ingeniería Bilbao.Open Course Ware. [En línea] dispo-nible en http://ocw. ehu.es/ ensenan-

zas-tecnicas/redes-neuronales-arti-ficiales-y-sus- aplicaciones /Course_listing. [Consultada 20-09-2012].

[40] X. Jing, “Robust adaptative learning offeedforward neural networks via LMIoptimizations”, Neural Networks Jour-

nal, vol. 31 n.º 1, pp. 33-45, 2012.

[41] C. Castañeda, P. Equivel, “Decentra-lized neural identifier and control for

nonlinear systems base don extendedkalman filter”, Neural Networks Jour- nal, vol. 31, n.º 1, pp. 81-87, 2012.

[42] E. Alkim, et al., “A fast and adaptativeautomated disease diagnosis methodwith an innovate neural network”,

Model, vol. 33, n.º 1, pp. 88-96, 2012.

[43] D. Whitley, “A genetic algorithm tuto-rial”, Statistics and Computing Jour-

nal, vol. 4, n.º 1, pp. 65-85, 1994.

[44] J. Álvarez, Introducción a los algoritmos genéticos: introducción a los algo-

ritmos evolutivos. Madrid: UniversidadPolitécnica de Madrid, 2012.

[45] E. Zitzler, Evolutionary algorithms for multiobjetive optimization: methods

and applications. Alemania: Institutfür Technishe Informatik und Kom-munukationsnetze, 1999.

[46] F. Wang, et al., “Genetic algorithmswith a new repair operator for assem-bly job shop scheduling”, Internatio-

nal Journal of Industrial Engineering,

vol. 18, n.º 7, pp. 377-385, 2010.


12/13


13/13




[62] N. Kubota, et al., “Hierarchical trajec-tory planning of redundant manipu-lators with structured intelligence”,

Advanced Robotics Journal, vol. 12,n.º 3, pp. 209-225, 1998.

[63] W. Xu, et al., “Study on non-holonomiccartesian path planning of free-floa-ting space robotic system”, Advanced

Robotics Journal, vol. 23, n.º 1-2,pp. 113-143, 2009.

Documents

robots bioinspirados 154265.pdf