ИССЛЕДОВАНИЕ АЛГОРИТМОВ УПРАВЛЕНИЯ РОБОТОМ-МАНИПУЛЯТОРОМ С ИСПОЛЬЗОВАНИЕМ ТЕХНОЛОГИЙ ТЕХНИЧЕСКОГО ЗРЕНИЯ

В данной статье представлено исследование алгоритмов с использованием технического зрения для управления роботом-манипулятором. С увеличением числа роботов, используемых в промышленности и других отраслях, возросла необходимость в надежных и точных алгоритмах управления. Таким образом актуальность темы возрастает, а исследования в этой области могут значительно улучшить эффективность и безопасность роботизированных систем. Целью данной статьи является всестороннее исследование различных алгоритмов управления, а также интеграции технического зрения в системы управления. 

Алгоритмы управления роботами-манипулятором представляют собой набор математических процедур и методов, которые позволяют роботам выполнять определенные движения и задачи с необходимой эффективностью и точностью. Для этого робот получает важные данные об окружающем его мире с помощью технического зрения. В статье рассмотрены три основных типа алгоритмов: обратная кинематика, ПИД-контроллеры и алгоритмы машинного обучения. Обратная кинематика определяет углы поворота суставов робота, необходимые для достижения заданного положения и ориентации рабочего инструмента. PID-контроллер контролирует движения суставов робота. Управляя скоростью и усилием, он исправляет ошибки между фактическим и заданным положением. Использование методов машинного обучения позволяет обучаться новым задачам и адаптировать своё поведение к изменяющимся условиям. 

В рамках данного исследования будут рассмотрены теоретические аспекты алгоритмов и технического зрения. Исследования проводились на манипуляторе Оптима 2 фирмы ZARNITZA.

1. Neural Control for Image Stabilisation Using a Reference Model / G. Balbayev et al // International Journal of Mechanical Engineering and Robotics Research. ‒ 2021. ‒ vol. 10, № 1. ‒ P. 17-21.

2. Recent Advances of Generative Adversarial Networks in Computer Visionin / Yang-Jie Cao et al // IEEE Access. ‒ 2019. ‒ vol. № 7. ‒ P. 14985-15006.

3. Рахметова П.М. Исследование системы управления движением манипулятора с помощью компьютерного зрения / П.М. Рахметова, Ж.Н. Исабеков, А.Ю. Бектилевов // Вестник КазАТК. ‒ 2023. ‒ № 6(129). ‒ С. 319-326.

4. Колтыгин Д.С. Аналитический и численный методы решения обратной задачи кинематики для робота Delta / Д.С. Колтыгин, И.А. Седельников, Н.В. Петухов // Вестн. Иркутского гос.технического ун-та. ‒ 2017. ‒ Т. 21, № 5(124). ‒ С. 87-95.

5. SoCodeCNN: Program Source Code for Visual CNN Classification Using Computer Vision Methodology / S. Dey et al // IEEE Access. ‒ 2019. ‒ vol. № 7. ‒ P. 157158-157172.

6. Deep Learning Approaches Based on Transformer Architectures for Image Captioning Tasks / R. Castro et al // IEEE Access. ‒ 2022. ‒ vol. № 10. ‒ P. 33679-33694.

7. Колтыгин Д.С. Метод и программа решения прямой и обратной задачи кинематики для управления роботом-манипулятором / Д.С. Колтыгин, И.А. Седельников // Системы. Методы. Технологии. ‒ 2020. ‒ № 4(48). ‒ С. 65-74.

8. Ang K.H. PID control system analysis, design, and technology. / K.H. Ang, G. Chong, Y. Li. // IEEE Transactions on Control Systems Technology. ‒ 2005. ‒ vol. № 13(4). ‒ P. 559-576.

9. Al-Khayyt S.Z.S. Tuning PID Controller by Neural Network for Robot Manipulator Trajectory Tracking / S.Z.S. Al-Khayyt // Al-Khwarizmi Engineering Journal. ‒ 2013. ‒ № 8(1). ‒ P. 19-28.

10. Подход к автоматическому прогнозированию состояния промышленных манипуляторов с применением методов машинного обучения / А.С. Гончаров и др. // Доклады ТУСУР. ‒ 2021. Т. 24, № 1. ‒ С. 48-54.

11. Deep Reinforcement Learning for the Control of Robotic Manipulation: A Focussed Mini-Review / R. Liu et al // Robotics. ‒ 2021. ‒ Vol. № 10(1). ‒ P. 22-34.

12. Серебряков М.Ю. Глубокое обучение с подкреплением в управлении манипуляционными роботами / М.Ю. Серебряков, С.В. Колесова, А.А. Зинченко // Известия ТулГУ. Технические науки. ‒ 2022. ‒ № 9. ‒ С. 265-268.