Geração automática de trajetórias para manipuladores robóticos utilizando inteligência artificial e curvas de Bézier

Abstract

Com a crescente integração da robótica em diferentes setores, incluindo ambientes industriais, a necessidade de desenvolver algoritmos avançados de geração de trajetória para manipuladores robóticos torna-se crucial. Os desafios associados à adaptação desses sistemas em ambientes dinâmicos, onde a precisão e a prevenção de colisões são fundamentais, destacam-se nesse cenário. Diante disso, este trabalho tem como objetivo propor uma nova metodologia para a geração de trajetórias adaptativas em manipuladores robóticos, baseadas em curvas de Bézier e Inteligência Artificial. Dessa forma, utilizou-se essas curvas para estabelecer trajetórias eficazes, ressaltando a importância da otimização dos Pontos de Controle (PCs) para assegurar movimentos seguros. Aplicou-se o algoritmo de Evolução Diferencial (DE) para aperfeiçoar a localização dos PCs, visando minimizar o consumo energético e prevenir incidentes. Porém, devido ao seu alto tempo de processamento, tal abordagem resultou na geração de um banco de dados utilizado para o treino de várias arquiteturas de Redes Neurais Artificiais (RNAs), incluindo modelos de Rede Perceptron Multicamadas (MLP), Rede Neural Recorrente (RNN) e Rede Neural Paralela (PNN). Dentre os modelos testados, a arquitetura de Rede PNN formada com Redes MLP atuando em paralelo mostrou-se particularmente eficaz, alcançando 92.71% de sucesso na previsão de trajetórias com um tempo médio de processamento de 0.0508 segundos e alcançando um erro percentual sobre o comprimento da trajetória mínima possível (EPRC) de 5.58%. Por fim, ao ser aplicada em cenários com obstáculos presentes na Área de Trabalho (AT), a metodologia proposta provou ser eficaz na geração de trajetórias adaptativas para manipuladores robóticos do tipo cartesiano.

With the increasing integration of robotics across various sectors, including industrial environments, the need to develop advanced trajectory generation algorithms for robotic manipulators becomes crucial. The challenges associated with adapting these systems in dynamic environments, where precision and collision prevention are fundamental, are a key factor in this scenario. Hence, this work aims to propose a new methodology for the generation of adaptive trajectories in robotic manipulators, based on Bézier curves and Artificial Intelligence (AI). In this manner, these curves were used to establish effective trajectories, emphasizing the importance of optimizing the Control Points (CPs) to ensure safe movements. The Differential Evolution (DE) algorithm was applied to refine the location of the CPs, aiming to minimize energy consumption and prevent incidents. However, due to its high processing time, this approach resulted in the generation of a database used for the training of various architectures of Artificial Neural Networks (ANNs), including models of Multilayer Perceptron (MLP), Recurrent Neural Network (RNN), and Parallel Neural Network (PNN). Among the models tested, the architecture of the PNN formed with MLP networks acting in parallel proved to be particularly effective, achieving a 92.71% Success Rate (TS) in trajectory prediction with an average Processing Time (TP) of 0.0508 seconds and achieving a Trajectory Length Relative Percentage Error (EPRC) of 5.58%. Finally, when applied in scenarios with obstacles present in the Workspace (AT), the proposed methodology proved to be effective in generating adaptive trajectories for Cartesian-type robotic manipulators.