Universidad Politécnica de Cartagena TESIS DOCTORAL “UNA ...
Universidad Politécnica de Cartagena TESIS DOCTORAL “UNA ... Universidad Politécnica de Cartagena TESIS DOCTORAL “UNA ...
Capitulo 5. Modelo Neuronal para el aprendizaje progresivo de tareas de Agarre desarrollo de este modelo. Es decir el vector de salida codifica de forma completa una postura de agarre de la mano (Figura 5.15). Figura 5.15. El vector de salida del módulo GRASP codifica una postura de agarre adecuada a cierto objeto (izquierda) mediante los valores de las posiciones articulares de cada dedo (subíndice i = índice, m=medio, p = pulgar, derecha). 3.3.2 Selección heurística de los puntos de contacto sobre el objeto θi2 θi3 La selección de los puntos de contacto entre los dedos de la mano robot y la superficie de cada uno de los objetos se ha llevado a cabo de una manera totalmente heurística en base a criterios geométricos, es decir, en la selección de dichos puntos no se ha atendido en ningún momento a ningún criterio de estabilidad o dinámica del agarre. Dentro del entorno de simulación empleado en este capítulo se ha desarrollado un software que de forma sencilla posibilita la selección de dichos puntos de contacto. Mediante este software se puede seleccionar el tipo de objeto que desea emplearse para su agarre y el tamaño o dimensiones de dicho objeto (lado del cubo, diámetro de la esfera y del cilindro y altura del cilindro). El tamaño de los objetos está constreñido a unas dimensiones máximas de 8 cm y mínimas de 2 cm. Una vez seleccionado el tipo y dimensiones del objeto a agarrar debemos seleccionar los puntos de contacto que son dos o tres dependiendo del número de dedos que se pretende hacer intervenir en el agarre. La selección de esos puntos es arbitraria con la única restricción de que dichos puntos de contacto deben pertenecer a la superficie del objeto y al mismo ‘plano de contacto’. El plano de contacto es un plano paralelo a la superficie plana sobre la que se supone descansa en equilibrio estático el objeto a agarrar y está definido por el parámetro h (Figura 5.16). 235 θi1 θi4 θp4 θp1 θp3 θp2
Capitulo 5. Modelo Neuronal para el aprendizaje progresivo de tareas de Agarre h h Figura 5.16. Selección de los puntos de contacto de los dedos sobre el objeto 3.3.3 Generación de trayectorias de agarre En este apartado se describe la implementación del movimiento de los dedos hacia los puntos de contacto seleccionados mediante las tres redes neuronales HYPBF de la Figura 5.10. Estas redes neuronales como ya se ha comentado resuelven la cinemática inversa de cada uno de los tres dedos que conforman la mano robótica. Por lo tanto, una vez se han seleccionado los puntos de contacto de los dedos con el objeto, implementamos el movimiento de los dedos hacia dichos puntos de contacto, cuando esos dedos parten de una postura inicial extendida. En este punto resulta crucial el análisis de la postura final que adoptan los dedos tras la ejecución del movimiento en relación con el vector que determina la posición relativa del centro de gravedad del objeto respecto a la palma de la mano del robot. A dicho vector lo denominaremos R (Figura 5.17). Se introduce así un factor importante en la evaluación de un agarre para ser considerado como exitoso. Ese factor está relacionado con la confortabilidad de la postura de los dedos tras la implementación del movimiento las puntas de éstos hacia los puntos de contacto seleccionados sobre el objeto. En otras palabras, en este estudio tratamos de hallar vectores de posicionamiento relativo R entre la palma y el centro de gravedad de un objeto determinado de manera tal que cuando se implemente el movimiento de los dedos de la mano hacia los puntos de contacto seleccionados, en dicho movimiento no se produzcan colisiones indeseadas con el objeto (es decir, la trayectoria seguida por los dedos de la mano, no debe penetrar en el interior del objeto, durante el transcurso de la acción de agarre) y además, la postura final de los dedos, en su contacto final con el objeto debe ser tal que ninguna articulación se encuentre en algún límite de su rango de movimiento (Figura 5.17). 236
- Page 187 and 188: Capitulo 4. Modelo Neuronal para la
- Page 189 and 190: Capitulo 4. Modelo Neuronal para la
- Page 191 and 192: Capitulo 4. Modelo Neuronal para la
- Page 193 and 194: Capitulo 4. Modelo Neuronal para la
- Page 195 and 196: Capitulo 4. Modelo Neuronal para la
- Page 197 and 198: Capitulo 4. Modelo Neuronal para la
- Page 199 and 200: Capitulo 4. Modelo Neuronal para la
- Page 201 and 202: Capitulo 4. Modelo Neuronal para la
- Page 203 and 204: Capitulo 4. Modelo Neuronal para la
- Page 205 and 206: Capitulo 4. Modelo Neuronal para la
- Page 207 and 208: Capitulo 4. Modelo Neuronal para la
- Page 209 and 210: Capitulo 4. Modelo Neuronal para la
- Page 211 and 212: Capitulo 5. Modelo Neuronal para el
- Page 213 and 214: Capitulo 5. Modelo Neuronal para el
- Page 215 and 216: Capitulo 5. Modelo Neuronal para el
- Page 217 and 218: Capitulo 5. Modelo Neuronal para el
- Page 219 and 220: Capitulo 5. Modelo Neuronal para el
- Page 221 and 222: Capitulo 5. Modelo Neuronal para el
- Page 223 and 224: Capitulo 5. Modelo Neuronal para el
- Page 225 and 226: Capitulo 5. Modelo Neuronal para el
- Page 227 and 228: Capitulo 5. Modelo Neuronal para el
- Page 229 and 230: Capitulo 5. Modelo Neuronal para el
- Page 231 and 232: Capitulo 5. Modelo Neuronal para el
- Page 233 and 234: Capitulo 5. Modelo Neuronal para el
- Page 235 and 236: Capitulo 5. Modelo Neuronal para el
- Page 237: Capitulo 5. Modelo Neuronal para el
- Page 241 and 242: Capitulo 5. Modelo Neuronal para el
- Page 243 and 244: Capitulo 5. Modelo Neuronal para el
- Page 245 and 246: Capitulo 5. Modelo Neuronal para el
- Page 247 and 248: Capitulo 5. Modelo Neuronal para el
- Page 249 and 250: 2.5 cm 3.0 cm 3.5 cm 2 cm Capitulo
- Page 251 and 252: Capitulo 5. Modelo Neuronal para el
- Page 253 and 254: Capitulo 5. Modelo Neuronal para el
- Page 255 and 256: Capitulo 5. Modelo Neuronal para el
- Page 257 and 258: Capitulo 5. Modelo Neuronal para el
- Page 259 and 260: Capitulo 5. Modelo Neuronal para el
- Page 261 and 262: Capitulo 5. Modelo Neuronal para el
- Page 263 and 264: Capitulo 5. Modelo Neuronal para el
- Page 265 and 266: R1 HYPBF # 1 HYPBF # 2 R2 AIP VD Mu
- Page 267 and 268: Capitulo 5. Modelo Neuronal para el
- Page 269 and 270: Capitulo 6. Implantación de algori
- Page 271 and 272: Capitulo 6. Implantación de algori
- Page 273 and 274: Capitulo 6. Implantación de algori
- Page 275 and 276: Capitulo 6. Implantación de algori
- Page 277 and 278: Capitulo 6. Implantación de algori
- Page 279 and 280: Capitulo 6. Implantación de algori
- Page 281 and 282: Capitulo 6. Implantación de algori
- Page 283 and 284: Capitulo 7. Conclusiones y Trabajos
- Page 285 and 286: Capitulo 7. Conclusiones y Trabajos
- Page 287 and 288: 1. Cinemática Directa del brazo ma
Capitulo 5. Mo<strong>de</strong>lo Neuronal para el aprendizaje progresivo <strong>de</strong> tareas <strong>de</strong> Agarre<br />
h<br />
h<br />
Figura 5.16. Selección <strong>de</strong> los puntos <strong>de</strong> contacto <strong>de</strong> los <strong>de</strong>dos sobre el objeto<br />
3.3.3 Generación <strong>de</strong> trayectorias <strong>de</strong> agarre<br />
En este apartado se <strong>de</strong>scribe la implementación <strong>de</strong>l movimiento <strong>de</strong> los <strong>de</strong>dos hacia<br />
los puntos <strong>de</strong> contacto seleccionados mediante las tres re<strong>de</strong>s neuronales HYPBF <strong>de</strong> la<br />
Figura 5.10. Estas re<strong>de</strong>s neuronales como ya se ha comentado resuelven la cinemática<br />
inversa <strong>de</strong> cada uno <strong>de</strong> los tres <strong>de</strong>dos que conforman la mano robótica. Por lo tanto, una<br />
vez se han seleccionado los puntos <strong>de</strong> contacto <strong>de</strong> los <strong>de</strong>dos con el objeto,<br />
implementamos el movimiento <strong>de</strong> los <strong>de</strong>dos hacia dichos puntos <strong>de</strong> contacto, cuando<br />
esos <strong>de</strong>dos parten <strong>de</strong> una postura inicial extendida. En este punto resulta crucial el<br />
análisis <strong>de</strong> la postura final que adoptan los <strong>de</strong>dos tras la ejecución <strong>de</strong>l movimiento en<br />
relación con el vector que <strong>de</strong>termina la posición relativa <strong>de</strong>l centro <strong>de</strong> gravedad <strong>de</strong>l<br />
objeto respecto a la palma <strong>de</strong> la mano <strong>de</strong>l robot. A dicho vector lo <strong>de</strong>nominaremos R<br />
(Figura 5.17). Se introduce así un factor importante en la evaluación <strong>de</strong> un agarre para<br />
ser consi<strong>de</strong>rado como exitoso. Ese factor está relacionado con la confortabilidad <strong>de</strong> la<br />
postura <strong>de</strong> los <strong>de</strong>dos tras la implementación <strong>de</strong>l movimiento las puntas <strong>de</strong> éstos hacia<br />
los puntos <strong>de</strong> contacto seleccionados sobre el objeto. En otras palabras, en este estudio<br />
tratamos <strong>de</strong> hallar vectores <strong>de</strong> posicionamiento relativo R entre la palma y el centro <strong>de</strong><br />
gravedad <strong>de</strong> un objeto <strong>de</strong>terminado <strong>de</strong> manera tal que cuando se implemente el<br />
movimiento <strong>de</strong> los <strong>de</strong>dos <strong>de</strong> la mano hacia los puntos <strong>de</strong> contacto seleccionados, en<br />
dicho movimiento no se produzcan colisiones in<strong>de</strong>seadas con el objeto (es <strong>de</strong>cir, la<br />
trayectoria seguida por los <strong>de</strong>dos <strong>de</strong> la mano, no <strong>de</strong>be penetrar en el interior <strong>de</strong>l objeto,<br />
durante el transcurso <strong>de</strong> la acción <strong>de</strong> agarre) y a<strong>de</strong>más, la postura final <strong>de</strong> los <strong>de</strong>dos, en<br />
su contacto final con el objeto <strong>de</strong>be ser tal que ninguna articulación se encuentre en<br />
algún límite <strong>de</strong> su rango <strong>de</strong> movimiento (Figura 5.17).<br />
236