Proceedings of theofIVIVBrazilian

Proceedings BrazilianConference
Conferenceon
onNeural
Neural Networks
Networks -- IV
IV Congresso Brasileirode
Congresso Brasileiro deRedes
RedesNeurais
Neurais
pp.pp.
350-355,
000-000,July
july20-22, 1999 --ITA,
20-22,1999 ITA, So
So Jos
Jos dos
dos Campos
Campos --SP
SP--Brazil
Brazil

IMPLEMENTAO EM HARDWARE DE UM CONTROLADOR

NEURAL PARA ROB

GHILSON R. CORRA, EDILBERTO P. TEIXEIRA, ELMO B. FARIA

Universidade Federal de Uberlndia - D.E.E. - 38.400-902 - Uberlndia-MG - Brasil
Universidade Federal de Uberlndia - D.E.E. - 38.400-902 - Uberlndia-MG - Brasil
Centro Universitrio do Tringulo - D.C.C. - 38.402-310 - Uberlndia-MG - Brasil
Emails: ghilson@ufu.br, edilbert@ufu.br, ebfaria@ufu.br

Abstract projeto, e ferramentas de suporte para utilizao do

This paper presents the implementation of a neural
controller applied for controlling a six joint robot. The
Neural network is used as a nonlinear compensator for the
dinamic system. A new control scheme was developed
using the neural network to estimate the computed torque
functions. The system was implemented using three PIC
microcontrollers and a pentium computer. The details of
the hardware and software design are presented including
the laboratory results.
dispositivo.
Procurou-se detalhar o treinamento da rede neural
quando aplicada para processos MIMO no-lineares. Sendo
assim, na seo 2, esto ilustrados o modelo da rede neural,
a expresso matemtica representativa e a forma de
treinamento empregada. Na seo 3, detalham-se a estrutura
da planta no-linear e as equaes diferenciais que a regem.
O hardware implementado em laboratrio mostrado na
seo 4. Os resultados obtidos pela rede neural bem como
as concluses e os comentrios finais esto dispostos na
seo 5 e 6.

1. Introduo. 2. Modelo para a rede neural.

Muitos processos prticos envolvem comportamentos
no-lineares. Todavia, os robs, sistemas altamente no
lineares e acoplados, so exemplos particularmente
adequados para teste de estratgias de controle baseadas em
redes neurais artificiais. Dentre as diversas tentativas de
controle atravs de redes neurais, destacam-se aquelas onde
se procura compensar as no linearidades inerentes
dinmica dos robs [10],[11],[12],[13] e [14]. Neste
trabalho, usa-se o principio do controle atravs do torque
computado efetuando-se a compensao atravs de uma
rede neural de alimentao direta.
Ao contrrio de alguns trabalhos onde a compensao
parcial, efetua-se a compensao completa da equao
dinmica. Isto foi possvel atravs do treinamento off-line de
uma rede neural com 20 neurnios na sua camada
intermediria. Os detalhes do treinamento da rede, o projeto
de hardware e os resultados obtidos em laboratrio com um
rob de seis juntas rotacionais so apresentados neste artigo.
O hardware implementado em laboratrio foi
desenvolvido atendendo as exigncias do projeto.
Entretanto, alguns fatores importantes foram levados em
considerao uma vez que, optou-se por usar
microcontroladores com arquitetura RISC, de modo a
facilitar sua aplicao tanto em hardware como em software.
Dentre estes, pode-se citar: facilidade de aquisio no
mercado, custo reduzido, de forma a no inviabilizar o
Uma rede neural feedforward multicamadas consiste de
um determinado nmero de neurnios interconectados e
organizados em sucessivas camadas. Cada neurnio da rede
tem habilidade independente de processamento e no tem
qualquer interconexo com outros neurnios da mesma
camada. A descrio matemtica genrica da rede neural
com q camadas :
y (t%1) ' j wi s j wik s ...s j wsj
Hq Hq&1 n
q q&1 1
i'1 k'1 i'1
(1)
y (t&j%1)% j
m
ws,1 n%j u(t&j%1) ... ,
j'1
onde ^y(t+1) a sada estimada pela rede neural, y(t) e u(t)
so, respectivamente, as sadas e as entradas do processo,
Wsj k so os pesos sinpticos na camada k. A funo de
ativao : s(.) = {1 + exp [-(.)]}-1.
A rede neural utilizada no projeto tem a estrutura de 3
camadas: uma de entrada, uma intermediria e uma de sada
[8, 11, 12], conforme ilustrao da figura 1.
A entrada para a rede neural um vetor, contendo as
posies, velocidades e aceleraes de comando das juntas
do rob. Os valores de entrada e sada da rede neural so

001
350
normalizados entre -1 e 1. A sada composta de trs
vetores contendo respectivamente os torques no tempo (t) 1
uj '
desenvolvidos em cada uma das juntas do rob. A camada &j k Wkj h k (3)
de entrada formada por 18 elementos, os quais esto 1 %e
conectados a um conjunto de 20 neurnios na camada
intermediria, que por sua vez esto conectados a outros
Onde:
seis na unidade de sada. A camada intermediria e a
Wkj = Elemento da matriz de pesos situada entre a
camada de sada usam funo de ativao do tipo sigmoidal.
camada intermediria e a sada.
hk = Sada da camada intermediria.
b
y(t) W1 d) Calcula-se o valor de )Wkj a ser adicionado matriz de
G1 X1
S pesos Wkj.
b
y(t-1)
W2
G2 X2
S
! b )Wkj ' 0 *j hk % " )Wkj (n&1) (4)
y(t-n) b
Ym(t)
G3 X3
S '
G
b
u(t) Onde:
u(t-1)

!
! ! ! b
b
u(t-m)
G
XN
S '
Figura 1. Estrutura da Rede Neural com uma camada
intermediria.
O treinamento da rede neural realizado aps a coleta
de 3600 dados provenientes do acionamento aleatrio das
seis juntas do rob. Geraram-se, ento, doze vetores
contendo as informaes de entrada e sada da planta. O
algoritmo utilizado para treinamento da rede neural foi o de
propagao retroativa de erro [7]. Os dados relativos s
entradas e sadas foram medidos em tempos fixos de
amostragem. A entrada para a rede neural um vetor,
contendo as posies, velocidades e aceleraes de
comando das juntas do rob. Este esquema, permite que a
rede neural seja treinada off-line.
A seguir, so apresentados os seguintes passos
essenciais para treinamento da rede neural.
a) Apresentam-se os vetores de posio, velocidade e
acelerao entrada da rede neural.
b) Calcula-se a sada da camada intermediria utilizando-se
a seguinte equao:
1 comportamentos no lineares e efeitos de acoplamentos
hk '
&j i V ik S i
1% e
Onde:
V ik = Elementos da matriz de pesos situada entre a
camada de entrada e a intermediria.
Si = Vetor de entrada.
c) Calcula-se a sada da rede com a seguinte equao:
0 = Taxa de aprendizagem.
*j = Erro entre o valor desejado e o obtido na sada da
rede.
Yn(t) " = Fator de amortecimento.
)Wkj (n-1) = ltimo valor adicionado matriz de pesos
Wkj.
No trabalho, o fator de amortecimento " (expresso na
eq. 4), que determina o efeito da variao do peso anterior
para o clculo do prximo, na direo do mapeamento
desejado, usado no treinamento da rede neural, foi de 0,001.
No sentido de reduzir o tempo de aprendizagem, variou-se
a taxa de aprendizagem 0 que determina o ganho, a cada
iterao do algoritmo, na faixa compreendida entre (0,65 a
0,018).
e) Atualizam-se as matrizes de pesos )Wkj e )Vik , respecti-
vamente.
f) Repetem-se os passos de a a e at que o erro quadrtico
mnimo estabelecido, seja atingido.
Este procedimento faz com que, durante o processo de
aprendizagem, as conexes dos pesos sejam ajustadas para
minimizar a soma quadrtica de erro entre as sadas
desejadas e as sadas da rede neural. Os sinais de erro so
ento propagados retroativamente para ajustar os pesos das
conexes.
3. Estrutura da planta.
Como os robs se caracterizam por terem
(2) entre juntas, tais fatores dificultam o controle em
velocidades altas, principalmente quando so empregados
mtodos de controle convencionais. Na tentativa de superar
estas dificuldades, vrios algoritmos de controle usando as
caractersticas dinmicas do rob manipulador tm sido
propostos [1],[4],[5],[6],[9].
Como as redes neurais so apropriadas para se
aproximar mapeamentos no lineares, elas se tornaram uma
poderosa ferramenta de controle. Surgiu, ento, um novo e

002
351
amplo campo de pesquisas denominado neurocontrole, que
pode ser definido como: o uso de redes neurais como
controladores. Diversas maneiras de incluir redes neurais
q d
+
q r
k ++
J Rob
q

no controle de sistemas dinmicos foram propostas, seja ++

$
para identificao, seja associadas a controladores .
E E
Rede Neural
.
convencionais, ou mesmo desempenhando a funo de KD KP

f(q,q,q)
controladores. Por conseqncia, neste ltimo caso, as redes . q .
dq
qd dt .
neurais so tambm chamadas mais apropriadamente de + -
q dq
dt
Neurocontroladores. qd
+ -

A equao dinmica de um rob manipulador descreve

a relao entre a taxa de variao da configurao e os
torques exercidos pelos atuadores em cada junta (motores
eltricos, pneumticos, etc.). Para um rob manipulador
com n graus de liberdade a equao dinmica baseada na
formulao Lagrangeana pode ser descrita como:
J ' M(q). qu % H( q,q@ ) % G (q) % F(q@ )
Onde:
J Vetor nx1 de esforos de acionamento no tempo t
(entrada generalizada foras/torques).
q, q0 e q Vetores nx1 representando, respectivamente
posio, velocidade e acelerao das variveis de juntas.
M(q) Matriz nxn simtrica e no-singular que
representa a inrcia.
H(q, q0 ) Vetor nx1 especificando termos de reaes
coriolis e foras centrfugas.
G(q) Vetor nx1 especificando os efeitos devido a
gravidade e foras externas.
F(q0 ) Matriz diagonal nxn especificando coeficientes de
atrito viscoso.
Cada elemento de M(q) e G(q) uma funo que depende
da posio de cada junta do rob. J o termo H(q, q0 ) que
especifica reaes coriolis e foras centrfugas uma funo
tanto da posio (q) quanto da velocidade (q0 ) [2],[3] e [5].
O controlador neural usando o mtodo torque
computado, mostrado na figura 2, implementado em dois
Figura 2- Diagrama de blocos do controlador neural usando
o mtodo torque computado.
4. Hardware implementado.
(5)
Descreve-se, nesta seo, o sistema de hardware
implementado em laboratrio e que foi utilizado no
processo. O hardware digital implementado baseado em
trs microcontroladores da famlia PIC da Microchip. Trata-
se de uma famlia de microcontroladores com arquitetura
RISC de 14-bits e custo bastante reduzido. Oferece uma
ampla faixa de opes, desde manejamento de interrupes
at gerao de sinais PWM com processamentos
independentes da CPU. H um conjunto de instrues
simples, mas extremamente poderoso que enfatiza as
operaes byte, bit e de registradores [15].
A figura 3 ilustra o diagrama de blocos da arquitetura
geral do sistema desenvolvido para o rob MA2000.
Basicamente, ele est dividido em dois nveis de hierarquia.
O primeiro nvel, o mais alto, composto por um
computador IBM-Pentium servindo como computador
mestre de controle, passando os comandos para serem
interpretados por trs microcontroladores PIC16C73A que
representam o segundo nvel.
Amplificador de
Corrente da Junta 1

estgios: realimentao de posio e velocidade e PIC16C73A

Amplificador de
Corrente da Junta 2
R
compensador no linear, proporcionado pela rede neural. Computador Amplificador de
O
Interface Corrente da Junta 3
B
Neste mtodo, a rede neural treinada para aprender a IBM-PC
Pentium 200Mhz
de PIC16C73A
Amplificador de
Dados Corrente da Junta 4
estrutura completa da equao dinmica do rob. Desse Amplificador de
Corrente da Junta 5 MA2000
modo, a aprendizagem passa a ser generalizada de maneira PIC16C73A
Amplificador de
Corrente da Junta 6
que todos os termos da equao dinmica do rob sejam
inseridos no processo de aprendizagem da rede neural. Figura 3- Diagrama de blocos simplificado da arquitetura
Contudo, para que este procedimento seja completado com geral do sistema.
sucesso, a rede neural precisa assimilar toda a dinmica do
rob.
Posteriormente, a rede neural colocada no modo de Cada um destes microcontroladores controlam duas juntas
operao, atuando como controlador. Neste caso, pode-se individualmente. As juntas do rob MA2000 foram
verificar pelo diagrama da figura 2 que a rede neural
equipadas com sensores de posio e sensores de efeito hall,
aprende o mapeamento dos torques a partir da posio,
trabalhando em conjunto com circuitos auxiliares, para
velocidade e acelerao desenvolvida em cada uma das
medio dos torques.
juntas do rob. Ento, fornecendo-se as posies,
O bloco interface foi desenvolvido para permitir a
velocidades e aceleraes desejadas pode-se gerar os
torques desejados, capazes de levar o efetuador at a integrao do microcomputador com o meio ambiente, cuja
posio desejada. funo : aquisio e monitoramento de sinais em tempo

003
352
real, superviso e controle. A figura 4 ilustra o diagrama de
blocos da interface de dados.
Figura 4- Diagrama de blocos da interface de dados.
O hardware foi desenvolvido de forma que trs blocos
idnticos pudessem controlar o sistema. Sendo assim, a
figura 5 ilustra a arquitetura interna de um nico chip.
Observa-se que ela baseada em registradores com o
barramento de memria de dados separado do barramento
de memria de programa (caracterstica da arquitetura
RISC).
Figura 5- Diagrama de blocos do microcontrolador
PIC16C73A.
Alguns processos considerados atrativos na escolha do
microcontrolador PIC16C73A foram: sua habilidade de
004
353
gerar dois sinais PWM, independentes do processamento da
CPU, gerar interrupes pelo hardware interno de modo que
um dos registradores de 16 bits possa ser usado como
registrador de perodo programvel, nmero de
temporizadores e ou /contadores. Alm do mais, enquanto
uma instruo estiver sendo executada e valores estiverem
sendo lidos ou escritos na memria ou em I/O pela via
apropriada, outra instruo j estar sendo carregada pela
via de memria de programa.
Os circuitos amplificadores, usados para acionamento
das juntas, convertem os sinais PWM provenientes dos
microcontroladores em tenses de sada proporcionais s
respectivas razes cclicas dos sinais PWM. Estes circuitos
so implementados usando uma ponte em H com
transistores darlington.
5. Resultados experimentais.
Usando dados reais obtidos atravs de medies de
posio, velocidade, acelerao e de torque do rob, aps
o trmino de cada seo de treinamento da rede neural,
verificou-se o tempo gasto e a taxa de caimento do erro
quadrtico. Em seguida, alterou-se a taxa de aprendizagem
e realizou-se novo treinamento, sempre verificando o tempo
gasto e a taxa de erro. Posteriormente, o mesmo
procedimento foi realizado com o nmero de neurnios na
camada intermediria e por ltimo, combinando os dois
procedimentos. Observou-se que durante o treinamento da
rede neural, o ajuste do fator de amortecimento exerceu
pouca influncia na convergncia da curva de
aprendizagem.
Os resultados obtidos ao final do processo de
treinamento de uma nica rede neural capaz de aprender o
comportamento dinmico do rob manipulador com seis
graus de liberdade, so mostrados nas figuras 6, 7, 8, 9,10
e 11.
Figura 6- Resposta da Rede neural - Junta 1.
As figuras 12(a), (b) e (c) ilustram os resultados
provenientes do rastreamento de trajetria obtidos da juntas
1, 2 e 3 pelo controlador neural implementado. O tempo
para completar a trajetria foi estabelecido em 8,0s. A
trajetria de referncia foi gerada dentro do espao de
trabalho do rob MA2000, entre (0 - 270).
Figura 7- Resposta da rede neural - Junta 2. Figura 11- Resposta da rede neural - Junta 6.

Figura 12(a)- Resposta do neurocontrolador no

rastreamento de trajetria da junta 1.
Figura 8- Resposta da Rede neural - Junta 3.

Figura 12(b)- Resposta do neurocontrolador no

Figura 9- Resposta da rede neural - Junta 4. rastreamento de trajetria da junta 2.

Figura 12(c)- Resposta do neurocontrolador no

Figura 10 - Resposta da rede neural - Junta 5. rastreamento de trajetria da junta 3.

005
354
6. Concluso.
Quando no se necessita de preciso elevada no
posicionamento, com uma boa sintonia, os controladores
convencionais podem apresentar resultados excelentes. Este
o motivo pelo qual eles so usados na maioria do robs
comerciais existentes. Entretanto, quando preciso um
fator fundamental, mesmo em velocidades no to altas os
mtodos convencionais se tornam inadequados.
O mtodo mostrado neste trabalho apresentou resultados
bastante promissores quando empregado no controle de um
rob de seis juntas. A sintonia foi facilmente obtida, ou seja,
os parmetros KD e KP so escolhidos por tentativa e erro de
forma que o erro de controle atinja assintticamente o valor
zero, bem como o seguimento de trajetrias dinmicas. Vale
lembrar que todos os termos dinmicos, do sistema, foram
considerados ( exceo da carga no efetuador). Para
obteno dos resultados aqui apresentados, o tempo
necessrio para treinamento da rede em uma mquina
Pentium 200 Mhz foi de 298.26 segundos. Outro ponto
interessante a se notar que as respostas ao degrau das
juntas, ficaram praticamente idnticas, o que leva
concluso de que todas atingiram um grau de aprendizagem
praticamente no mesmo instante. O controle pode ser
implementado na prtica com o mnimo de hardware e
software. O estudo mostra tambm que possvel controlar
com preciso um rob no rastreamento de trajetrias.
Referncias.
[1] Craig, J. J., Adaptative Control of Mechanical
Manipulators. Reading MA: Addison-Wesley, 1988.
[2] Craig, J. J., Introduction to Robotics: Mechanics and
Control. Reading MA: Addison-Wesley, 1986
[3] Paul, R. P., Robot Manipulators: Mathematics,
Programming and Control. Cambridge, MA: M.I.T. Pres,
1987.
006
355
[4] Liu, C. H. A comparison controller design and simulation
for an industrial manipulator. IEEE Trans. Ind.
Electron.,vol. IE-33, n 1, pp. 58-65, Feb, 1986.
[5] Luh, J. Y. S., Walker, M. W. & Paul, R. P. C. On-line
computacional scheme for mechanical manipulators. J.
Dyn. Syst., Meas. Contr., vol. 102, pp. 69-76, june, 1980..
[6] Luh, J. Y. S. Conventional controller design for industrial
robots - A tutorial. IEEE Trans. Syst. Man. Cyber.,vol.
SMC-13, n 3, Mai, 1983.
[7] Rumelhart, D. McClelland, J., 1986. Parallel Distributed
Processing. Vol. 1 and 2, MIT Press, Cambridge, MA, 4th
Edition.
[8] Narenda, K. S. & Parthasarathy, K., Identification and
Control of Dynamical Systems Using Neural Networks.
IEEE Transactions on Neural Networks, Vol.1N1, pp.4-26,
march, 1990.
[9] Psaltis, D., Sideris, A. and Yamamura, A.A., A Multilayered
Neural Network Controller. IEEE Control Systems Mag.,
vol. 8, pp. 17-21, April, 1988.
[10] Kawato, M., Furukawa, K. and Suzuki, R., A hierarchical
neural network model for control and learning of voluntary
movement. Biol. Cybern., Vol. 57, pp. 169-185, 1987.
[11] Alsina, P. J. & Gehlot, N. S., Setembro 1994. Identificao
Modular de Parmetros Dinmicos de Manipuladores
Robticos. Anais do 10 CBA, Rio de Janeiro, Brasil, Vol.
2, pp. 1004-1009.
[12] Oliveira, S. R. J. & Teixeira, E. P. Identificao da
Dinmica Inversa de Sistemas No-Lineares Atravs de
Redes Neurais Artificiais. I SBAI - UNESP, Rio Claro,
setembro, 1993.
[13] Corra, G. R., Teixeira, E. P. e Oliveira S. R. J.,
implementacion de un control neural de multiples
propositos. Revista internacional Informacion Tecnologica
- CIT, Vol. 9, N 03, pp. 81-87, 1998.
[14] Tanomaru J. & Omatu, S., Process Control by On-Line
Trained Neural Controllers. IEEE Transactions on
Industrial Eletronics, Vol. 39, N.6, Dec. 1992.
[15] Microchip Techonology Incorporated, PIC16C7X Data
Sheet, DS30390E, USA, 1997.