Content area
Abstract
Dans ce travail, une commande par reseaux de neurones est etudiee, simulee et implantee en temps reel sur un robot SCARA a deus degres de liberte. Cette commande neuronique est comparable a une commande adaptative indirecte classique parce qu'elle consiste a utiliser un estimateur du modele inverse da systeme pour calculer un terme de prediction servant d'element cle dans !a loi de controle. Cependant, pour le controleur neuronique, l'estimateur du modele inverse du systeme est non parametrique; le modele du systeme n'a donc pas a etre connu comme c'est le cas pour la commande adaptative indirecte classique. De plus, cet estimateur non parametrique est obtenu par apprentissage d'un reseau de neurones.
La commande neuronique est ensuite etudiee et appliquee au robot SCARA a l'aide d'un processeur de signaux de type DSP 96002 de Motorola. D'abord, un controleur Arimoto, avec une consigne aleatoire, est ulilise pour generer un grand nombre d'entrees-sorties de la dynamique du robot. Puis, ces entrees-sorties sont utilisees pour entrai ner le controleur neuronique en temps differe. Finalement, la loi de controle, obtenue par apprentissage, est implantee a l'aide du DSP 96002. Pour valider ce controleur, les erreurs de poursuite d'une trajectoire polynomiale et d'une trajectoire sinusoidale sont evaluees et comparees. Enfin, le controleur neuronique est compare a un controleur adaptatif de type indirect. Il en ressort que les deux controleurs offrent des erreurs de poursuite comparables.
Alternate abstract:
You are viewing a machine translation of selected content from our databases. This functionality is provided solely for your convenience and is in no way intended to replace human translation. Show full disclaimer
In this work, a control by neural networks is studied, simulated and implemented in real time on a SCARA robot with two degrees of freedom. This neural control is comparable to a classic indirect adaptive control because it consists of using an estimator of the inverse model of the system to calculate a prediction term serving as a key element in the control law. However, for the neural controller, the estimator of the inverse model of the system is nonparametric; the model of the system therefore does not have to be known as is the case for the classical indirect adaptive control. Moreover, this nonparametric estimator is obtained by training a neural network.
The neuronic control is then studied and applied to the SCARA robot using a DSP 96002 type signal processor from Motorola. First, an Arimoto controller, with a random setpoint, is used to generate a large number of inputs-outputs of the robot dynamics. Then, these inputs-outputs are used to train the neuronic controller in delayed time. Finally, the control law, obtained by learning, is implemented using the DSP 96002. To validate this controller, the tracking errors of a polynomial trajectory and of a sinusoidal trajectory are evaluated and compared. Finally, the neural controller is compared to an adaptive controller of the indirect type. It appears that the two controllers offer comparable tracking errors.
