Metodologia para análise e mitigação de erros em sistemas de medição inercial utilizando redes neurais artificiais e movimento guiado para calibração de robôs

Abstract

Esta pesquisa tem como objetivo desenvolver uma metodologia para prever a posição de um robô durante seu movimento. A abordagem introduzida pode ser usada para criar um modelo de calibração de robô mais robusto do que os métodos disponíveis atualmente. A ideia é utilizar Sistemas de Medição Inercial (IMUs) e Redes Neurais Artificiais (RNAs) para realizar um tipo de navegação estimada (Dead Reckoning) do Elemento Terminal de um Robô ou Tool Center Point (TCP). Os sistemas IMUs são influenciados por ruídos em suas medições, e esses ruídos aumentam com o tempo, dessa forma, os valores de erro devem ser conhecidos e mitigados. Este estudo utilizou RNAs para reconhecer alvos característicos em um espaço vetorial durante o movimento guiado previamente programado do robô. O objetivo é mitigar o ruído do sistema de medição para que os valores se aproximem da precisão necessária para calibrar o robô. A contribuição da investigação será fornecer um método de navegação estimado capaz de alimentar o software do controlador e, assim, corrigir os desvios encontrados e calibrar a posição do TCP. A RNA foi capaz de prever a posição do elemento terminal com um erro máximo de 0.9 mm. Os resultados mostram que o método desenvolvido é satisfatório e pode ser adotado para retroalimentar o software que controla o robô sempre que ele perceber uma variação entre os valores nominais e os previstos pelo RNA. Além disso, o trabalho aplicou o conceito a outras redes neurais que representam o estado da arte, usando um conjunto de dados menor. A metodologia apresentada neste trabalho também pode ser extrapolada para outros problemas de posicionamento em tempo real.