AI Summary & Key Takeaways
AI InsightFast convergence without high velocity demand is provided by this adaptive gain approach.
📌 3 Key Takeaways
Abstract
Image-Based Visual Servoing (IBVS) is one of the popular approaches in visual servoing (VS) for robot manipulators by not requiring pose estimation. Besides this popularity, IBVS has to deal with two common problems in realization: obtaining the inverse of the interaction matrix and finding an appropriate fixed gain value for the controller. Although the interaction matrix for IBVS is used with pseudoinverse, the control law is not applicable in the case of singularities. On the other hand, fixed gain value causes a trade-off between convergence speed and end-effector velocities. In this study, an intelligent IBVS scheme is proposed to solve these problems. As the first stage of the system, the interaction matrix is replaced with a trained neural network and the singularity problem has been solved. Furthermore, the discontinuity of the initial velocities caused by the classical velocity controller are resolved by the used continuous velocity controller. As the second stage, instead of a fixed gain, a fuzzy logic unit inspired by fuzzy sliding mode and computing a gain value according to error and error derivative values in each loop is considered. Fast convergence without high velocity demand is provided by this adaptive gain approach.
Özet
Görsel servolama (GS) yaklaşımları içinde görüntü-tabanlı görsel servolama (GTGS) duruş kestirimi gerektirmediğinden robot manipülatörler için popüler GS yaklaşımlarından biridir. Bu popülerliğin yanında GTGS, uygulanması sırasında ise iki temel sorun ile uğraşır: Etkileşim matrisinin tersinin eldesi ve kontrolör için uygun bir sabit kazanç değeri bulunması. GTGS için etkileşim matrisi her ne kadar yalancı tersi ile beraber kullanılsa da tekilliklerin oluşması durumunda kontrol yasası işleyememektedir. Diğer bir taraftan sabit kazanç değeri yakınsama hızı ile sonlandırıcı hızları arasında bir ödünleşmeye sebep olmaktadır. Bu çalışmada bu sorunları çözmek için akıllı bir GTGS sistemi önerilmiştir. Sistemin ilk aşaması olarak eğitilmiş bir yapay sinir ağı (YSA) etkileşim matrisinin tersinin yerini almakta ve tekillik sorunu çözülmektedir. Ayrıca klasik hız kontrolcüsünün sebep olduğu başlangıç hız süreksizliği yararlanılan sürekli hız kontrolcü ile giderilmiştir. İkinci aşama olarak sabit kazanç yerine bulanık kayan kipten esinlenen ve her çevrimde hata ve hata türevinin değerine göre kazanç hesabı yapan bir bulanık mantık birimi kullanılmıştır. Bu uyarlanabilir kazanç yaklaşımıyla yüksek hız ihtiyacı olmadan hızlı yakınsama sağlanmıştır.