Control cinemático de robot hiperredundante mediante red neuronal

Los avances que venimos viendo en las últimas décadas demuestran que la robótica va mucho más allá de los brazos robóticos que es habitual ver en la industria. Cada vez existen más robots diseñados para áreas como por ejemplo la medicina, la seguridad o los robots personales, capaces de mejorar la calidad de vida de las personas o incluso salvar vidas. Los robots de tipo continuo hiperredundantes como el que se emplea en este proyecto, abren la puerta a la posibilidad de automatizar tareas de inspección como endoscopias o búsqueda de supervivientes entre escombros en tareas de rescate; reduciendo así los errores humanos o los riesgos que corren los rescatadores. Sin embargo, este tipo de aplicaciones requieren gran precisión y estos robots presentan gran complejidad en su control. Este trabajo pretende comprobar si es viable emplear redes neuronales para mejorar el desempeño del método de control previamente implementado en Matlab para el robot Pylori-I del CAR (Centro de Automática y Robótica) de la ETSII (Escuela Técnica Superior de Ingenieros Industriales de la UPM). Para ello, primero se ha reparado el hardware y el software preexistentes, añadiendo algunas mejoras. Una vez que se había devuelto el robot a un estado funcional, se procedió a medir su comportamiento al mover los motores mediante comandos enviados a través de Matlab al serial de Arduino. El sistema de captura de movimiento empleado para este fin ha sido Optitrack, que se ha conectado a Matlab mediante ROS (Robot Operating Sistem) para poder recibir, procesar, limpiar y finalmente almacenar los datos en un formato más cómodo. Los datos obtenidos se han empleado para entrenar dos redes neuronales; una para mejorar el modelado de la cinemática directa del robot y otra para mejorar el de la cinemática inversa. De los resultados se concluye que es posible emplear redes neuronales para mejorar el control del robot, no solo para el control del extremo sino también en un futuro para el control de la posición de todo el brazo robótico. Además, hacerlo de esta forma permitiría reentrenar las redes con facilidad en caso de añadir mejoras o modificaciones en el robot. Sin embargo, también queda patente la dificultad de encontrar un buen método de control si no existe un cierto grado de robustez en el diseño y estructura del robot, y la gran susceptibilidad de este método ante errores no sistemáticos en comportamiento mecánico del robot