Integración sensorial utilizando clasificación difusa en tareas de ensamblado en robótica
J.A. García Muñoza, M.A. LLama Lealb y J.A. Padilla Medinaa
a Instituto Tecnológico de Celaya, Av. Tecnológico y A. García Cubas, 38010, Celaya, Gto.
bInstituto Tecnologico de la Laguna, Blvd. Revolución y Czda. Cuauhtémoc, 27000, Torreón, Coah.
]]> Recibido el 1 de abril de 2004;
Resumen
Se han desarrollado algunas propuestas para la automatización de tareas de ensamblado con robots. Sin embargo, casi todas enfrentan el mismo problema: la necesidad de identificar la situación de contactos actual a partir de la información sensorial. La confiabilidad de las tareas de ensamblado con manipuladores robóticos es afectada por la incertidumbre. El conocimiento de las fuerzas de reacción es complemento natural de la información de configuración geométrica en presencia de incertidumbre, ya que implican una restricción en el espacio de configuraciones del robot. Las técnicas de integración sensorial tienen como objetivo combinar la información de diversos sensores para construir y actualizar un modelo del entorno que permita alcanzar una meta determinada. En este trabajo se presenta una propuesta de integración sensorial, basada en técnicas de clasificación difusa, que utiliza el conocimiento de la configuración del robot y las fuerzas generalizadas de reacción, considerando la incertidumbre de modelado y sensado.
Descriptores: Identificación de estados; clasificación difusa; manipulación diestra.
Abstract
Some approaches to the automation of assembly tasks with robots have been proposed. However, nearly all of them face the same problem: the need of identifying the current contact situation from sensory data. The confidence of assembly tasks with robotic manipulators is affected by uncertainty. The knowledge of the generalized reaction force is the natural complement to configuration information in the presence of geometric uncertainty, since a reaction force indicates a constraint in Configuration Space. Sensorial integration techniques have as objective to use information provided for several sensors to build and update a world model in order to achieve a goal. In this paper we present an approach to multisensory integration based on fuzzy c-means clustering algorithm for detection and identification of states during a dexterous manipulation task in robotics, considering modeling and sensing uncertainties.
Keywords: State identification; fuzzy clustering; dexterous manipulation.
]]>PACS: 07.07.Tw
DESCARGAR ARTÍCULO EN FORMATO PDF
Agradecimientos
Este proyecto ha sido financiado por el Consejo del Sistema Nacional de Educación Tecnológica CoSNET según convenio CoSNET 664.02-P.
Referencias
1. R. Bajcsy y P. Allen, Robotics Research Second Int. Symposium, ed. H. Hanafusa y H. Inoue, MIT Press (1985) 81. [ Links ]
2. D. Pagac, E.M. Nebot y H.F. Durrant-Whyte, Reasoning with Uncertainty in Robotics 1995, 164. [ Links ]
3. T.W. Henderson y W.S. Fai, "MKS: A Multisensor Kernel System", IEEE Transaction on System, Man and Cybernetics. 14 (1984) 784. [ Links ]
4. T.W. Henderson y E. Shilcrat, Journal on Robotics Systems 1 (1984) 169. [ Links ]
5. H.F. Durrant-Whyte, International Journal on Robotics Research 7 (1988) 97. [ Links ]
6. R.C. Luo y M-H. Lin, "Robot multisensor fusion and integration: optimum estimation of fused sensor data", Proc. IEEE Int. Conf. on Robotics and Automation (1988). [ Links ]
7. Y.F. Zheng, "Integration of multiple sensors into a robotic system and its performance evaluation". IEEE Transactions on Robotics and Automation 5 (1989) 658. [ Links ]
8. J.M. Richardson y K.A. Marsh, International Journal on Robotics Research 6 (1988) 78. [ Links ]
9. Y. Nakamura y Y. Xu, "Geometrical fusion method for multisensor robotics system", Proc. IEEE International Conference on Robotics and Automation, (1989) 668. [ Links ]
10. L. Basañez, "Multisensor Integration in Robotics", First Workshop on Robotics and CIM. Lisboa, Portugal (1988). [ Links ]
11. J.C. Bezdek, Pattern Recognition with Fuzzy Objective Function Algorithms (Plenum Press, New York 1981). [ Links ]
12. J.C. Pearson, J.J. Gelfand, R.M. Peterson y C.D. Spence, Proceedings of SPIE 931, Sensor Fusion, Orlando, FL. USA (1988) p. 103 [ Links ]
13. L. Pau, Automatica 25 (1989) 207. Pergamon Press [ Links ]
14. H.-K. Tu, D.B. Goldgof, and E. Backer, Medical Imaging 1994: Physiology and Function from Multidimensional Images, SPIE 2168 Newport Beach, CA, (February 1994) p. 218. [ Links ]
15. Y.W. Lim y S.U. Lee, "On the Color Image Segmentation Algorithm Based on the Thresholding and the Fuzzy C-Means Algorithm". Pattern Recognition, 1990. [ Links ]
16. S.L. Omkar, S. Suresh, T.R. Raghavendra y V. Mani, Proceedings of the 9th International Conference on Neural Information Processing ICONIP'02, 4 (Singapur, November 18-22) p. 1827. [ Links ]
17. F. Höpner, F. Klawonn, R. Kruse y T. Runkler "Fuzzy Culster Analysis: Methods for Classification, Data Analysis and Image Recognition". John Wiley and Sons LTD. Baffins Lane Chichester, West Sussex, PO12 1UD, England, 1999. [ Links ]
18. G.E.Hovland y B.J. McCarragher, "Combining Force and Position Measurements for the Monitoring of Robotic Assembly" IEEE/RSJ International Conference on Intelligent Robots and Systems, Grenoble, France, Sept. 1997 [ Links ]
19. R.J. Thien y S.D. Hill , "Fusion of Force and Vision Data for Intelligent Assembly" IEEE Region 10 Conference Tencon 92, Melbourne Australia, 11-13 Nov. 1992 [ Links ]
20. Skubic M., Volz R.A. "Fuzzy Classification of Contact Formations from Sensor Patterns", Proceedings of the 1996 U.S. Japan Graduate Student Forum, Osaka, Japan, Nov., 1996. [ Links ]
]]>