La nueva técnica de control podría mejorar la precisión de los robots industriales.

 

La nueva técnica de control podría mejorar la precisión de los robots industriales.
Crédito: CC0 Dominio Público

Los cerebros de los humanos y otros animales a menudo practican el control de avance, ya que son muy buenos en el modelado de todo el sistema. Pero para las máquinas, tal modelado es computacionalmente difícil. Sin embargo, los investigadores de la Universidad de Ciencia y Tecnología de Huazhong y la Universidad de California en Berkeley han desarrollado un nuevo método de avance que mejora las técnicas convencionales de avance.

Los mecanismos de avance utilizados para controlar máquinas son mucho más precisos que los mecanismos de retroalimentación, pero pueden ser computacionalmente difíciles. Un nuevo método ha mejorado con respecto a las técnicas convencionales y está listo para ser probado en robots industriales y visión artificial.

La mayoría de las personas estarán familiarizadas con la ‘retroalimentación’, donde una máquina como un termostato se corrige solo después de observar un error en el rendimiento: una vez que la temperatura excede un punto de ajuste, el sistema de calefacción del edificio se apaga, por ejemplo.

Pero los sistemas de retroalimentación pueden ser mecanismos crudos de control: si el límite superior de temperatura se establece demasiado alto, la temperatura ambiente puede comenzar a sentirse incómoda justo antes de que se apague la calefacción. Por otro lado, si el rango de temperatura preferido se establece muy estrechamente, tal vez solo unos pocos grados de separación, entonces el sistema de calefacción se encenderá y apagará constantemente a medida que rebota dentro y fuera del rango, aumentando el desgaste.

Los sistemas de control de avance son menos conocidos por el público, pero superan estas fallas de los mecanismos de retroalimentación al medir los cambios en el sistema general en el que opera una máquina determinada, y le indican a la máquina que tenga en cuenta estos cambios antes de que tengan la oportunidad tener un impacto no deseado.

«Por ejemplo, un jugador de béisbol que intenta atrapar una pelota participa en el control de avance», explica el ingeniero Dailin Zhang. «Mientras rastrea la trayectoria de una pelota, ajusta su movimiento en anticipación de dónde aterrizará».

Como resultado, feedforward es mucho más preciso que la retroalimentación. Un termostato que utiliza el control de avance puede detectar que se ha abierto una puerta y, por lo tanto, encender el sistema de calefacción antes de que la temperatura en el hogar tenga la posibilidad de bajar.

Pero hay inconvenientes: los feedforwards requieren un buen conocimiento, o «modelado», del sistema en el que están operando. Si el termostato monitorea la puerta para ver si está abierta pero no las ventanas, entonces tiene un «modelo» malo de la casa y hará demasiado frío.

Normalmente, los parámetros que se introducen en dicha técnica son fijos (por ejemplo, la posibilidad de que se abra una puerta o ventana), pero la nueva técnica obtiene dichos parámetros de un entorno incierto para desarrollar un modelo actualizado del sistema en tiempo real a través de Una serie de pasos.

Probados en una simulación de un motor, los investigadores descubrieron que la técnica realmente logró un mejor rendimiento que la compensación tradicional de avance.

Los investigadores son especialistas en visión artificial y en la mejora de la calibración de robots industriales, y luego quieren probar su técnica en estos desafíos del mundo real.


Más información:
Dailin Zhang, Zining Wang y Masayoshi Tomizuka, «Un método de compensación de avance basado en el modelo de parámetros variables para el control de seguimiento»

Leave a Comment!