view in publisher's site

Manipulator Collision Detection and Collided Link Identification Based on Neural Networks

In this paper, a multilayer neural network based approach is proposed for the human-robot collisions detection during the motions of a 2-DoF robot. One neural network is designed and trained by Levenberg-Marquardt algorithm to the coupled dynamics of the manipulator joints with and without external contacts to detect unwanted collisions of the human operator with the robot and the link that collided using only the proprietary joint position and joint torque sensors of the manipulator. The proposed method is evaluated experimentally with the KUKA LWR manipulator using two joints in planar horizontal motion and the results illustrate that the developed system is efficient and very fast in detecting the collisions as well as the collided link.

تشخیص برخورد تلاقی یافته و شناسایی پیوند با استفاده از شبکه‌های عصبی

در این مقاله، یک روش مبتنی بر شبکه عصبی چند لایه برای تشخیص برخورد با ربات انسان در طول حرکات ربات ۲ - dof پیشنهاد شده‌است. یک شبکه عصبی طراحی‌شده و توسط الگوریتم Levenberg - Marquardt برای دینامیک جفت شده مفاصل بازو با و بدون تماس خارجی برای تشخیص برخورد ناخواسته اپراتور انسانی با ربات و پیوندی که تنها با استفاده از موقعیت اتصال اختصاصی و سنسورهای گشتاور مفاصل، برخورد می‌کند، طراحی و آموزش داده می‌شود. روش پیشنهادی بصورت تجربی با بازوی ربات KUKA lwr با استفاده از دو اتصال در حرکت افقی مسطح ارزیابی می‌شود و نتایج نشان می‌دهد که سیستم توسعه‌یافته در تشخیص برخوردها و همچنین ارتباط متقابل بسیار سریع و سریع است.

ترجمه شده با

Download PDF سفارش ترجمه این مقاله این مقاله را خودتان با کمک ترجمه کنید
سفارش ترجمه مقاله و کتاب - شروع کنید

95/12/18 - با استفاده از افزونه دانلود فایرفاکس و کروم٬ چکیده مقالات به صورت خودکار تشخیص داده شده و دکمه دانلود فری‌پیپر در صفحه چکیده نمایش داده می شود.