Control adaptativo de brazo robótico mediante integración de gemelo digital y redes neuronales híbridas

Área de la Ciencia:

• Robótica
• Inteligencia Artificial
• Sistemas de Control

Sus antecedentes:

• El control de retroalimentación tradicional tiene dificultades en entornos robóticos complejos.
• Las redes neuronales híbridas existentes a menudo utilizan solo dos componentes.
• Los gemelos digitales ofrecen potencial para un control robótico mejorado, pero requieren integración.

Objetivo del estudio:

• Desarrollar un novedoso sistema de control adaptativo impulsado por gemelos digitales para brazos robóticos.
• Integrar arquitecturas de redes neuronales híbridas para un rendimiento superior.
• Superar las limitaciones de los métodos de control convencionales en entornos dinámicos.

Principales métodos:

• Un marco de gemelo digital con mapeo bidireccional de bucle cerrado entre los dominios físico y virtual.
• Integración de redes neuronales convolucionales (CNN), redes de memoria a corto y largo plazo (LSTM) y módulos Transformer.
• Un mecanismo de optimización colaborativa de tres vías para la sinergia de redes híbridas.

Principales resultados:

• Se logró una precisión de seguimiento del 98,73 % en un brazo robótico UR10e.
• Se mejoró el tiempo de respuesta en un 35,2 % y el rechazo de perturbaciones en un 42,3 %.
• Se demostró la generalización en múltiples plataformas robóticas y variaciones de carga útil (0,5-8 kg).

Conclusiones:

• El sistema impulsado por gemelos digitales con redes neuronales híbridas ofrece un control adaptativo superior para brazos robóticos.
• El enfoque mejora la estabilidad, la eficiencia y el rendimiento en comparación con los métodos tradicionales.
• El sistema muestra una alta eficiencia de datos de entrenamiento, requiriendo un 40 % menos de muestras para resultados comparables.